Dados sintéticos: o que são, como são gerados e o que não garantem

Definição: dados criados artificialmente para um objetivo específico

Os dados sintéticos são dados gerados artificialmente para reproduzir, com diferentes graus de fidelidade, características ou propriedades de dados reais que sejam relevantes para um caso de uso específico. A palavra «sintético» descreve a origem dos dados; não certifica a sua qualidade, a sua utilidade para qualquer tarefa nem o seu anonimato.

A distinção fundamental está entre a origem e as propriedades do conjunto. Um registo sintético não é recolhido diretamente como observação do fenómeno real: é produzido através de algum procedimento de geração. Para servir um objetivo, pode ser importante conservar certos padrões dos dados de referência, como relações entre variáveis ou a presença de casos relevantes. O que é necessário preservar depende da tarefa; não existe uma única propriedade que torne qualquer conjunto sintético útil.

A Agência Espanhola de Proteção de Dados descreve os dados sintéticos como dados gerados artificialmente e observa que, para um caso de uso específico, devem preservar características e propriedades dos dados reais. Esta condição de utilidade contextual não significa que o resultado reproduza fielmente todos os aspetos do conjunto original, nem que esteja isento de riscos para a privacidade.

Assim, uma afirmação como «este conjunto é sintético» responde, quando muito, a uma pergunta sobre a sua origem. Para avaliar o que permite fazer, é preciso perguntar que processo o gerou, que aspetos dos dados de referência se pretendia preservar e que verificações foram realizadas para o uso previsto.

Como planear a geração e a validação

Um projeto de dados sintéticos começa pela finalidade, não pela escolha de uma ferramenta. Um conjunto adequado para testar o funcionamento de um programa pode não ser adequado para estimar uma tendência, estudar casos raros ou treinar um sistema de perceção. Antes de gerar dados, convém especificar que decisão, teste ou investigação se pretende apoiar.

O passo seguinte consiste em definir as propriedades importantes para essa finalidade. Podem incluir a estrutura dos dados, relações entre campos ou a existência de exemplos de determinadas situações. O critério não deve ser «parecer-se» em abstrato: é necessário especificar que semelhança seria útil e como seria verificada. As fontes consultadas não identificam uma lista universal de propriedades nem uma métrica válida para todos os usos.

Depois, escolhe-se e documenta-se o procedimento de geração. As fontes indicadas confirmam a existência de dados gerados artificialmente e mencionam a geração algorítmica, mas não são suficientes para estabelecer uma taxonomia técnica exaustiva ou comparar métodos específicos. Por isso, ao analisar um conjunto, é mais rigoroso pedir a descrição do método realmente utilizado do que deduzi-lo apenas a partir da etiqueta «sintético».

Por fim, avalia-se o resultado em função do objetivo e analisam-se, separadamente, as possíveis consequências para a privacidade. Uma verificação de semelhança estatística, se tiver sido realizada, não demonstra por si só que o conjunto seja adequado a uma tarefa específica; também não demonstra que não reproduza informações do conjunto de origem. A avaliação deve indicar o que foi testado, com que referência e quais são as limitações.

Três exemplos práticos

Os cenários seguintes são exemplos ilustrativos de perguntas que uma equipa poderia colocar; não afirmam que um conjunto específico tenha sido gerado, validado ou utilizado dessa forma. Em cada caso, a utilidade depende da tarefa e das evidências disponíveis.

O que verificar: utilidade, cobertura e privacidade

A utilidade não é uma propriedade universal do conjunto: diz respeito a uma tarefa. Pergunte que atividade foi validada e se corresponde à atividade proposta. Um conjunto que permita testar se uma aplicação aceita determinados formatos pode não sustentar uma conclusão sobre a precisão de um modelo. Do mesmo modo, um resultado de avaliação não deve ser generalizado a populações, ambientes ou decisões que não tenham sido examinados.

A cobertura também é importante. O processo de geração pode não preservar todos os casos relevantes, e um conjunto pode representar diferentes grupos, situações ou combinações de variáveis com maior ou menor fidelidade. Não basta que o volume de dados seja grande ou que alguns resumos coincidam com os do conjunto de origem. A equipa deve explicar que dimensões comparou e que casos ficaram fora da avaliação.

A privacidade exige uma análise independente. O facto de os dados não terem sido recolhidos diretamente como registos reais não prova que o processo não reproduza nem permita inferir informações do material utilizado para os gerar. As fontes fornecidas não apresentam resultados de testes de privacidade para um conjunto específico nem uma garantia geral aplicável a todos os métodos. Por isso, qualquer alegação de proteção deve estar associada a testes, pressupostos e contexto de uso identificáveis.

Também convém documentar o conjunto de referência, o objetivo da geração, o procedimento, as avaliações e as limitações. Sem essa informação, não é possível distinguir uma afirmação sustentada por evidências de uma descrição genérica. A avaliação da privacidade também não substitui a análise das obrigações e dos riscos relevantes para o contexto: esta ficha não constitui aconselhamento jurídico.

