Cómo los datos sintéticos impulsarán los sistemas de visión artificial en 2025

28 de junio de 2025

COMPARTIR TAMBIÉN

La tecnología de sistemas de visión artificial con datos sintéticos transformará la forma en que las organizaciones entrenan e implementan sistemas de visión artificial en 2025. La generación automatizada de datos sintéticos permite un escalado rápido, reduce el sesgo y protege la privacidad, a la vez que ofrece anotaciones de alta calidad. Las empresas ya no dependen del costoso etiquetado manual de datos, que antes consumía más del 90 % de los recursos del proyecto. Proyectos recientes, como el entrenamiento de vehículos autónomos y la investigación en el sector sanitario, demuestran que los modelos de sistemas de visión artificial con datos sintéticos pueden superar a los entrenados únicamente con datos reales. Los ingenieros ahora crean miles de muestras de datos diversas al instante, lo que permite que los sistemas de visión artificial se adapten rápidamente a los nuevos desafíos.

Puntos clave

Los datos sintéticos ayudan a crear conjuntos de datos grandes y diversos de forma rápida y económica, acelerando entrenamiento en visión artificial.
El uso de datos sintéticos reduce el sesgo y protege la privacidad al evitar información personal real.
La combinación de datos sintéticos y reales mejora la precisión y hace que los sistemas de visión artificial sean más confiables.
Los datos sintéticos proporcionan etiquetas precisas automáticamente, lo que mejora la calidad y la adaptabilidad de los modelos de IA.
Industrias como la automotriz, la atención médica y la manufactura se benefician de los datos sintéticos para construir sistemas de visión más seguros e inteligentes.

Datos sintéticos en sistemas de visión artificial

¿Qué son los datos sintéticos?

Los datos sintéticos se refieren a la información que generan los modelos de inteligencia artificial para imitar datos del mundo real. Los expertos los describen como puntos de datos creados por modelos, no por humanos ni por observación directa. En visión artificial, la generación de datos sintéticos utiliza técnicas avanzadas como redes generativas antagónicas (GAN) y autocodificadores variacionales (VAE). Estos modelos aprenden patrones de conjuntos de datos reales y luego producen nuevos ejemplos artificiales. La tecnología de sistemas de visión artificial con datos sintéticos se basa en este proceso para crear imágenes, videos y lecturas de sensores que se ven y se comportan como datos reales. Este enfoque permite a los ingenieros simular eventos inusuales, escenarios peligrosos o situaciones que comprometen la privacidad sin recopilar datos reales sobre el terreno.

Los conjuntos de datos sintéticos desempeñan un papel crucial en el entrenamiento de modelos de visión artificial. Por ejemplo, en vehículos autónomos, la generación de datos sintéticos puede simular miles de condiciones de conducción, patrones meteorológicos y peligros en la carretera. Este método ayuda a los sistemas de visión artificial a reconocer objetos, evitar obstáculos y tomar decisiones seguras. Los datos sintéticos también son compatibles con aplicaciones en los sectores de la salud, la fabricación y la robótica, donde la recopilación de datos reales puede resultar costosa, arriesgada o lenta.

Por qué es importante en 2025

En 2025, las soluciones de sistemas de visión artificial con datos sintéticos se volverán esenciales para construir aplicaciones de visión artificial confiables y escalables. Generación de datos sintéticos aborda varios desafíos clave:

Permite la creación de conjuntos de datos grandes y diversos para entrenar sistemas de visión artificial, incluso cuando los datos reales son escasos.
Reduce el sesgo al generar muestras equilibradas en diferentes grupos demográficos y escenarios.
Protege la privacidad mediante el uso de caras u objetos artificiales en lugar de personas reales o información confidencial.
Mejora la calidad de la anotación porque cada muestra sintética viene con etiquetas precisas generadas programáticamente.

La generación de datos sintéticos también ahorra tiempo y recursos al automatizar el proceso de etiquetado, que antes requería un gran esfuerzo manual.

