Qué hace realmente un curador de datos sintéticos

Cuando se habla de datos sintéticos, todo el mundo piensa en algoritmos, modelos generativos y privacidad, pero rara vez en la figura clave que hace que todo eso tenga sentido: el curador de datos sintéticos. Este perfil profesional se ha vuelto imprescindible en proyectos de IA, analítica avanzada y espacios de datos, porque es quien se encarga de que esos datos “falsos” sean, a la vez, útiles, realistas y respetuosos con la normativa.

En un contexto en el que cada vez es más complicado acceder a datos reales de calidad, y donde las leyes de protección de datos son cada vez más exigentes, el curador de datos sintéticos actúa como puente entre negocio, tecnología y cumplimiento legal. No solo supervisa cómo se generan los datos, sino que decide qué se puede modelar, qué riesgos existen, qué valor analítico se preserva y cómo se comunica todo esto a las partes interesadas para que confíen en los resultados.

Qué son los datos sintéticos y por qué necesitan curación

Los datos sintéticos son conjuntos de información creados artificialmente que imitan el comportamiento y las distribuciones de datos reales, pero sin contener información personal o confidencial. No son simples datos aleatorios: están diseñados para conservar la estructura, las correlaciones y los patrones estadísticos relevantes para un caso de uso concreto.

Estos datos se usan sobre todo para desarrollar, probar y validar modelos de aprendizaje automático, sistemas de IA y soluciones de analítica, especialmente cuando los datos reales son escasos, sensibles o directamente inexistentes. También son muy útiles para simular escenarios raros o extremos, como fraudes poco frecuentes, fallos de seguridad, situaciones límite en vehículos autónomos o eventos clínicos infrecuentes.

Además, los datos sintéticos permiten compartir información entre organizaciones (por ejemplo, en espacios de datos públicos-privados) reduciendo el riesgo de exponer secretos comerciales o vulnerar la privacidad. De esta forma, se convierten en una tecnología dual: impulsan la economía del dato a la vez que actúan como herramienta de protección de la privacidad.

Para lograrlo, la generación de datos sintéticos se apoya en técnicas como modelado probabilístico, simulaciones, árboles de decisión o redes generativas antagónicas (GAN). Estas últimas consisten en dos redes neuronales que compiten: una genera datos sintéticos y la otra intenta distinguirlos de los reales, mejorando iterativamente la calidad de la síntesis.

El problema es que, si se usan de forma ingenua, estos métodos pueden producir datos poco útiles, sesgados o incluso con riesgo de reidentificación. Aquí es donde entra en juego la curación de datos sintéticos: alguien tiene que decidir qué variables se sintetizan, cómo se evalúa la calidad, qué umbral de anonimización es aceptable y si el resultado sirve realmente al propósito del proyecto.

Funciones clave de un curador de datos sintéticos

El rol del curador de datos sintéticos combina habilidades técnicas, analíticas, legales y de comunicación. Su trabajo va mucho más allá de “darle al botón de generar datos”: se parece más al de un editor de contenido apoyado por una IA creativa, solo que en lugar de textos trabaja con conjuntos de datos complejos.

Una de sus responsabilidades principales es definir el caso de uso y los objetivos de los datos sintéticos. No se generan datos por deporte, sino para resolver una necesidad concreta: entrenar un modelo de scoring de riesgo, probar un sistema de visión artificial, liberar un dataset educativo o permitir la validación de un algoritmo médico sin usar historiales reales. El curador traduce estos objetivos en requisitos de datos: qué variables hacen falta, qué distribuciones deben preservarse y qué escenarios hay que poder analizar.

También se encarga de seleccionar y preparar los datos reales de partida cuando existen. Esto incluye limpieza, tratamiento de valores atípicos, definición de metadatos y análisis exploratorio. Herramientas como SDV (Synthetic Data Vault) del MIT, usadas en entornos como Google Colab, requieren que el conjunto real y sus metadatos estén bien estructurados para poder aprender correctamente las relaciones entre variables.

Otra función crucial es determinar el grado de síntesis necesario: datos totalmente sintéticos o parcialmente sintéticos. En algunos contextos es viable sintetizar solo las variables más sensibles (identificadores, datos de salud, información financiera) manteniendo otras sin cambios; en otros, por riesgo de reidentificación, es obligatorio que todo el dataset sea sintético. La decisión tiene implicaciones directas en la utilidad y en la privacidad.

