Dado sintético (IA)

O que é dado sintético na IA, em palavras simples?

Há três tipos que vale separar:

• Sintético controlado: gerado por simuladores, regras, modelos especializados ou processos com validação.
• Autorrecursivo: as respostas de um modelo são coletadas e usadas para treinar o mesmo modelo ou os sucessores dele.
• Misto: exemplos artificiais são acrescentados a dados reais, sem substituir o conjunto original.

• Casos raros: gerar exemplos de classes pouco representadas, cenários perigosos ou combinações difíceis de observar.
• Domínios controlados: simuladores para robótica, direção autônoma, visão computacional, testes de segurança e treinamento de agentes (IA que executa tarefas com ferramentas).
• Ajuste fino: modelos maiores geram perguntas, respostas e explicações para ajustar modelos menores. Isso reduz o trabalho de anotação humana, mas os erros, vieses e lacunas do modelo gerador passam para o modelo treinado.
• Privacidade em dados tabulares: empresas usam dados sintéticos para criar protótipos e compartilhar conjuntos de dados quando expor registros reais seria inadequado.

O que é colapso de modelo e por que ele aparece junto com dado sintético?

Colapso de modelo (model collapse) é a piora progressiva de um modelo generativo treinado várias vezes sobre dados sintéticos, sobretudo sobre as próprias saídas. Os estudos descrevem perda de diversidade, menos cobertura de casos raros, erosão das "caudas" da distribuição (os casos menos frequentes) e pior generalização.

O mecanismo, de forma intuitiva:

1. O modelo original não reproduz os dados reais com perfeição. 2. Os erros e omissões dele entram no novo conjunto de treinamento. 3. O modelo seguinte aprende uma versão mais estreita ou distorcida. 4. Essa nova geração produz dados ainda menos representativos. 5. A distorção se acumula de geração em geração.

Um preprint de pesquisadores da University of Notre Dame, da Vanderbilt University e da University of Pennsylvania mostra o efeito no detalhe. No ajuste por instruções repetido, o dado sintético melhorou habilidades que o modelo já dominava. As habilidades fracas, porém, ficaram ainda mais fracas.

• O AI Index 2026, de Stanford HAI, registra que estudos anteriores encontraram colapso quando dados reais foram substituídos por sintéticos. Resultados mais recentes indicam que o colapso pode ser evitado quando os dados reais continuam presentes. Simplesmente acrescentar mais dados, porém, não garante ganho. O relatório também afirma que ainda não há evidência definitiva de que dados sintéticos compensem por completo a falta de dados reais no pré-treinamento.
• Um trabalho da ICLR 2026, atualizado em 28 de maio de 2026, concluiu que um verificador externo (uma pessoa ou um modelo melhor) pode evitar o colapso em um cenário teórico de regressão linear. Os ganhos podem estabilizar ou se inverter se o verificador não for confiável.
• Um trabalho dos Proceedings of NeurIPS 2026, de 8 de outubro de 2026, mostrou que acumular dados sintéticos junto com os originais pode evitar o colapso sob certas hipóteses. Sem elas, o colapso pode ocorrer rápido mesmo com dados reais no conjunto.
• Um artigo de 29 de setembro de 2026 estudou o "replay", a volta das saídas antigas do gerador ao treinamento. Limpeza de dados, marca d'água e filtragem ajudam, mas falham em certas condições.
• Um trabalho publicado na Nature em 31 de outubro de 2026 avaliou uma técnica chamada Truncated Cross-Entropy. Ela ignora certos tokens de alta confiança durante o treinamento. A técnica atrasou o início do colapso, mas não prova que o risco desapareça.

Até novembro de 2026, nenhuma fonte sustenta que algum modelo ou ferramenta esteja imune ao colapso.

Quais são as confusões mais comuns sobre dado sintético?

• "Sintético quer dizer anônimo." Não necessariamente. A proteção depende do método de geração, de testes contra reidentificação e de controles de acesso.
• "Todo dado sintético causa colapso." Não. O risco cresce quando há substituição de dados reais, treinamento recursivo, falta de filtragem e ausência de informação externa independente. Misturar dados sintéticos com reais, com controle, é o caminho que a literatura de 2026 favorece.
• "Mais dado sintético sempre melhora o modelo." O AI Index 2026 registra que acrescentar mais dados não garante ganho de desempenho.
• "Se passou no teste, está bom." Uma avaliação feita só com dados sintéticos pode esconder a piora. O recomendado é medir em dados reais mantidos fora do treinamento.

Ajuda separar três perguntas diferentes:

• O dado é sintético? Isso descreve a origem dele.
• O dado é representativo? Isso exige medir cobertura, diversidade e qualidade.
• O dado é privado e seguro? Isso exige testes próprios de reidentificação e de exposição.