Los datos reales son el estándar de precisión, pero pueden ser costosos de recopilar, a menudo están desordenados o incompletos, y se encuentran restringidos estrictamente por leyes de privacidad como el RGPD o la HIPAA. Además, la recopilación de datos del mundo real puede llevar meses o años.

Por otro lado, los datos sintéticos pueden ser menos costosos de escalar. Puedes generar millones de registros en horas. Están perfectamente etiquetado (porque la computadora los creó y esta sabe qué creó) y están centrados en cumplir con los requisitos de privacidad. Además, los datos sintéticos se pueden equilibrar para quitar los sesgos naturales que suelen encontrarse en las recopilaciones del mundo real.

Para los desarrolladores, la forma más rápida de generar un conjunto de datos sintéticos de pequeño a mediano (por ejemplo, para pruebas de unidades o demostraciones simples) no suele ser entrenar una GAN compleja, sino aprovechar las capacidades generativas de los modelos de lenguaje grandes (LLM). Estas capacidades ahora están unificadas en Gemini Enterprise Agent Platform (antes conocido como Vertex AI). Esta plataforma proporciona un entorno integral para crear, implementar y escalar modelos de aprendizaje automático, incluido el acceso a modelos potentes como Gemini.

En esta explicación, usaremos el SDK de Agent Platform (antes SDK de Vertex AI) para Python y Gemini para generar un conjunto de datos sintético de "transacciones de clientes" desde cero. Imagina que eres un desarrollador que crea un panel de tecnología financiera. Necesitas 50 filas de "datos de transacciones" para probar tu frontend.

Necesitas campos específicos: transaction_id, timestamp, amount, merchant_category y is_fraud.

Primero, asegúrate de tener el SDK de Agent Platform instalado en tu entorno de Python. Si bien la plataforma cambió de marca, el paquete de Python sigue siendo google-cloud-aiplatform.

Importa la biblioteca y, luego, inicialízala con los detalles de tu proyecto. Esta configuración es estándar para usar modelos de Gemini a través del SDK de Agent Platform en Gemini Enterprise Agent Platform.

La calidad de los datos sintéticos de un LLM depende en gran medida de tus instrucciones. Debes especificar el esquema, las restricciones (por ejemplo, no números negativos) y el formato de salida (CSV o JSON). Las instrucciones claras y específicas son clave para la ingeniería de instrucciones eficaz con los modelos de Gemini en Gemini Enterprise Agent Platform.

Envía la instrucción al modelo y carga la respuesta directamente en un DataFrame de Pandas. El método generate_content forma parte del SDK de Agent Platform.

A menudo, es más rápido utilizar un LLM de uso general como Gemini para datos tabulares sintéticos que entrenar un modelo estadístico personalizado (como un VAE) cuando solo necesitas datos "plausibles" para probar la funcionalidad del software.

• Velocidad: Obtienes datos en segundos.
• Flexibilidad: Puedes cambiar el esquema con solo editar la instrucción de texto.
• Lógica: Puedes pedirle al modelo que incorpore lógica compleja (como "Si el comercio es 'Viajes', el importe debe ser superior a $100"), lo que es difícil de hacer con aleatorizadores simples.

* Nota para la escala empresarial: Si necesitas generar millones de filas que clonen estadísticamente un conjunto de datos privado masivo existente, es probable que pases de una instrucción simple de LLM a usar canalizaciones de Gemini Enterprise Agent Platform (antes Vertex AI Pipelines) integradas con socios especializados como Gretel.ai o MOSTLY AI, que están disponibles directamente en Google Cloud Marketplace. Estos flujos de trabajo avanzados se pueden organizar y administrar en Gemini Enterprise Agent Platform más amplia.