El curador también debe elegir las técnicas de generación más adecuadas para cada tipo de dato: remuestreo avanzado, modelos probabilísticos, simulaciones, GANs, o combinaciones de ellas. No es lo mismo sintetizar datos tabulares de clientes que imágenes médicas, audio, secuencias temporales de sensores o textos clínicos. Además, debe vigilar que las técnicas seleccionadas capturen bien no solo las medias y varianzas, sino las correlaciones, colas de distribución y posibles patrones temporales.

Calidad, utilidad y control de los datos sintéticos

Un punto central del trabajo del curador es garantizar que los datos sintéticos tengan valor analítico real. Si el conjunto generado no permite extraer conclusiones similares a las que se obtendrían con datos reales, no sirve para el propósito declarado. Aquí entran métricas de similitud estadística, tests de hipótesis, evaluación de modelos entrenados con uno u otro tipo de datos, etc.

La calidad no solo se refiere a la precisión estadística, sino también a que los datos incluyan cierta diversidad y casos raros relevantes. Muchos algoritmos de generación tienen dificultades para recrear valores atípicos y anomalías, justo los elementos que suelen ser críticos para probar la robustez de sistemas de detección de fraude, ciberataques o fallos extremos en sistemas de control.

Para controlar esta calidad, el curador combina revisiones automáticas y comprobaciones manuales. Las automáticas permiten chequear grandes volúmenes de datos, mientras que las manuales se usan para inspeccionar ejemplos concretos, validar que tengan sentido de negocio y detectar patrones extraños que un algoritmo no considera problemáticos pero que, a ojos humanos, son claramente irreales.

Sin embargo, siempre hay que equilibrar calidad y privacidad. Para evitar que alguien pueda vincular un registro sintético con una persona real, a veces es necesario degradar ligeramente la precisión de ciertos atributos, introducir ruido o suavizar distribuciones. El curador tiene que encontrar ese punto de equilibrio en el que el dataset sigue siendo útil para el análisis sin dar pie a riesgos inaceptables de reidentificación.

Además, el curador comunica y negocia el nivel de confianza en los datos con las partes interesadas. Algunas pueden mostrar escepticismo sobre la relevancia de resultados obtenidos con datos sintéticos, mientras que otras tienden a sobreinterpretarlos como si fueran una representación perfecta de la realidad. Parte del trabajo consiste en aclarar límites, supuestos y márgenes de error.

Privacidad, RGPD y gobierno del dato sintético

La creación de datos sintéticos no es un “truco” para esquivar la normativa de protección de datos. De hecho, si se parte de datos personales reales, la propia generación es una operación de tratamiento sometida al RGPD. Por tanto, antes de empezar, el curador debe asegurarse de que existe una base jurídica adecuada, de que se aplica el principio de responsabilidad proactiva y de que se evalúa el riesgo de reidentificación resultante.

En el marco europeo, normas como el RGPD y la Ley de IA de la UE exigen prácticas rigurosas de gobierno de datos, especialmente en sistemas de IA de alto riesgo. Esto incluye requisitos sobre la calidad de los datos de entrenamiento, validación y prueba, así como sobre su trazabilidad, documentación y supervisión humana. El curador de datos sintéticos se convierte en una pieza clave para demostrar que estos requisitos se cumplen.

Un principio básico es que los datos sintéticos que vayan a considerarse “no personales” no deben permitir la identificación directa ni indirecta de individuos. Aunque se generen a partir de datos de personas reales, solo deberían conservar propiedades estadísticas agregadas y patrones relevantes para el análisis. Para reforzar esta anonimización, se pueden aplicar técnicas adicionales como la privacidad diferencial u otros mecanismos de perturbación controlada.

El curador también evalúa si es mejor optar por datos totalmente o parcialmente sintéticos desde la perspectiva de la protección de datos. Los datasets parcialmente sintéticos son más arriesgados, ya que mezclan registros hiperrealistas con datos originales, lo que puede facilitar ataques de vinculación si se cruzan con otras fuentes. Por eso, en contextos de alto riesgo, suele recomendarse la sintetización completa.

En cualquier caso, antes de liberar o compartir un conjunto de datos sintéticos, el curador debe llevar a cabo una evaluación de anonimato y de riesgo de reidentificación. Si el análisis muestra que persisten riesgos elevados, será necesario ajustar el proceso de síntesis, aplicar medidas adicionales o incluso recurrir a otras Privacy Enhancing Technologies (PET), como el seudonimizado fuerte, el acceso controlado en entornos cerrados o el cifrado homomórfico.

