Como se chama esse material de treinamento gerado por IA?

Dados sintéticos são material de treinamento gerado por modelos de IA ou simulações de computador, em vez de coletados diretamente de textos, imagens ou eventos reais escritos por humanos. À medida que os laboratórios de IA esbarram cada vez mais em limites na quantidade de texto humano fresco e de alta qualidade disponível para treinamento, os dados sintéticos oferecem uma forma de preencher lacunas, especialmente em áreas onde exemplos reais são escassos, caros de coletar ou privados, permitindo que pesquisadores gerem grandes volumes de exemplos de treinamento adicionais e personalizados.

Dados de código aberto se referem a informações ou código disponíveis livremente para qualquer um usar ou modificar, um conceito de licenciamento sem relação com o fato de o conteúdo ter sido gerado por IA ou não. Metadados são simplesmente informações descritivas sobre outros dados, como a data de criação ou o autor de um arquivo, não conteúdo de treinamento gerado por um sistema de IA em si.

Pesquisadores levantaram preocupações de que treinar novos modelos de IA de forma muito intensa com dados gerados por modelos de IA anteriores, em vez de conteúdo genuinamente criado por humanos, pode degradar gradualmente a qualidade e a diversidade ao longo de gerações sucessivas, um problema de retroalimentação que pesquisadores apelidaram de "colapso do modelo".