Los datos sintéticos se están convirtiendo en uno de los componentes más estratégicos para la próxima era de la inteligencia artificial. Para Bruno Maia, director de innovación para Latinoamérica de SAS, esta tecnología es más que una simple solución técnica. Es la clave para impulsar la productividad, proteger la privacidad y acelerar la adopción corporativa de la IA sin comprometer la seguridad.
“Los datos sintéticos protegen la individualidad al tiempo que mantienen la lógica necesaria para entrenar modelos”, afirmó Maia en Revolução AI , un programa de NeoFeed respaldado por Magalu Cloud.
Esta técnica permite la creación de conjuntos de datos generados artificialmente que son estadísticamente fieles a los originales; es decir, se trata de información generada para imitar datos del mundo real. Esto soluciona uno de los cuellos de botella más críticos de la IA: el tiempo dedicado a la preparación de los datos.
Según Maia, aproximadamente el 70 % del ciclo analítico completo se consume en la limpieza, la integración y el procesamiento. Con datos sintéticos, estos pasos se vuelven más rápidos, escalables y seguros.
Otro beneficio es la protección de información sensible, ya que los modelos entrenados con datos reales pueden exponer bases de datos o incluso reproducir sesgos. La versión sintética, a su vez, ayuda a eliminar dichas vulnerabilidades sin sacrificar el rendimiento.
"Este enfoque permite a las empresas intercambiar inteligencia sin sacrificar la privacidad ni su estrategia comercial", afirmó.
Si bien los datos sintéticos ya se están convirtiendo en una realidad en la industria de la IA, la próxima gran frontera tecnológica (y quizás la más disruptiva) podría ser la computación cuántica. Predice que las aplicaciones empresariales comenzarán a aparecer en unos tres años, alterando profundamente los paradigmas de seguridad y procesamiento. Sin embargo, advierte que es necesario abordar el tema ahora.
Si bien reconoce todos los beneficios de la tecnología, el experto argumenta que la adopción de la IA debería guiarse menos por la publicidad y más por la estrategia. En su opinión, no todos los problemas de las empresas deben resolverse con inteligencia artificial. En cambio, es necesario tener claro dónde genera valor la tecnología para que pueda aplicarse, así como comprender cómo evitar riesgos y sesgos y cómo garantizar la gobernanza.
“Antes, interpretar un modelo era sencillo. Hoy, con el aprendizaje automático, es imposible explicar el rumbo del árbol de decisiones”, afirmó, destacando que esta opacidad tiene consecuencias reales. “Si no se puede explicar qué hace el modelo, primero, el cliente queda insatisfecho. Segundo, podrían despedirlo”.