Aumento de datosData Augmentation

Qué se cambia y cómo

Con fotos, se voltean de izquierda a derecha, se recorta una parte, se giran un poco, se cambia el brillo y el color. También se pueden ampliar o tapar un trozo con un cuadro. Cada retoque por separado parece poca cosa, pero al combinarlos, de una sola foto original salen decenas de apariencias distintas.

Con texto, se cambian palabras por sinónimos, o se traduce a otro idioma y se vuelve a traducir para mover un poco la redacción. Con sonido, se cambia ligeramente la velocidad, se mezcla ruido o se añade reverberación. Sea cual sea el dato, el principio es el mismo: mover solo lo que no tiene relación con la respuesta.

Lo importante es que la etiqueta no se toca. Una foto volteada sigue apuntando a la misma respuesta, así que se multiplican los datos sin que nadie tenga que volver a etiquetarlos. Comparado con lo que cuesta reunir datos nuevos, sale casi gratis.

Por qué mejora el rendimiento

Con pocos datos, el modelo termina memorizando hasta los detalles más triviales de esos datos. Si por casualidad todos los gatos de las fotos de entrenamiento miraban hacia la izquierda, el modelo se queda sin reconocer a un gato que mire hacia la derecha: confundió una regularidad casual con una regla de verdad.

El aumento de datos rompe esa confusión. Si la foto original y su versión volteada apuntan a la misma respuesta, el modelo aprende que hacia dónde mira el gato no tiene nada que ver con la respuesta. El resultado es que el rendimiento se mantiene bien incluso con datos que nunca se usaron en el entrenamiento.

El aumento solo se aplica al entrenar. Si se aplicara también a los datos con los que se mide el rendimiento, ya no se sabría qué se está midiendo. Lo habitual es sortear una transformación al azar cada vez que se carga un lote de datos, así el mismo ejemplo entra con una apariencia un poco distinta en cada vuelta.

Si se exagera, empeora

Cambiar la trayectoria sirve como práctica siempre que la pelota siga dentro de la cancha. Practicar recibiendo volantes que salen hacia las gradas no ayuda de cara al partido. Con el aumento de datos pasa lo mismo: si se voltea una foto boca abajo o se le cambia el color hasta hacerla irreconocible, se está entrenando con datos que jamás van a aparecer de verdad.

Hay datos en los que voltear cambia el significado. Un número o una letra volteados de izquierda a derecha se convierten en otro carácter, o dejan de ser un carácter del todo. Lo mismo pasa con imágenes médicas, donde el lado izquierdo y el derecho sí importan. Por eso qué transformación aplicar depende de la naturaleza de cada dato.

No es lo mismo que reunir más datos

El aumento de datos multiplica la cantidad de datos, pero no la cantidad de información. Una foto volteada no trae ningún hecho nuevo que no estuviera ya en el original, y un tipo de dato que nunca apareció en los datos de entrenamiento no aparece por más que se transforme.

Por eso el aumento no reemplaza a reunir más datos: es más bien una manera de exprimir al máximo lo que ya se tiene cuando escasea. Si los datos están muy sesgados hacia un tipo, conviene reunir más del tipo que falta antes que recurrir al aumento.