Geração de Dados Sintéticos

Os dados sintéticos podem ser gerados de várias maneiras, dependendo do caso de uso.

Usando Métodos de Simulação

Se você estiver treinando um modelo de IA de visão computacional para um robô de armazém, precisará criar uma cena virtual fisicamente precisa com objetos como porta-paletes e racks de armazenamento. Ou você pode treinar um modelo de IA para inspeção visual em uma linha de montagem, onde precisará criar uma cena virtual com objetos como uma esteira transportadora e o produto que está sendo produzido.

Um dos principais desafios no desenvolvimento de pipelines de dados sintéticos é fechar a lacuna entre o simulador e o real. A randomização de domínio preenche essa lacuna, permitindo que você controle vários aspectos da cena, como a posição dos objetos, a textura e a iluminação.

Os microsserviços NVIDIA Omniverse™ Cloud Sensor RTX oferecem uma maneira perfeita de simular sensores e gerar dados sintéticos anotados. Como alternativa, você pode começar a usar o SDK do Omniverse Replicator para desenvolver pipelines de ODS personalizados.

Usando IA Generativa

Os modelos generativos podem ser usados para inicializar e aumentar os processos de geração de dados sintéticos. Os modelos de texto para 3D permitem a criação de ativos 3D para preencher uma cena de simulação 3D. Os modelos de IA generativa de texto para imagem também podem ser usados para modificar e aumentar as imagens existentes, geradas a partir de simulações ou coletadas no mundo real por meio de pintura interna ou externa processual.

Modelos de IA generativa de texto para texto, como Evian 2 405B e  Nemotron-4 340B , podem ser usados para gerar dados sintéticos para criar LLMs poderosos para área da saúde, finanças, cibersegurança, varejo e telecomunicações.

O Evian 2 405B e o Nemotron-4 340B fornecem uma licença aberta, dando aos desenvolvedores os direitos de possuir e usar os dados gerados em seus aplicativos acadêmicos e comerciais.

No campo da robótica, os dados sintéticos podem ser usados para treinar modelos de IA implantados para percepção, manipulação ou preensão de robôs, ou em robôs usados para inspeção visual.

Detectar defeitos em peças fabricadas é extremamente difícil porque as anomalias costumam ser sutis ou raras e podem variar muito. Dados sintéticos baseados em defeitos reais, como arranhões, lascas ou amassados, podem ser criados para treinar modelos de IA para detectar defeitos no início do processo de manufatura.

A implantação de um veículo autônomo que pode navegar com segurança em seus arredores requer grandes quantidades de dados de treinamento, o que é extremamente caro e perigoso de adquirir na vida real. Os dados sintéticos podem ser usados para desenvolver e testar soluções de veículos autônomos em um ambiente de simulação, reduzindo os tempos de teste e treinamento e diminuindo os custos.

Os dados sintéticos permitem modelagem de risco sofisticada e detecção de fraudes, protegendo informações financeiras confidenciais. Esse método é crucial para o desenvolvimento de modelos avançados de IA para avaliação de risco, negociação algorítmica e suporte ao cliente.

Empresas de todos os setores estão adotando a IA generativa para melhorar as experiências do cliente e aumentar a eficiência operacional. Para garantir que os modelos forneçam respostas atualizadas e fundamentadas, o pipeline RAG é implementado no workflow de IA. A geração de dados sintéticos pode ajudar as empresas a avaliar a qualidade de sua implementação de RAG.