O que são Dados Sintéticos?
Dados sintéticos, também chamados de synthetic data, são registros criados por algoritmos que imitam as propriedades estatísticas de dados reais. Um modelo aprende a distribuição de um conjunto original e gera novos exemplos que preservam padrões sem corresponder a nenhuma pessoa, transação ou evento existente.
A técnica ganhou espaço porque dados reais têm limites práticos. Bases boas custam caro, demoram a ser coletadas e carregam informação pessoal protegida pela LGPD. No universo de LLM, os dados sintéticos aparecem no ajuste de modelos e na avaliação de sistemas de RAG antes da produção.
Como funciona na prática?
A geração de dados sintéticos segue etapas previsíveis.
- A equipe define o esquema desejado: campos, tipos, faixas de valores e relações entre variáveis.
- Um modelo aprende a distribuição de uma amostra real ou recebe regras explícitas de negócio.
- O gerador produz novos registros dentro dessa distribuição, em qualquer volume.
- Uma validação compara distribuições, correlações e casos extremos com o conjunto real.
- O conjunto entra em treino, teste ou simulação, sempre marcado como artificial.
O risco central está na etapa 4. Quando a validação falha, o modelo treinado aprende padrões que não existem fora do laboratório.
Exemplos de uso
- Uma fintech testa um motor antifraude sem expor CPFs. A equipe gera 200 mil transações sintéticas com valores entre R$ 15 e R$ 8.000 e injeta padrões fraudulentos controlados para medir a taxa de detecção.
- Um time cria 500 perguntas sintéticas sobre seu produto para avaliar o que a busca semântica interna devolve. Respostas erradas indicam falha no chunking de conteúdo.
Erros comuns
- Tratar dado sintético como equivalente ao real em decisões de negócio. O conjunto reproduz padrões conhecidos e ignora o que a amostra original não capturou.
- Pular a validação estatística e aceitar o conjunto porque parece plausível na inspeção visual.
- Treinar modelos em cadeia com saídas de outros modelos, o que amplifica vieses e aproxima o sistema da alucinação de IA.
- Assumir anonimização automática. Geradores mal calibrados reproduzem registros do conjunto original quase intactos.
Perguntas frequentes sobre Dados Sintéticos
Dados sintéticos violam a LGPD?
Dados sintéticos bem gerados não contêm informação de pessoa identificável e ficam fora do escopo da LGPD. O cuidado está na geração: se o modelo memorizar e reproduzir registros reais da base de origem, o resultado deixa de ser anônimo e volta a ser dado pessoal.
Dados sintéticos substituem dados reais?
Dados sintéticos complementam dados reais em treino, teste e simulação. A validação final de qualquer modelo precisa acontecer contra dados reais, porque o conjunto artificial só reproduz padrões que já estavam presentes na amostra de origem.
Como saber se um conjunto sintético tem qualidade?
Compare distribuições de cada variável, correlações e presença de casos extremos com o conjunto real. Depois treine o mesmo modelo nas duas bases e compare o desempenho em um conjunto de teste real. Diferenças grandes indicam geração deficiente.