¿Qué son los datos sintéticos?

Los datos sintéticos (en inglés, "Synthetic Data") son un método para, a partir de un conjunto de datos que queremos proteger pero que necesitamos compartir con terceros, generar un nuevo conjunto de datos que conserva las características informacionales del conjunto origen pero que no permite recomponer los datos originales a partir de los creados artificialmente.

Los datos sintéticos suponen una evolución de los métodos más comunes para compartir datos con terceros, cada uno de los cuales tiene sus desventajas particulares:

• La anonimización y pseudonimización, que consisten en eliminar o enmascarar las partes más sensibles de un conjunto de datos (como mínimo, los datos personales identificables). Hoy en día, está comúnmente aceptado que no son prácticas robustas para compartir datos, ya que es relativamente sencillo inferir los datos eliminados, fundamentalmente mediante el cruce con otros conjuntos de datos.

• La agregación de datos: en lugar de compartir los datos detallados, se crean datos "resumidos". Por ejemplo, un negocio retail que necesite compartir sus datos de ventas puede compartir las ventas agregadas por día y categoría de producto, en lugar de compartir un listado detallado de las compras de sus clientes. Si bien este enfoque puede ser válido para algunos usos concretos, no lo es para muchos otros, porque a medida que aumentamos la robustez de los datos compartidos mediante un mayor nivel de agregación, se reduce también su valor informacional (en el ejemplo anterior, perderíamos la posibilidad de analizar el comportamiento de nuestros distintos segmentos de cliente).

Existen otros mecanismos, más avanzados, que aseguran que las actividades de compartición de datos mantienen la privacidad de los usuarios a los que hacen referencia esos datos. Por ejemplo, ya he hablado por aquí de la privacidad diferencial.

Sin embargo, enfoques como la privacidad diferencial no son de aplicación en todos los casos. Es bueno, por tanto, que vayan surgiendo otros métodos que complementen nuestro abanico de posibilidades y, así, podamos elegir el más adecuado a nuestro caso actual. Además, es posible combinar ambos métodos: es posible generar datos sintéticos que cumplan con la definición de privacidad diferencial.

Qué problema resuelven los datos sintéticos

Mediante la generación de datos sintéticos, una organización puede hacer frente de manera más ágil a uno de sus principales retos de datos: compartir información con terceros para extraer valor de sus datos, pero siempre dentro de un marco de protección de la privacidad y de sus secretos de negocio.

Son innumerables los distintos casos en los que una organización puede necesitar compartir datos. Destacan las ocasiones en las que un tercero puede ayudarnos mediante el análisis avanzado de esos datos, ya sea porque cuenta con un expertise específico o, simplemente, porque se subcontratan esas actividades.

Este tipo de prácticas de compartición de datos suelen verse frenadas por tres motivos que están íntimamente relacionados entre sí:

• El temor de que al compartir datos insuficientemente anonimizados con terceros estemos incurriendo en un riesgo relacionado con la privacidad de nuestros clientes o empleados.

• La duda sobre si, al proporcionar datos que han sido agregados o despojados de información sensible, esos datos siguen representando la realidad como es debido y, por tanto, si su análisis va a ser certero y relevante.

• La lentitud y complejidad para poner en marcha cada proceso de entrega de datos a terceros, que resta agilidad a muchas iniciativas o incluso las vuelve inviables. Estos frenos son tanto procedimentales (procesos de aprobación eternos) como técnicos (sistemas de los que cuesta semanas o meses sacar los datos que necesitas).

La necesidad de este tipo de técnicas es más evidente cuando se comparten datos con terceros. Sin embargo, también resultan de utilidad cuando los datos se van a tratar internamente: por mucho control que se intente tener sobre los datos, tras un cierto tiempo es inevitable que haya multitud de ficheros descontrolados y desperdigados por ordenadores, servidores, y hasta servicios cloud de terceros.

Cómo se generan los datos sintéticos

Grosso modo, los datos sintéticos los genera un modelo de machine learning que ha sido previamente entrenado sobre los datos originales.

El entrenamiento del modelo tiene como objetivo identificar los patrones de actividad existentes en los datos, para poderlos reproducir. Es decir, el modelo ha de ser capaz de generar un nuevo conjunto de datos cuyas propiedades estadísticas sean iguales a las de los datos originales.

De hecho, el principal control de calidad que se debe realizar sobre un conjunto de datos sintéticos es comparar sus rasgos estadísticos con los del conjunto original: por ejemplo, las tablas de distribución de los valores de las variables más relevantes deben ser iguales o, también, dos features que eran codependientes en los datos de origen deben seguir siéndolo en los datos sintéticos. Queremos que los datos se comporten igual al ser analizados: si clusterizamos los datos originales y los sintéticos, los segmentos resultantes deberían ser idénticos, por ejemplo.

Este es un campo relativamente nuevo, así que el futuro nos traerá métodos más avanzados y eficaces de generar datos sintéticos. Sin embargo, ya hay implementaciones prácticas que alcanzan niveles de precisión elevados, como DoppelGANger, que usa redes generativas antagónicas (en inglés, Generative Adversarial Networks -GANs-). Aquí el paper que lo describe y aquí el código en GitHub, con datos de ejemplo.

Una nota de precaución y otra de optimismo

No hay que subestimar la dificultad de implementar correctamente métodos avanzados y novedosos como este.

Particular atención debemos prestarle a las tecnologías desarrolladas por terceros que plasman estos conceptos. No debemos hacer un ejercicio de confianza ciega, sino poner en duda los resultados hasta estar seguros de que son correctos. La pega es que, igual que ocurre con el concepto de privacidad diferencial, al generar datos sintéticos es complejo verificar que lo estamos haciendo correctamente. Requiere la participación de personas con una sólida base matemática y buena comprensión de estos métodos.

La sensación de seguridad de usar un método así de avanzado tiene que estar sustentada por una sólida comprensión y confianza en el proceso que se ha seguido, no por el hype.

No obstante, el valor que se puede lograr al adoptar un método de generación de datos sintéticos es tan grande que la dificultad de la tarea merece la pena.

Cuando hablamos de generación de datos sintéticos, hablamos de lograr que los científicos de datos puedan empezar a trabajar casi de inmediato, sin burocracias y sin esperas de semanas o meses, con unos datos que representan fielmente la realidad pero que, a su vez, no suponen riesgo para la privacidad o el negocio.

Llegar a ese punto puede cambiar radicalmente la capacidad para aprovechar los datos en la mayoría de organizaciones actuales.