Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

Dados Sintéticos

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Dados sintéticos são dados gerados por simulação, como as de world models, usados para treinar e testar sistemas de IA em cenários raros ou perigosos sem expor pessoas ou processos reais.

Treinar um sistema que age no mundo exige vê-lo errar, e em muitos domínios o erro real é inaceitável. Um world model que simula o ambiente e as consequências das ações produz, como subproduto, um fluxo de cenários previstos que podem alimentar treino e avaliação. Esses dados passam pela mesma preparação de dados que qualquer outra fonte, com a vantagem de cobrir situações que a coleta real raramente captura. É um dos principais motivos pelos quais essa tecnologia gera valor de negócio.

Onde a simulação substitui o risco real

  • Veículos autônomos e robótica: o modelo ensaia cenários de risco no trânsito sem pôr vidas em jogo e aprende qual seria a melhor ação. Simulações com múltiplos sensores marcam as ações possíveis de outros veículos e objetos, como uma porta de carro se abrindo, para planejar a rota.
  • Saúde e virologia: simulações projetam como uma carga viral pode se espalhar na natureza e afetar pessoas, sem expor ninguém. É provável que essas previsões combinem os dados simulados com uma base consultada via RAG, ancorando a simulação em conhecimento estabelecido.
  • Jogos e mundos interativos: ambientes inteiros gerados sob demanda de quem os explora.

No trânsito, um pipeline típico reconstrói a cena a partir de uma câmera, quadro a quadro, mantendo só o essencial: a pista, as marcações da via e os objetos que precisam ser desviados. A cena reduzida é mais útil para treinar do que a imagem crua.

Eficiência amostral

O benefício técnico central é aprender com poucas interações reais. Se o modelo erra dentro da simulação, precisa de menos tentativas erradas no mundo. Isso importa em qualquer contexto e se torna decisivo quando o erro tem custo alto.

Simular o ambiente de agentes autônomos

A mesma ideia se estende a agentes de IA que operam de forma contínua num projeto. Simular dinamicamente o ambiente com que vão interagir revela mais do que testá-los contra um mundo estático e mockado, com entradas e saídas conhecidas de antemão: a simulação faz surgir situações novas que o mock nunca apresentaria.