¿Cómo se llama este material de entrenamiento generado por IA?

Los datos sintéticos son material de entrenamiento generado por modelos de IA o simulaciones informáticas en lugar de recopilado directamente de escritura, imágenes o sucesos reales creados por humanos. A medida que los laboratorios de IA se topan cada vez más con límites en la cantidad de texto humano fresco y de alta calidad disponible para entrenar, los datos sintéticos ofrecen una forma de llenar huecos, especialmente en áreas donde los ejemplos reales son escasos, caros de reunir o privados, permitiendo a los investigadores generar grandes volúmenes de ejemplos de entrenamiento adicionales y a medida.

Los datos de código abierto se refieren a información o código disponible libremente para que cualquiera lo use o modifique, un concepto de licencia sin relación con si el contenido fue generado por IA. Los metadatos son simplemente información descriptiva sobre otros datos, como la fecha de creación o el autor de un archivo, no contenido de entrenamiento generado por un sistema de IA en sí.

Los investigadores han expresado preocupación por que entrenar demasiado nuevos modelos de IA con datos generados por modelos de IA anteriores, en lugar de con contenido genuinamente creado por humanos, pueda degradar gradualmente la calidad y la diversidad a lo largo de generaciones sucesivas, un problema de bucle de retroalimentación que los investigadores han apodado "colapso del modelo".