El impacto de los datos sintéticos en los sistemas de visión artificial es evidente. La siguiente tabla muestra cómo la combinación de datos reales y sintéticos mejora las métricas clave de rendimiento:

Métrico	Solo datos reales	Datos reales + sintéticos
Exactitud	0.57	0.60
Precisión	77.46%	82.56%
Recordar	58.06%	61.71%
Precisión media media	64.50%	70.37%
Puntuación F1	0.662	0.705

Los conjuntos de datos sintéticos ahora impulsan Visión artificial en industrias como la automotriz, la salud y la manufactura. Los sistemas de visión artificial entrenados con datos sintéticos pueden gestionar eventos inusuales, mejorar la seguridad y adaptarse a nuevos desafíos con mayor rapidez que nunca. La generación de datos sintéticos ha transformado la forma en que las organizaciones abordan la recopilación de datos, haciendo que la visión artificial sea más accesible, precisa y segura.

Beneficios clave de los datos sintéticos

Escalabilidad y costo

Datos sintéticos Ha transformado la forma en que las organizaciones abordan los proyectos de visión artificial. La recopilación tradicional de datos suele limitar los sistemas de visión artificial debido a los altos costos y la lentitud de los procesos. La generación de datos sintéticos elimina estas barreras al permitir la creación de conjuntos de datos vastos y diversos en una fracción de tiempo. Los ingenieros ahora pueden generar millones de imágenes etiquetadas para tareas de detección de objetos, segmentación y segmentación de imágenes sin necesidad de anotación manual.

Un sistema de visión artificial con datos sintéticos puede escalar instantáneamente para satisfacer nuevas demandas. Esta flexibilidad facilita la creación rápida de prototipos y la implementación de modelos de aprendizaje automático. Empresas como Unity han reportado ahorros de hasta el 95 % en tiempo y dinero, a la vez que mejoran la calidad de los modelos. La siguiente tabla destaca los éxitos documentados y los impactos cuantitativos:

Éxito/Beneficio documentado	Descripción	Impacto cuantitativo
Uso de datos sintéticos de Unity	Ahorré aproximadamente el 95% en tiempo y dinero al crear mejores modelos	~95% de ahorro de tiempo y costes
Carritos de compra inteligentes de Caper	Se logró una precisión de reconocimiento del 99% utilizando imágenes sintéticas	Precisión de reconocimiento del 99%
Reducción de costos de recopilación de datos	La generación de datos sintéticos reduce los costos en aproximadamente un 40%	Reducción de costes del 40%
Velocidad de desarrollo de la IA	Los conjuntos de datos sintéticos pueden acelerar los plazos de desarrollo hasta en un 40 %	Desarrollo 40% más rápido

Los informes del sector muestran que los datos sintéticos ofrecen ahorros de hasta el 99 % en comparación con los métodos tradicionales. Los ingenieros de control de calidad ahorran casi la mitad de su tiempo, y el mercado de datos sintéticos está en rápido crecimiento. Los sistemas de visión artificial ahora pueden superar las limitaciones de los datos reales, lo que facilita el entrenamiento y la implementación de IA a gran escala.

Sesgo y privacidad

El sesgo y la privacidad siguen siendo preocupaciones importantes en la visión artificial. Los datos sintéticos abordan estos desafíos al permitir a los ingenieros controlar la composición de los conjuntos de datos. Permiten generar muestras equilibradas que representan diferentes grupos demográficos, entornos y escenarios inusuales. Este enfoque ayuda a reducir el sesgo en los modelos de IA y garantiza resultados más justos.

Los datos sintéticos evitan el uso de datos sensibles del mundo real, lo que protege la privacidad.
Permite la creación de diversos conjuntos de datos, mejorando la robustez del modelo y reduciendo el sesgo.
El etiquetado automatizado mejora la precisión y la eficiencia en el entrenamiento de IA.
Los datos sintéticos respaldan el cumplimiento de las regulaciones de privacidad como HIPAA y GDPR.
Técnicas como el análisis de privacidad diferencial y el análisis de riesgo de privacidad protegen aún más los conjuntos de datos sintéticos.

La generación de datos sintéticos permite a las organizaciones enmascarar o eliminar identificadores personales. Este proceso elimina los riesgos asociados con la información confidencial. Estudios demuestran que los datos sintéticos pueden reducir el sesgo en los modelos de IA hasta en un 15 %. Además, ayuda a las organizaciones a cumplir con estrictos estándares de privacidad mientras entrenan sistemas de visión artificial eficaces.

Anotación y adaptabilidad

La anotación precisa es fundamental para sistemas de visión artificial, especialmente en la detección de objetos, la segmentación y la segmentación de imágenes. Los datos sintéticos proporcionan etiquetas generadas programáticamente, lo que garantiza una alta calidad de anotación. Este proceso elimina el error humano y acelera la creación de conjuntos de datos.

