Colaboramos con grupos académicos, laboratorios de visión por computadora y equipos de cumplimiento normativo que necesitan entrenar modelos de reconocimiento sin tocar bases personales reales. Estos son los perfiles de cooperación que sostienen el trabajo del equipo.
Universidades y centros que aportan protocolos de evaluación, métricas de sesgo y revisiones cruzadas sobre los conjuntos sintéticos que publicamos.
Equipos que auditan cómo se generan, se anotan y se retiran los datos sintéticos, y que verifican que ninguna muestra pueda reidentificarse.
Responsables legales que revisan el encuadre normativo del uso de identidades sintéticas antes de aprobar su aplicación en entornos productivos.
Espacios docentes que reutilizan nuestros materiales de referencia para enseñar entrenamiento responsable y evaluación de modelos biométricos.
Comités que leen los informes metodológicos antes de su publicación y señalan límites, supuestos y resultados que conviene matizar.
SynthID Research nació de una incomodidad concreta: la mayoría de los modelos de reconocimiento se entrenan con rostros, voces y documentos que pertenecen a personas reales. Nuestro trabajo consiste en construir corpus sintéticos verificables, con sesgos controlados y trazabilidad por lote, para que un equipo de visión o de verificación de identidad pueda entrenar sin arrastrar datos personales. Publicamos metodología, métricas de fidelidad y las limitaciones que encontramos en cada iteración.
Un equipo reducido que trabaja sobre generación de rostros sintéticos, control de sesgo y protocolos de validación. Cada integrante responde por una parte concreta del pipeline: desde la curaduría del dataset hasta la auditoría de métricas antes de publicar un resultado.
No publicamos nombres por prestigio. Los publicamos porque cada informe que sale de este archivo lleva la firma de quien lo revisó.
Coordina la línea de síntesis facial y define qué atributos entran en cada lote de entrenamiento. Viene de visión por computadora aplicada a control de calidad industrial, y traslada ese criterio de tolerancia estricta a la evaluación de modelos de reconocimiento.
Responsable de que ningún dataset contenga rastros de identidades reales. Documenta la trazabilidad de cada muestra sintética, revisa duplicados y mantiene el registro de sesiones de anotación. Su trabajo es el que permite afirmar que un conjunto de datos es limpio sin depender de la palabra del proveedor.
Diseña los protocolos de prueba con los que medimos si un modelo entrenado con datos sintéticos se comporta igual en condiciones reales. Trabaja sobre desbalance de clases, falsos positivos por tono de piel y estabilidad entre lotes generados en semanas distintas.
Mantiene los entornos donde se generan y entrenan los modelos. Su obsesión es que cualquier resultado publicado pueda repetirse: versiones fijas de librerías, semillas registradas y un historial de cambios que no dependa de la memoria de nadie.
Un equipo reducido que trabaja sobre identidad sintética, sesgos de entrenamiento y trazabilidad de datos. No publicamos perfiles decorativos: cada nombre responde por una parte concreta del pipeline.
SynthID Research nació como un grupo de trabajo dentro de un laboratorio de visión por computadora en Río Negro. La idea era simple y algo incómoda: entrenar modelos de reconocimiento sin acumular rostros reales. Con el tiempo eso derivó en un archivo abierto de métodos, validaciones y errores documentados que hoy usan equipos académicos y de producto que necesitan datos sintéticos defendibles ante un comité de ética.
Coordina las líneas de generación de identidades sintéticas y revisa cada protocolo antes de que salga del laboratorio. Viene de estadística aplicada y arrastra la costumbre de exigir métricas de diversidad antes de aprobar un dataset.
Diseña las pruebas de equidad entre subgrupos y documenta dónde fallan los modelos cuando se entrenan solo con datos sintéticos. Su trabajo es el que menos se cita y el que más discusiones genera en las revisiones internas.
Mantiene los pipelines de anonimización y las versiones reproducibles de cada conjunto. Si un experimento no se puede repetir con el mismo hash, para ella no cuenta como resultado.
Enlaza el archivo con grupos universitarios y equipos que aplican los métodos en producción. Se encarga de que los resúmenes sean legibles para quien no vive dentro del laboratorio.
Para consultas sobre colaboración, revisión de métodos o acceso a material de referencia, escribí a info@knxaustralia.com o llamá al +54 9 11 9094 2192. El laboratorio está en Avenida del Trabajador, Municipio de Cipolletti, Río Negro, 8304, Argentina.