Generación de data sintética en aplicaciones de machine learning para telecomunicaciones

Abstract

En el contexto de aprendizaje automático y ciencia de datos, la disponibilidad de grandes volúmenes de datos etiquetados es fundamental para el entrenamiento eficaz de modelos predictivos. Sin embargo, la obtención de datos que sean suficientes y con la calidad adecuada, puede ser costosa y además puede tomar un gran tiempo. Para abordar este problema, se presenta el desarrollo e implementación de un motor de aumento de datos que utiliza una variedad de técnicas avanzadas de machine learning y deep learning, incluidas Redes Generativas Adversarias (GANs).

El motor de aumento de datos propuesto está diseñado para generar datos sintéticos que complementen los conjuntos de datos existentes, mejorando la capacidad de generalización de modelos de aprendizaje automático, incluídos los presentes en ClaroVTR. Este motor se estructura en varios módulos clave: engine.py, que maneja el flujo principal de datos y las operaciones de aumento; gan_wrapper.py, que proporciona una capa de abstracción sobre los modelos GAN; y utils.py, que ofrece funciones auxiliares para la manipulación de datos. El desarrollo del motor se realizó en varias fases: definición del problema y requisitos, análisis de datos, diseño de la arquitectura del sistema, implementación de los módulos, y validación del motor mediante pruebas. La solución fue evaluada en diversas bases de datos que varían en tamaño y complejidad para determinar su eficacia en diferentes escenarios. Los resultados demuestran que el motor puede generar datos sintéticos que mejoran el rendimiento de los modelos de aprendizaje automático en múltiples casos de uso, aunque con variaciones en la efectividad dependiendo del tipo y tamaño del conjunto de datos. En situaciones en que la data presenta una dimensión muy alta, es posible que al reducir espacios de búsqueda para optimizar tiempos de ejecución, los resultados no mejoren considerablemente, presentando incluso disminuciones del rendimiento.

La implementación se llevó a cabo utilizando bibliotecas de código abierto como numpy, pandas, pytorch y SDV, asegurando la integridad y reproducibilidad del sistema.