Las métricas de control de calidad, como la especificidad, la coherencia y la solubilidad, ayudan a validar los conjuntos de datos sintéticos. Las métricas automatizadas, como la exactitud, la precisión, la recuperación y la puntuación F1, confirman que los datos sintéticos igualan o superan la calidad de los datos reales. Los algoritmos de consenso y acuerdo entre anotadores mejoran aún más la fiabilidad.

Las métricas intrínsecas y la evaluación en contexto filtran los datos sintéticos de baja calidad.
Los conjuntos de datos sintéticos de alta calidad permiten ajustar los modelos de aprendizaje automático para lograr una adaptabilidad en tiempo real.
Las comprobaciones manuales y automatizadas garantizan anotaciones consistentes y fiables.

Los sistemas de visión artificial se benefician de esta adaptabilidad. Los ingenieros pueden actualizar los conjuntos de datos rápidamente para reflejar nuevas condiciones o requisitos. Esta flexibilidad facilita el control de calidad en tiempo real y la mejora continua de los modelos de IA. La generación de datos sintéticos permite a las organizaciones mantener altos estándares de anotación y responder rápidamente a las necesidades cambiantes.

Métodos de generación de datos sintéticos

Los métodos de generación de datos sintéticos han avanzado rápidamente, proporcionando conjuntos de datos de alta calidad para visión artificial. Cada enfoque ofrece ventajas únicas para los modelos de IA y la generación de datos.

GAN y técnicas de IA

Redes generativas antagónicas Las GAN y otras técnicas de IA lideran el campo de la generación de datos sintéticos. Las GAN utilizan dos redes neuronales que compiten para crear datos realistas. Los investigadores han desarrollado modelos avanzados como EMR-WGAN, que pueden generar conjuntos de datos complejos para historiales médicos electrónicos. Estos métodos ayudan a preservar la privacidad y a mejorar el entrenamiento de la IA. La generación de datos basada en GAN puede gestionar escenarios tanto condicionales como incondicionales, lo que la hace flexible para diversas aplicaciones. Los estudios demuestran que las GAN producen datos sintéticos que se asemejan estrechamente a los datos del mundo real, con solo pequeñas diferencias en la representación de subgrupos y condiciones poco frecuentes. Sin embargo, la calidad de los datos generados depende del proceso de entrenamiento y de los datos originales utilizados.

Simulación

La simulación 3D utiliza modelos basados en la física para crear datos sintéticos que imitan entornos reales. Los ingenieros utilizan herramientas como Ansys AVxcelerate y NVIDIA DRIVE Sim para crear mundos virtuales y generar datos. Estas simulaciones pueden generar imágenes, mapas de profundidad y datos de sensores bajo diferentes condiciones de iluminación y clima. Los estudios basados en simulación destacan la precisión y el control que ofrece la simulación 3D. Este método permite que los modelos de IA se entrenen de forma segura en millones de escenarios. Es especialmente útil para aplicaciones como la conducción autónoma y la robótica, donde la precisión es crucial. La simulación 3D destaca por replicar las condiciones del mundo real, lo que la convierte en una potente herramienta para la generación de datos sintéticos.

Aleatorización de dominio

Aleatorización de dominios Introduce variedad en datos sintéticos modificando texturas, formas, iluminación y ángulos de cámara. Los ingenieros utilizan este método para exponer los modelos de IA a una amplia gama de escenarios durante la generación de datos. Estudios de caso demuestran que la aleatorización de dominios mejora la precisión y la robustez del modelo. Por ejemplo, las tareas de agarre robótico alcanzaron hasta un 80 % de éxito al entrenarse con imágenes sintéticas aleatorias. La estimación de la postura humana y el reconocimiento facial también se benefician de este enfoque. La aleatorización de dominios ayuda a reducir la brecha entre los datos sintéticos y los reales, lo que facilita una mejor generalización en los modelos de IA.

Nota: Si bien los métodos de generación de datos sintéticos ofrecen resultados sólidos, los expertos recomiendan combinar datos sintéticos y reales para obtener los mejores resultados. Los datos sintéticos pueden aproximarse bastante a los datos del mundo real, pero podrían no capturar completamente eventos inusuales o relaciones complejas.

