Dados Sintéticos

O que são dados sintéticos

Dados sintéticos são registros gerados por um programa ou por um modelo de IA para se parecer com dados reais: mesmo formato, estatísticas parecidas, nenhuma pessoa ou transação por trás. Servem para testar software, treinar modelos, montar demonstrações sem expor cliente e estudar um problema quando o dado real é escasso ou sensível.

Dois tipos que não se confundem

• Gerados por regra ou por sorteio. Geradores de dados de teste, como o Faker, produzem nomes, endereços e números com o formato certo, em geral sem relação entre os campos.
• Gerados por modelo e ancorados em estatística. Um conjunto como o Nemotron-Personas-Brazil parte de distribuições reais da população e usa um modelo de linguagem para escrever o resto. Os campos combinam entre si, e é nessa combinação que o risco de erro mora.

Cuidados

• A fidelidade precisa ser medida. Um dado sintético reproduz os vieses de quem o gerou. A comparação com dado real é o que diz se ele serve.
• Sintético não é automaticamente anônimo. Até 04/11/2026, não encontramos orientação final da ANPD específica sobre dados sintéticos. Se o dado puder ser ligado a uma pessoa real, a LGPD segue valendo.
• Declare a origem. Quem lê um resultado precisa saber que ele nasceu de dado sintético.

Um exemplo aberto

O Nemotron-Personas-Brazil (NVIDIA e WideLabs, licença CC BY 4.0) reúne 1 milhão de pessoas sintéticas ancoradas em estatísticas do IBGE. A ficha do conjunto declara limites: a ocupação foi gerada como independente da escolaridade, dado o local e o sexo, e nomes, endereços e personas de finanças e de saúde ficaram de fora dos campos. Num piloto da DNACX, personas desse conjunto acertaram a direção de um efeito grande em atendimento, mas inventaram diferenças de idade e de sexo que o dado real não tem. O resultado está em MiroFish: o que é, como funciona e o que ainda não prova.

Veja também

Persona sintética, respondente sintético e simulação multiagente.