Os dados sintéticos são exemplos gerados de forma artificial, normalmente através de algoritmos ou modelos de IA, em vez de serem recolhidos do mundo real. Podem imitar as propriedades estatísticas de um conjunto de dados autêntico ou ser criados do zero para cobrir situações concretas, e são utilizados para treinar, validar ou ampliar modelos de aprendizagem automática.
A sua importância cresceu por várias razões práticas:
- Privacidade: permitem trabalhar sem expor dados pessoais reais, o que é útil na saúde ou nas finanças.
- Escassez: cobrem casos raros ou difíceis de obter, como falhas pouco frequentes ou situações perigosas.
- Custo: resultam mais baratos do que recolher e etiquetar grandes volumes de informação real.
Um exemplo habitual é a utilização de simuladores para treinar carros autónomos com milhões de quilómetros virtuais. Convém ter uma nuance presente: se os dados sintéticos não refletirem bem a realidade, o modelo aprenderá padrões enganadores. Por isso, costumam ser combinados com dados reais e validados cuidadosamente para evitar enviesamentos ou um desempenho que apenas funcione "no papel".