Quais São Os Métodos Considerados Sintéticos

What actually counts as synthetic data today

Ao responder quais são os métodos considerados sintéticos, a resposta curta é que existem categorias amplas com sub-técnicas bem específicas. Mas a distinção prática não é entre método e não-método. É entre o que gera dados coerentes e o que gera ruído bonito demais para ser verdade. O principal grupo é dividido entre métodos baseados em regras, métodos estatísticos, métodos gerados por modelos (ML) e métodos híbridos. Dentro de cada um, há variações que mudam completamente o que você obtém no final. Métodos baseados em regras são os mais simples. Você define campos, tipos de dados, constraints, cardinalidade e relações. O algoritmo preenche registros seguindo essas regras. Nada de inteligência artificial envolvida. A vantagem é controle total. A desvantagem é que se o domínio for complexo, a lógica manual vira manutenção perpétua.

Métodos estatísticos usam distribuições conhecidas — normal, Poisson, Bernoulli, exponencial — para gerar valores que preservam a estrutura probabilística dos dados originais. Correlações podem ser mantidas via cópulas. Mediana, variância, quartis ficam parecidos com a fonte. Mas esses métodos falham silenciosamente quando a distribuição real é multimodal, enviesada ou depende de variáveis latentes que ninguém mediu. Métodos baseados em ML são onde a coisa fica interessante. Aqui entra GAN, VAE, diffusion models, LLMs como geradores, e abordagens como tabular synthesis via generative adversarial networks (CTGAN, TVAE). Cada um tem um perfil diferente de fidelidade, velocidade e custo computacional. GANs para dados tabulares — especificamente o CTGAN da Microsoft Research — são provavelmente o método mais usado em produção atualmente. Ele lida com colunas categóricas, contínuas e mixtas mantendo correlações entre campos. O treinamento é instável se você não ajustar o optimizer direito e o número de épocas adequado. Dois anos atrás eu tinha um dataset de transações financeiras com 47 colunas e 2 milhões de linhas. O CTGAN padrão ia colapsar em 15 épocas. A solução foi usar learning rate agudo (0.0001), batch size de 1024, e duas épocas de warm-up com Adam antes de trocar para RMSProp. O resultado final levou cerca de 6 horas num GPU T4.

VAEs — Variational Autoencoders — são alternativas mais estáveis que GANs. Eles aprendem uma distribuição latente e amostram a partir dela. A desvantagem é que os dados gerados tendem a ser mais "suavizados". Valores extremos somem. Se você está lidando com fraudes ou outliers que são exatamente o que importa no seu negócio, o VAE vai te enganar. Diffusion models ganharam tração recentemente em síntese tabular também. O processo de denoising gradual produz dados de alta qualidade, mas o custo computacional é significativamente maior. GANs levavam 6 horas no exemplo acima. Um diffusion model equivalente levou 38 horas no mesmo hardware com configuração similar. LLMs como geradores de dados sintéticos são outra categoria distinta. Você usa prompts para instruir o modelo a produzir registros estruturados. Funciona bem para texto, e-mails, diálogos, descrições. Mas a precisão factual é zero por padrão. Os números inventados. As datas podem ser impossíveis. A coerência entre campos relacionados é improvável sem pós-processamento rigoroso.

Métodos híbridos combinam duas ou mais abordagens. Geralmente você usa regras para garantir constraints críticos — IDs únicos, formatos de data, ranges de accepted values — e depois aplica um modelo generativo para o resto. Isso é o que a maioria dos pipeline de produção séria faz. Também existe o bootstrap e o resampling com reposição. Não é fancy, mas preserva a distribuição exata dos dados originais. Se você precisa apenas de mais linhas mantendo a mesma estrutura, isso resolve em segundos sem nenhuma GPU.

Como escolher na prática

O erro mais comum é começar pelo método mais sofisticado disponível. A pergunta certa é: qual métrica de qualidade você precisa preservar? Se é a distribuição marginal de cada coluna, métodos estatísticos ou bootstrap bastam. Se precisa de correlações multi-dimensionais, vá de CTGAN ou TVAE. Se os dados são sequenciais ou temporais, precisa de abordagens específicas como temporal GANs ou LSTMs gerativos. Outra métrica importante que ninguém menciona é o tempo de geração versus o tempo de validação. Eu já vi projetos inteiros em que o modelo gerou 50 milhões de linhas em 3 horas, mas levou 2 semanas validando contra a base original porque ninguém definira critérios objetivos de similaridade antes de começar. Defina suas métricas de validação primeiro. Fidelity, utility, privacy guarantee. Senão você gasta tempo e não sabe se o resultado é bom. Dica prática: para dados tabulares com muitas colunas categóricas de alta cardinalidade — tipo códigos de produto com milhares de valores únicos — o CTGAN tende a ter problemas de memorização. A workaround que funcionou pra mim foi discretizar essas colunas em buckets durante o treinamento e reconstruir os valores originais depois. Perde um pouco de fidelidade, mas elimina colapso de modo.

Pitfalls que ninguém avisa

Primeiro: dados sintéticos nunca são idênticos aos originais. Sempre terão diferença. A pergunta não é se há diferença, é se a diferença é aceitável para seu uso. Treinar um modelo de ML nos dados sintéticos vs. nos originais costuma dar drop de performance de 2 a 15 por cento, dependendo da complexidade dos dados e do método usado. Você precisa testar isso no seu cenário específico. Segundo: privacidade não é automática. Generadores podem memorizar e regenerar amostras próximas dos dados originais. Especialmente GANs com treinamento muito longo. Se o objetivo é compliance com LGPD ou GDPR, teste com membership inference attacks antes de confiar. Um teste simples é verificar se algum registro sintético é cópia exata ou quase-exata de um registro real. Terceiro: a utilidade depende do downstream. Dados bons para análise exploratória podem ser inúteis para treinar um classificador. Eu tive um caso onde o CTGAN gerou dados comKS de 0.97 comparado ao original — estatisticamente idêntico. Mas o modelo de churn treinado nos dados sintéticos tinha AUC 0.62 contra 0.89 no real. A razão? O synthetic não capturou a cauda fina de customers que churnaram. Esses eram 2% dos dados mas determinavam a fronteira de decisão.

Quando não usar métodos sintéticos

Se seus dados são pequenos — menos de 5 mil linhas — método sintético pode piorar a situação. O modelo generativo vai aprender o ruído junto com o sinal. Nesses casos, data augmentation com técnicas específicas do domínio (jitter, scaling, masking) é mais adequado e mais barato. Se você precisa de causalidade e não apenas correlação, dados sintéticos gerados por modelos puramente correlacionais vão falhar. Causal synthetic data exige modelos estruturais ou DAGs conhecidos, o que é outro nível de complexidade completamente diferente. Ferramentas abertas que valem a pena conferir: SDV (Synthetic Data Vault) da DataCebo, que empacota CTGAN, TVAE e GaussianCopula num interface unificada. Chameleon para dados tabulares com foco em privacy. Gretel.ai tem versão open source. Para diffusion em tabular, dê uma olhada no TabDDPM.

A parte mais honesta pra finalizar: nenhum método é universal. O que funciona num dataset de vendas não funciona num de saúde. O que funciona pra análise descritiva não funciona pra predictive modeling. O único jeito de saber se seus dados sintéticos são bons é testar no problema real que você vai resolver com eles. O resto é teoria.