Durante nuestros debates para esta edición del Radar, surgieron varias herramientas y aplicaciones para la generación de datos sintéticos. A medida que las herramientas van madurando, hemos comprobado que el uso de datos sintéticos para modelos de prueba es una técnica potente y ampliamente útil. Aunque no pretenden sustituir a los datos reales a la hora de validar el poder de discriminación de los modelos de aprendizaje automático, los datos sintéticos pueden utilizarse en diversas situaciones. Por ejemplo, pueden usarse para evitar fallos catastróficos de los modelos en respuesta a sucesos que ocurren de forma excepcional o para testear las pipelines de datos sin exponer información personal identificable. Los datos sintéticos también son útiles para explorar casos límite que carecen de datos reales o para identificar el sesgo del modelo. Algunas herramientas útiles para generar datos son Faker o Synth, que generan datos que se ajustan a las propiedades estadísticas deseadas y herramientas como Synthetic Data Vault que pueden generar datos que imitan las propiedades de un conjunto de datos de referencia.
