Choosing a Service Format That Actually Fits

Casi todos los equipos que llegan a este tema empiezan por la misma pregunta mal planteada: cuántos registros sintéticos necesitamos. La pregunta útil es otra. Antes de discutir volumen conviene decidir qué formato de trabajo se adapta al tipo de modelo, al marco regulatorio del país donde se opera y al nivel de control que el equipo puede sostener durante meses.

Hay al menos tres formatos que aparecen una y otra vez en proyectos reales. El primero es un conjunto sintético cerrado: se genera una vez, se valida contra un conjunto de prueba reservado y se entrega como un paquete estable. Sirve cuando el modelo se entrena pocas veces y el dominio cambia poco. El segundo es un pipeline de generación continua, donde los datos se producen por lotes según cambian las condiciones del entorno. El tercero es un esquema híbrido, con una base sintética fija más una capa de aumento controlado para cubrir casos raros.

La elección no depende del presupuesto, aunque el presupuesto la condicione. Depende de cuánta incertidumbre tolera el equipo. Un pipeline continuo exige monitoreo, criterios de aceptación automáticos y alguien que revise muestras cada semana. Un paquete cerrado exige menos operación, pero envejece antes y obliga a planificar regeneraciones. El híbrido suele ser el más razonable cuando el dominio tiene cola larga: rostros con condiciones de iluminación poco frecuentes, documentos con tipografías inusuales, señales con ruido específico de un sensor.

Otro criterio que se subestima es la trazabilidad. Si el modelo se va a auditar, conviene saber qué lote sintético alimentó qué versión del clasificador. Eso empuja hacia formatos con identificadores por lote y registros de procedencia, incluso si el conjunto es cerrado. La trazabilidad no es un lujo de laboratorio: es lo que permite responder cuando alguien pregunta por qué el modelo falla en un subgrupo concreto.

También importa la separación entre datos de entrenamiento y datos de evaluación. Un error común es generar todo con el mismo proceso y luego medir sobre una partición del mismo conjunto. El resultado es una métrica optimista que no sobrevive al primer contacto con datos reales. Sea cual sea el formato elegido, conviene reservar un conjunto de validación generado con parámetros distintos, o mejor aún, con un generador distinto.

Ninguno de estos formatos es universal. Lo que sí es universal es la necesidad de escribir las restricciones antes de elegir. Marco legal, frecuencia de reentrenamiento, tolerancia a falsos positivos, capacidad operativa del equipo. Con esa lista sobre la mesa, el formato suele decidirse solo.