Generación de Datos Sintéticos para IA Basada en Agentes

El entrenamiento de sistemas basados en agentes especializados requiere conjuntos de datos extensos y de alta calidad que a menudo son escasos, aislados o sensibles. Los datos sintéticos eliminan este cuello de botella al crear diversos conjuntos de datos a escala para cualquier dominio a fin de acelerar el desarrollo de agentes de IA.

Los datos sintéticos pueden ayudar a resolver desafíos como:

• Escasez de datos: los conjuntos de datos específicos de dominio suelen ser limitados o no están disponibles.
• Preocupaciones de seguridad: Los datos internos a menudo son demasiado confidenciales para compartirlos externamente.
• Costo y tiempo: La recopilación y el etiquetado manuales de datos son costosos, lentos y propensos a sesgos.

Requisitos complejos: grandes modelos de lenguaje (LLM) de razonamiento, sistemas de múltiples agentes y asistentes de IA multimodales requieren grandes volúmenes de datos de entrenamiento para ser útiles y autónomos.

“Para 2026, el 75% de las empresas usará IA generativa para crear datos sintéticos de clientes, en comparación con menos del 5% en 2023.”

Gartner®, Más de 100 Predicciones de Datos, Análisis e IA Hasta 2030 por Sarah James, Alan D. Duncan, 2 de mayo de 2025
GARTNER es una marca comercial y de servicio registrada de Gartner, Inc. o sus filiales en los Estados Unidos e internacionalmente, y se usa aquí con permiso. Todos los derechos reservados.

Los modelos de IA basada en agentes permiten a los sistemas autónomos razonar, planificar y tomar acciones basadas en objetivos en entornos digitales y del mundo real. Los datos sintéticos basados en texto son fundamentales para entrenar y evaluar estos modelos de manera segura, eficiente y a escala.

La IA generativa se puede usar para crear datos para conversaciones de alta calidad, capturar lenguaje específico de dominio, variaciones de intención y casos de edge poco frecuentes, lo que supera las limitaciones de las escasas transcripciones del mundo real. Al enriquecer los datos de entrenamiento con diálogos personalizados, la IA conversacional mejora en cuanto a exactitud, adaptabilidad y capacidad de manejar interacciones matizadas y de múltiples pasos.

Los conjuntos de datos de evaluación y referencia específicos, como los pares de preguntas y respuestas específicos de dominio, se pueden usar para medir y mejorar el desempeño de sistemas de generación aumentada por recuperación (RAG). La comparación paralela de múltiples modelos en el mismo caso de uso garantiza una evaluación consistente y justa y una selección de modelos informada.

Los dominios de bajos recursos, como los lenguajes de codificación privados o los lenguajes subrepresentados, se benefician en gran medida de los datos de texto sintéticos realistas y complejos, lo que mejora el razonamiento, la precisión y el desempeño general de los modelos de IA.

NeMo Safe Synthesizer crea versiones seguras para la privacidad de datos confidenciales con configuraciones por defecto diseñadas para cumplir con regulaciones de privacidad de datos como HIPAA y el GDPR, lo que proporciona un acceso perfecto a datos médicos sintéticos sin restricciones regulatorias ni de privacidad, lo que permite compartir un vasto conocimiento tanto interna como externamente.

Diseñe conjuntos de datos de documentos sintéticos de alta fidelidad para el entrenamiento de modelos de IA a gran escala en la validación de formularios de impuestos, documentos legales, aprobaciones de hipotecas y otras aplicaciones de datos estructurados. 

Configure los modelos que desea usar para la Generación de Datos Sintéticos (SDG): conecte y personalice los modelos que impulsan sus conjuntos de datos sintéticos en NeMo Data Designer. Puede usar alias de modelos para facilitar la referencia y ajustar los parámetros de inferencia a fin de obtener la calidad y el estilo de salida que necesita.

Configure los conjuntos de datos semilla que desea usar para diversificar su conjunto de datos: la forma más efectiva de generar datos sintéticos que coincidan con su dominio específico es insertando sus conjuntos de datos existentes (del mundo real) en el proceso de SDG. Al proporcionar datos reales como base, usted puede dirigir el proceso de generación para garantizar que los datos sintéticos mantengan los mismos patrones, distribuciones y características que sus datos reales.

Configurar las columnas que desea usar para diversificar su conjunto de datos: diseñe la estructura y el contenido de sus conjuntos de datos sintéticos definiendo columnas que trabajan juntas para producir datos realistas y de alta calidad. Las columnas son los componentes fundamentales que determinan qué datos se generarán y cómo estarán estructurados.

Configure sus columnas generadas por LLM con solicitudes y salidas estructuradas: diseñe la estructura y el contenido de sus conjuntos de datos sintéticos definiendo columnas que trabajen juntas para producir datos realistas. Las columnas son los componentes fundamentales que determinan qué datos se generarán y cómo estarán estructurados. Data Designer le brinda poderosas capacidades para generar datos estructurados con esquemas definidos por el usuario.

Obtenga vista previa de su conjunto de datos e itere en su configuración: genere una pequeña muestra para la validación. Refine su diseño en función de los resultados de la vista previa.

Genere datos a escala. Una vez que su diseño cumpla con sus requisitos, puede escalar para crear un conjunto de datos completo.

Evalúe la calidad de sus datos: garantice la generación de datos sintéticos de alta calidad con herramientas integrales de validación y evaluación en NeMo Data Designer. Valide el código generado para verificar si es correcto y evalúe la calidad general de los datos mediante métricas automatizadas y jueces basados en LLM.