Solicitudes en 2025

Visión artificial industrial

Los sistemas de visión artificial industrial en 2025 se basan en datos sintéticos para mejorar la detección de defectos, el control de calidad y la supervisión de las líneas de montaje. Los fabricantes utilizan la visión artificial para... inspeccionar productos A alta velocidad, identificando defectos que el ojo humano podría pasar por alto. Los datos sintéticos permiten a los ingenieros crear millones de imágenes etiquetadas para tareas de detección y segmentación de objetos, incluso cuando las muestras reales son escasas. Al combinar datos sintéticos y reales, las empresas logran mayor precisión en sus sistemas de visión artificial. El siguiente gráfico muestra cómo mejora el rendimiento al utilizar ambos tipos de datos:

Los fabricantes reportan una reducción del 47% en los costos de adquisición de datos y pueden escalar el volumen de datos de prueba en más del 1,000%. Estos avances hacen que las aplicaciones de visión artificial sean más confiables y rentables para industrias de todo el mundo.

Automatización y Robótica

La automatización y la robótica se benefician de los datos sintéticos al permitir el entrenamiento rápido de modelos de detección de objetos y segmentación de imágenes. Los vehículos autónomos utilizan datos sintéticos para simular miles de escenarios de conducción, incluyendo eventos inusuales y casos extremos. Los equipos de robótica aplican la técnica 3D Gaussian Splatting para generar conjuntos de datos diversos y anotados para entornos dinámicos. Este método mejora la generalización de los modelos y facilita la adaptación en tiempo real en tareas como el fútbol robótico o la automatización de almacenes. El entrenamiento híbrido, que combina datos sintéticos y reales, permite obtener puntuaciones Dice más altas en tareas de detección y segmentación, lo que resulta esencial para sistemas de visión artificial robustos.

Modelo	Tipo de datos de entrenamiento	Task	Puntuación de dados (datos de prueba reales)
4	Híbrido (sintético + real)	Detección	0.954
4	Híbrido (sintético + real)	Segmentación	0.920

Los automóviles autónomos y los robots industriales ahora se adaptan rápidamente a nuevos desafíos, gracias a la visión artificial basada en datos sintéticos.

Atención sanitaria y comercio minorista

Los sectores de la salud y el comercio minorista utilizan datos sintéticos para superar los desafíos de privacidad y escasez de datos. En el ámbito de la salud, los datos sintéticos simulan historiales médicos electrónicos para el diagnóstico con IA y la investigación de enfermedades raras. Los sistemas de visión artificial entrenados con datos sintéticos alcanzan una precisión similar a la de los que utilizan datos reales, lo que facilita un diagnóstico seguro y eficaz. Los comercios minoristas utilizan datos sintéticos para crear perfiles de clientes, optimizar el inventario y entrenar motores de recomendación, protegiendo al mismo tiempo la privacidad.

Los datos sintéticos aumentan los conjuntos de datos con escenarios poco comunes, lo que reduce el sesgo y mejora la solidez del modelo.
Las aplicaciones de visión artificial en los sectores de la salud y el comercio minorista se benefician de datos escalables, diversos y que respetan la privacidad.

El mercado global de datos sintéticos se está expandiendo rápidamente, con proyecciones que estiman un crecimiento de $2 mil millones en 2025 a más de $10 mil millones para 2033. Las principales empresas tecnológicas y startups continúan invirtiendo en plataformas de datos sintéticos, impulsando la innovación en todos los sectores.

Datos sintéticos vs. datos reales

Fortalezas y Limitaciones

Los datos sintéticos ofrecen varias ventajas Para el entrenamiento de IA y los modelos de aprendizaje automático. Ofrece protección de la privacidad, rentabilidad y escalabilidad. Las organizaciones utilizan datos sintéticos para cubrir las necesidades cuando los datos reales son escasos o sensibles. La generación de datos sintéticos permite a los equipos crear diversos conjuntos de datos rápidamente, lo que facilita el desarrollo rápido de modelos de IA.

Sin embargo, persisten los desafíos de los datos sintéticos. Estos pueden carecer del realismo de los datos reales y, en ocasiones, presentan dificultades para capturar relaciones complejas. La validación puede ser difícil y la diversidad puede verse limitada si el proceso de generación de datos no se gestiona con cuidado. Los datos reales ofrecen mayor precisión y perspectivas más amplias, cruciales para los modelos que deben gestionar las complejidades del mundo real. Sin embargo, los datos reales suelen conllevar altos costos, problemas de privacidad y riesgos de sesgo.