Limitaciones, desafíos y riesgos de los datos sintéticos

Aunque la narrativa comercial a veces presenta los datos sintéticos como una especie de bala de plata, el trabajo del curador incluye poner los pies en el suelo y explicar sus limitaciones. No todos los problemas de datos se resuelven sintentizándolos, y hay contextos en los que esta solución es directamente inadecuada.

Una de las dificultades principales es el control de calidad a gran escala. Verificar manualmente conjuntos masivos de datos sintéticos es inviable, y las métricas automáticas no siempre capturan los aspectos de negocio que importan. Esto puede derivar en conjuntos que parecen estadísticamente correctos, pero que no reflejan bien la dinámica real del sistema o mercado que se intenta modelar.

Existen también desafíos técnicos serios. Generar una buena imitación de la realidad requiere entender muy bien las técnicas de modelado, saber ajustar hiperparámetros, evitar el sobreajuste y detectar cuándo un modelo generativo está “copiando” demasiado los datos originales. Incluso equipos muy experimentados tienen problemas para reproducir colas pesadas, dependencias no lineales complejas o interacciones raras entre variables.

Además, hay un componente de gestión de expectativas y comunicación. Algunas partes interesadas pueden ver los datos sintéticos como algo “demasiado artificial” y desconfiar de cualquier análisis basado en ellos; otras, al revés, pueden dar por sentada una precisión casi perfecta porque el entorno de generación está muy controlado. El curador debe explicar con claridad qué pueden y qué no pueden decir esos datos.

Por último, los datos sintéticos pueden introducir sesgos nuevos o amplificar los existentes si el proceso de generación no está bien supervisado. Si el modelo aprende de datos reales que ya están sesgados (por ejemplo, en decisiones de crédito, diagnósticos médicos o patrones de vigilancia), el dataset sintético puede consolidar esos sesgos y hacerlos más difíciles de detectar. El curador tiene la tarea de analizar y, cuando sea posible, mitigar estas distorsiones.

Aplicaciones prácticas donde el curador es imprescindible

En sectores como la automoción, la salud, las finanzas o la industria manufacturera, el uso de datos sintéticos ya es cotidiano, y la intervención de un curador resulta decisiva para que los proyectos funcionen. No se trata solo de generar datos, sino de alinear esa generación con requisitos técnicos, regulatorios y de negocio.

En el caso de los vehículos autónomos, por ejemplo, se necesitan millones de escenarios distintos para entrenar y validar los sistemas de visión y decisión: condiciones meteorológicas extremas, comportamientos atípicos de peatones, fallos en señales de tráfico, etc. El curador define qué tipo de escenas se necesitan, cómo deben distribuirse, qué anomalías hay que introducir y cómo evaluar que el dataset cubre suficientemente los casos límite críticos.

En biomedicina y genómica, los datos sintéticos permiten trabajar con secuencias de ADN, imágenes médicas o historiales clínicos sin exponer directamente la información de pacientes. El curador tiene que asegurar que se preservan los patrones epidemiológicos y clínicos relevantes, que el riesgo de reidentificación es bajo y que los datos siguen siendo útiles para investigación, desarrollo de fármacos o entrenamiento de algoritmos diagnósticos.

En controles de calidad industriales, se pueden sintetizar lecturas de sensores, registros de mantenimiento o datos de producción para entrenar sistemas de detección temprana de fallos. El curador colabora con ingenieros de planta para entender qué fallos son más críticos, qué señales los anticipan y cómo reflejar esos comportamientos en datos simulados.

En el ámbito financiero y de detección de fraude, la limitación de datos reales de fraude (por ser raros y muy sensibles) hace que los datos sintéticos sean especialmente atractivos. El curador define perfiles de comportamiento sospechoso, equilibra las tasas de eventos fraudulentos y legítimos y valida que los modelos entrenados con estos datos no generen una avalancha de falsos positivos o, peor aún, pasen por alto fraudes reales.

Datos sintéticos, economía del dato y espacios de datos

Más allá de casos técnicos concretos, los datos sintéticos juegan un papel estratégico en la economía basada en datos y la creación de espacios de datos compartidos. Organizaciones públicas y privadas a menudo se muestran reacias a compartir datasets reales por miedo a exponer secretos comerciales, vulnerabilidades o información personal sensible.

El curador de datos sintéticos ayuda a estas organizaciones a diseñar versiones compartibles de sus datos, donde se preserva la utilidad para análisis y colaboración, pero se minimiza el riesgo de filtración de información crítica. Esto puede ser clave, por ejemplo, para que varias empresas de un mismo sector analicen conjuntamente tendencias de mercado, ciberamenazas o riesgos sistémicos sin revelar detalles finos de su operativa interna.