Conceitos próximos que não devem ser confundidos

Dados sintéticos e dados anonimizados descrevem aspetos diferentes. «Sintético» refere-se à origem artificial; «anonimizado» é uma afirmação sobre o tratamento dos dados e o risco de identificar ou voltar a identificar pessoas num determinado contexto. Um conjunto sintético pode ter sido gerado a partir de dados reais, pelo que o seu caráter artificial não basta para determinar que informações conserva nem que riscos apresenta. Também não se deve presumir que a anonimização está garantida sem evidências.

O aumento de dados, ou data augmentation, costuma referir-se à criação de variações de exemplos existentes através de transformações, com o objetivo de ampliar ou alterar o material disponível para uma tarefa. Não é automaticamente equivalente à geração de um conjunto sintético por outro procedimento. Para classificar um caso concreto, importa saber se foram transformados exemplos originais, se foram criadas observações através de regras ou simulação, ou se foi utilizado um modelo; o nome comercial ou informal do conjunto não esclarece essa questão.

A simulação gera observações de acordo com regras ou com uma representação de um processo. Pode produzir dados sintéticos, mas o termo descreve o mecanismo ou o ambiente de geração, enquanto «sintético» descreve a origem artificial do resultado. A qualidade da simulação dependerá dos seus pressupostos e da relação entre o que é simulado e a tarefa real.

Os dados gerados por modelos são outra família possível de procedimentos, mas não se deve presumir que todos os dados sintéticos provenham de um modelo treinado com registos reais. As fontes institucionais aqui disponíveis não documentam com detalhe suficiente todas as famílias, os seus requisitos ou uma comparação do desempenho. Perante uma afirmação concreta, peça uma descrição do método e evite transformar uma possibilidade técnica numa definição universal.

Por fim, contaminação de dados, generalização e avaliação de IA são conceitos relacionados, mas distintos. A contaminação diz respeito a informações inadequadas ou relacionadas com a avaliação que podem afetar os dados ou o processo avaliado; a generalização trata do comportamento de um sistema fora dos exemplos utilizados no seu desenvolvimento; e a avaliação é o processo de medir esse comportamento. O uso de dados sintéticos não resolve, por si só, nenhuma dessas questões.

Limites e erros frequentes

Um erro frequente é tratar a semelhança estatística como uma garantia total. Um conjunto pode aproximar-se de algumas propriedades do material de referência e divergir noutras. Sem saber que características foram comparadas, não é possível afirmar que preserva «os dados» em geral. A fidelidade relevante depende da pergunta a que se pretende responder.

Outro erro consiste em extrapolar o resultado de um teste para um uso mais amplo. O facto de os dados servirem para testar uma funcionalidade de software não demonstra que sejam adequados para inferência, investigação ou decisões sobre pessoas. Antes de os reutilizar, é necessário verificar se a finalidade mudou e se os critérios de validade foram justificados novamente.

Também é arriscado interpretar «não contém dados reais» como «não pode divulgar informações». Essa conclusão exige analisar como o conjunto foi gerado e que testes sustentam a afirmação. As notas das fontes disponíveis não permitem declarar que um método específico seja imune à reprodução de informações, nem quantificar um risco geral.

Por último, não se deve presumir que um conjunto sintético substitui sempre os dados reais ou elimina todas as limitações de acesso, enviesamento ou qualidade. Pode ajudar em determinados fluxos de trabalho, mas a pertinência e os riscos devem ser avaliados caso a caso. Quando faltam documentação, métricas ou testes, a conclusão razoável é que as evidências são insuficientes — não que o conjunto seja necessariamente inútil ou necessariamente seguro.

Critérios práticos para avaliar uma afirmação

Quando receber um conjunto ou uma promessa sobre dados sintéticos, comece por pedir uma descrição verificável: quem os gerou, de que material ou referência partiu, que procedimento utilizou e para que tarefa foram concebidos. Se essas respostas não estiverem disponíveis, não será possível avaliar com precisão nem o alcance da utilidade nem o significado de uma alegação de privacidade.

Em seguida, verifique se a avaliação corresponde ao objetivo. Pergunte que propriedades foram medidas, que casos relevantes foram considerados, que comparação foi utilizada e que limitações foram reconhecidas. Uma métrica isolada não tem significado universal: é preciso saber o que pretende medir e por que é adequada à aplicação.

Quanto à privacidade, peça que sejam explicados os testes realizados e o tipo de risco examinado, sem aceitar «sintético» como sinónimo de «anónimo». Quanto ao desempenho, pergunte que uso foi validado e que usos ficam de fora. Mantenha as duas avaliações separadas, porque uma conclusão favorável numa delas não resolve automaticamente a outra.

Em suma: defina o objetivo, examine o método, exija uma validação ligada à tarefa e trate a privacidade como uma questão independente. Se as referências, os testes ou os pressupostos forem desconhecidos, registe essa incerteza. Esta cautela ajuda a distinguir uma propriedade documentada de uma expectativa e evita atribuir ao termo mais significado do que realmente tem.

Conceitos relacionados