Ventajas de los datos sintéticos	Limitaciones de los datos sintéticos	Fortalezas de los datos reales	Limitaciones de los datos reales
Preservación de la privacidad	Menos realismo	Alta precisión	Alto costo
Rentabilidad	Desafíos de validación	Perspectivas amplias	Problemas relativos a la privacidad
Análisis escalable	Diversidad limitada	Complejidad del mundo real	Riesgo de sesgo
Rellena los vacíos de datos	Es difícil capturar la complejidad		Adquisición difícil

Nota: Las técnicas de validación, como las pruebas de hipótesis estadísticas y la inspección visual, ayudan a garantizar la calidad de los datos sintéticos.

Enfoques híbridos

Los enfoques híbridos combinan datos sintéticos Con datos reales para mejorar el rendimiento del modelo de IA. Esta estrategia aprovecha las fortalezas de ambos tipos de datos. Los modelos de IA entrenados de forma híbrida superan a los entrenados únicamente con datos reales o sintéticos. Estos modelos muestran puntuaciones más altas en empatía, relevancia y consistencia. Por ejemplo, los modelos híbridos obtuvieron una puntuación de 8.64 en empatía y 8.66 en relevancia, superando a los modelos entrenados únicamente con datos reales.

Los conjuntos de datos híbridos enriquecen la capacitación al cubrir casos extremos y escenarios específicos.
Los datos reales aportan autenticidad, mientras que los datos sintéticos aumentan la diversidad y el volumen.
Los enfoques híbridos favorecen el aprendizaje por transferencia, lo que permite que los modelos de IA se generalicen mejor en todas las tareas.

Los conjuntos de datos híbridos también ayudan a abordar los desafíos de los datos sintéticos, como la falta de realismo y la diversidad limitada. Este método genera modelos de aprendizaje automático más robustos y fiables.

Superando retos

Las organizaciones se enfrentan a diversos desafíos relacionados con los datos sintéticos, como garantizar su calidad y evitar sesgos. Los equipos deben validar los datos sintéticos con distribuciones reales mediante pruebas estadísticas y herramientas visuales. La transparencia en el proceso de generación de datos genera confianza y mejora la interpretabilidad.

Comience con datos reales de alta calidad para guiar la generación de datos sintéticos.
Utilice datos sintéticos para equilibrar distribuciones de clases y reducir el sesgo en los modelos de IA.
Actualice periódicamente los conjuntos de datos sintéticos para reflejar los cambios en los datos del mundo real.
Aplicar el aprendizaje por transferencia para adaptar modelos de IA entrenados con datos sintéticos a nuevos dominios.
Priorizar la ética y la privacidad de los datos para evitar el uso indebido o la propagación de sesgos.

Al seguir estas estrategias, las organizaciones pueden superar los desafíos de los datos sintéticos y liberar todo el potencial de la IA en los sistemas de visión artificial.

Tendencias futuras

Avances en IA generativa

La IA generativa continúa transformando la generación de datos sintéticos para sistemas de visión artificial. Las empresas ahora utilizan modelos avanzados como GAN, VAE y modelos de difusión Para crear datos sintéticos hiperrealistas. Estos modelos ayudan a sectores como la salud y las finanzas a proteger la privacidad y a mejorar la calidad de los datos. Por ejemplo, las empresas farmacéuticas generan historiales clínicos sintéticos de pacientes para probar nuevos medicamentos sin exponer información real de los pacientes.

AI-powered Las herramientas de aumento de datos utilizan estos modelos para expandir los conjuntos de datos, lo que robustece los sistemas de visión artificial. Las empresas de comercio electrónico generan perfiles sintéticos de clientes para mejorar las recomendaciones de productos. Los modelos de transformadores también desempeñan un papel clave al descubrir nuevas características a partir de los datos de los sensores, lo que ayuda a las empresas manufactureras a predecir fallos en los equipos. Síntesis de datos multimodales Combina imágenes, texto, audio y datos de sensores, creando conjuntos de datos más completos para vehículos autónomos y robótica.