En el sector público, oficinas de estadística o instituciones educativas pueden usar datos sintéticos para publicar información útil a investigadores, docentes y estudiantes, manteniendo a salvo la identidad de los encuestados o de los individuos incluidos en registros administrativos. El curador diseña los procesos para que esos datos sirvan para experimentar, aprender y desarrollar habilidades analíticas sin generar riesgos para las personas afectadas.

En este contexto, los datos sintéticos se consolidan como tecnología dual: habilitan nuevos modelos de negocio basados en datos y, al mismo tiempo, actúan como mecanismo de privacidad desde el diseño. La decisión de usarlos o no, sin embargo, nunca es automática: cada caso exige una evaluación específica del equilibrio entre complejidad del dataset, capacidad de modelado y riesgo de reidentificación.

Cuando los conjuntos de datos son extremadamente complejos, con interacciones difíciles de modelar o valores atípicos muy influyentes, el curador puede concluir que la síntesis no ofrece garantías suficientes o que introduce malentendidos en fases críticas de desarrollo, prueba o validación. En estos casos, hay que considerar otras PET alternativas o complementarias en lugar de forzar el uso de datos sintéticos.

Paralelismos con la curación de contenidos e IA generativa

El trabajo de un curador de datos sintéticos se parece bastante al de un curador de contenidos apoyado por IA generativa. En ambos casos, la máquina puede hacer el trabajo pesado (generar versiones, condensar información, producir variaciones), pero la responsabilidad de seleccionar, filtrar, contextualizar y validar recae en la persona.

Para los datos, esto significa que el curador debe formular “prompts” o instrucciones muy precisas a las herramientas de generación: qué variables son clave, qué distribuciones esperar, qué rango de valores anómalos se quiere simular, qué escenarios extremos son relevantes y qué nivel de ruido es aceptable. Igual que un editor que da instrucciones a un redactor IA, el curador de datos “entrena” al generador para que trabaje a su favor.

Además, este profesional debe tener muy claro el público objetivo y los objetivos de uso de esos datos: equipos de ciencia de datos, responsables de cumplimiento normativo, investigadores externos, desarrolladores de producto, etc. En función de quién vaya a usar los datos y para qué, el curador ajusta el nivel de detalle, la diversidad de casos, el formato y la documentación asociada.

De la misma forma que un curador de contenidos divide un documento “madre” en piezas para redes sociales, newsletters o blogs, el curador de datos puede derivar subconjuntos sintéticos especializados: uno para pruebas de estrés, otro para validación regulatoria, otro para formación interna, cada uno calibrado con el nivel de realismo y anonimización que corresponda.

Perfil profesional y futuro del curador de datos sintéticos

El curador de datos sintéticos es un perfil híbrido que combina conocimientos de ciencia de datos, estadística, IA, derecho digital y comunicación. No tiene por qué ser experto absoluto en todo, pero sí debe entender lo suficiente de cada ámbito como para orquestar equipos multidisciplinares y tomar decisiones informadas.

En la práctica, suele venir de entornos como data science, ingeniería de datos, protección de datos, analítica de negocio o estadística oficial, y complementa esa base con formación específica en técnicas de generación sintética, evaluación de anonimato y gobierno del dato. La capacidad de explicar conceptos complejos de manera sencilla es casi tan importante como la pericia técnica.

A medida que la IA se integra en más procesos críticos y que las regulaciones como la Ley de IA de la UE ganan peso, la demanda de este tipo de perfiles va a crecer con fuerza. Organizaciones que hoy dependen de consultoras externas para generar datos sintéticos tenderán a incorporar equipos internos de curación y gobierno de datos para mantener el control y la trazabilidad.

En este escenario, la IA no sustituye al curador, sino que actúa como su asistente avanzado: automatiza tareas tediosas, propone alternativas, ayuda a evaluar patrones, pero la decisión final sobre qué datos usar, cómo interpretarlos y con qué limitaciones sigue siendo humana. Esa combinación de criterio, ética y creatividad aplicada a los datos es difícil de automatizar.

Con todo, el curador de datos sintéticos se consolida como una figura estratégica en cualquier organización que quiera explotar el potencial de la IA y la analítica avanzada sin perder de vista la privacidad, la calidad y el cumplimiento normativo, convirtiendo datos “inventados” en una herramienta fiable para innovar, probar, colaborar y tomar decisiones con cabeza.