Glosario de IA
Datos sintéticos
Datos de entrenamiento creados por modelos de IA o programas en lugar de recogidos de personas, para enseñar habilidades de las que hay pocos ejemplos reales.
Como cada vez cuesta más encontrar buen texto escrito por personas, los laboratorios generan datos: problemas de matemáticas resueltos, código con pruebas, conversaciones, traducciones. Un modelo fuerte puede producir ejemplos para otro más débil (ver destilación), y un programa puede comprobar las respuestas solo.
El riesgo es un círculo vicioso: si los modelos se entrenan sobre todo con lo que ellos mismos generan, se acumulan errores y respuestas sosas. Filtrar y verificar con cuidado es clave.
Ejemplo: Para enseñar a un modelo a resolver ecuaciones se generan miles de ejercicios con un programa que conoce la solución. Las respuestas del modelo se comprueban automáticamente y solo se guardan las correctas.
En la práctica
- Es útil cuando faltan datos reales o cuando son privados.
- Mezclarlos con datos reales y revisarlos evita que el modelo aprenda vicios.
- Si generas datos con un modelo comercial, revisa sus condiciones de uso.