Nota: La generación de datos explicables y controlables ahora es posible con GAN condicionales y VAE. Las instituciones financieras utilizan estas herramientas para crear solicitudes de préstamo sintéticas con puntajes crediticios específicos, lo que mejora la evaluación de riesgos.

La siguiente tabla muestra el crecimiento proyectado de las tecnologías clave que impulsan los datos sintéticos en la visión artificial:

Tecnología	Proyección del mercado (año)	TACC (%)	Impacto clave en las aplicaciones de datos sintéticos en sistemas de visión artificial
IA generativa (GAN)	$20.9 mil millones (2024) a $136.7 mil millones (2030)	36.7	Mejora la generación de datos sintéticos para el entrenamiento, mejorando la precisión del modelo y la diversidad de datos.
Aprendizaje auto-supervisado	$7.5 mil millones (2021) a $126.8 mil millones (2031)	33.1	Reduce la dependencia de datos etiquetados hasta en un 80%, facilitando el uso de datos sintéticos.
Transformadores de visión (ViT)	$280.75 millones (2024) a $2,783.66 millones (2032)	33.2	Mejora la detección y segmentación de objetos, beneficiándose del aumento de datos sintéticos.

Regulación y Adopción

Las tendencias de regulación y adopción definen el futuro de los datos sintéticos en la visión artificial. Leyes de privacidad como HIPAA y GDPR impulsan a las organizaciones a utilizar datos sintéticos en lugar de información personal real. Las empresas adoptan técnicas que preservan la privacidad, como el aprendizaje federado y la privacidad diferencial, para cumplir con estos requisitos.

Industrias como la manufactura, la salud, la industria aeroespacial y los sistemas autónomos son pioneras en la adopción de datos sintéticos. Los modelos basados en IA y las técnicas de simulación ayudan a detectar defectos poco frecuentes y a mejorar la fiabilidad. Los modelos de aprendizaje autosupervisado aprenden de datos sin etiquetar, lo que aumenta la adaptabilidad de los sistemas. Los marcos basados en transformadores aumentan la precisión y reducen los errores en la detección de eventos poco frecuentes.

Los datos sintéticos ayudan a resolver el problema de la cola larga generando conjuntos de datos diversos.
La ingeniería de características automatizada y la síntesis multimodal impulsan la innovación.
La adopción de estas tecnologías aumenta la eficiencia y favorece el cumplimiento de las regulaciones globales.

Los servicios de IA generativa representan actualmente el 76 % de la tendencia en visión artificial, lo que demuestra una sólida adopción en el sector. A medida que evolucionan las regulaciones, las organizaciones seguirán invirtiendo en datos sintéticos para garantizar la privacidad, la precisión y la escalabilidad de los sistemas de visión artificial.

Los datos sintéticos impulsarán la innovación en sistemas de visión artificial en 2025. Las organizaciones ven importantes beneficios en escalabilidad, reducción de sesgos, privacidad y adaptabilidad. Algunos ejemplos clave incluyen:

Los vehículos autónomos utilizan datos sintéticos para entrenarse en escenarios de conducción poco comunes, mejorando la seguridad.
Los modelos de visión por computadora ganan precisión a partir de imágenes diversas y etiquetadas con variaciones controladas.
Las preocupaciones sobre la privacidad disminuyen ya que la información confidencial permanece protegida.
Las empresas reducen costos y aceleran el desarrollo con generación de datos escalables.

Los equipos deben ver los datos sintéticos como un activo estratégico y explorar proyectos piloto para liberar todo su potencial.

Preguntas Frecuentes

¿Qué son los datos sintéticos en la visión artificial?

Los datos sintéticos se refieren a imágenes generadas por computadora o lecturas de sensores. Los ingenieros los utilizan para capacitar sistemas de visión artificialEstos datos imitan escenarios del mundo real y ayudan a los modelos a aprender más rápido.

¿Cómo mejoran los datos sintéticos la privacidad?

Los datos sintéticos no utilizan información personal real. Sustituyen la información confidencial con ejemplos artificiales. Este enfoque protege la privacidad del usuario y contribuye al cumplimiento normativo.

¿Pueden los datos sintéticos reemplazar completamente a los datos reales?

Los datos sintéticos funcionan mejor cuando se combinan con datos reales. Los datos reales capturan situaciones complejas. Los datos sintéticos cubren lagunas y aumentan la diversidad. Los enfoques híbridos ofrecen los mejores resultados.