[1] Dados Sintéticos

[1.1] Definição em Uma Frase

Dados Sintéticos são dados artificiais que um programa de computador cria a partir de um modelo estatístico, com o padrão de dados reais e sem pertencer a uma pessoa ou a um fato determinado.

[1.2] Quadro Técnico: Posição Convencional

O guia proposto da Personal Data Protection Commission de Singapura define Dados Sintéticos como dados artificiais que um modelo matemático, construído para essa finalidade, gera, incluindo modelos de inteligência artificial e de aprendizado de máquina. O guia também inclui os dados que um algoritmo gera [SINGAPURA, 2024].

Os Dados Sintéticos partem de Dados de Origem, registros reais que o modelo analisa. O modelo aprende distribuições estatísticas, correlações e padrões. O gerador cria registros novos que preservam as características estatísticas e não correspondem a eventos ou a indivíduos do mundo real. A Rede Adversarial Generativa [GAN] é um algoritmo gerador que Goodfellow e outros propuseram em 2014 [GOODFELLOW et al., 2014]. A privacidade diferencial é técnica matemática de garantia formal de privacidade que aparece com frequência junto de Dados Sintéticos [DWORK et al., 2017].

Figura 1. Etapas da geração de Dados Sintéticos, com retorno ao passo 1.

O guia da PDPC afirma que Dados Sintéticos podem carregar risco de reidentificação. O guia avalia o risco por três ataques: singling out [isolar um registro único], linkability [vincular o conjunto sintético a outras bases] e inference [inferir atributo sensível]. O guia descreve também a inferência de pertencimento [membership disclosure], o vazamento a partir do modelo gerador, que inclui a inversão de modelo com reconstrução de parte dos Dados de Origem. O risco aumenta ao longo do tempo [SINGAPURA, 2024].

A LGPD [Lei 13.709, de 14/08/2018] define dado anonimizado como dado relativo a titular que não possa ser identificado, considerando a utilização de meios técnicos razoáveis e disponíveis no momento do tratamento [LGPD, art. 5º, III]. A anonimização é o processo pelo qual o dado perde a possibilidade de associação, direta ou indireta, a um indivíduo [LGPD, art. 5º, XI]. O dado anonimizado não é dado pessoal, salvo se houver reversão do processo com meios próprios ou com esforços razoáveis [LGPD, art. 12, caput]. O art. 12, § 1º, exige a consideração de fatores objetivos, como custo, tempo e tecnologias disponíveis. Nenhum dos dispositivos citados trata de Dados Sintéticos.

O Quadro 1 contrapõe a posição convencional, descrita no Space do autor [MORAIS DA ROSA, 2025], às ressalvas do guia da PDPC.

Quadro 1. Posição convencional e ressalva do guia da PDPC.

[1.3] Explicação Feynman

Dado é um registro solto, como um número, uma palavra ou uma foto. Imagine uma escola com 300 fichas de alunos, cada ficha com idade, altura e nota. Um programa de computador lê as fichas e aprende o padrão: quantos alunos têm 12 anos, qual é a altura média de cada idade e como a altura se relaciona com a nota. O programa escreve 3.000 fichas novas que seguem o mesmo padrão. Nenhuma ficha nova pertence a um aluno de verdade. As 3.000 fichas novas são Dados Sintéticos. A escola usa as fichas novas para treinar e testar programas de computador. Os alunos reais não aparecem em nenhuma ficha nova.

[1.4] Analogia do Cotidiano

Um arquiteto estuda um bairro: mede a largura das ruas, a altura dos prédios e a distância entre as casas. O arquiteto monta uma maquete com casas novas que seguem as mesmas medidas. Nenhuma casa da maquete existe no bairro. A prefeitura testa na maquete o trânsito e as enchentes sem expor a rua de nenhum morador. A maquete corresponde aos Dados Sintéticos, o bairro aos Dados de Origem e o arquiteto ao modelo gerador.

Primeira exceção: a cópia. Se o arquiteto copia a casa do número 12 com a mesma fachada e o mesmo endereço, a maquete expõe uma casa real. O erro equivale ao overfitting sintético, falha em que o modelo copia os registros de treinamento em vez de aprender o padrão.

Segunda exceção: o defeito herdado. Se o bairro não tem rampas de acesso, a maquete não tem rampas. O teste na maquete aprova um bairro sem rampas. O defeito equivale ao viés algorítmico, padrão discriminatório que os Dados de Origem contêm e os Dados Sintéticos reproduzem.

[1.5] Síntese

[a] O que é. Dados Sintéticos são dados artificiais que algoritmos geram a partir do padrão estatístico de Dados de Origem. Nenhum registro corresponde a um evento ou a um indivíduo do mundo real.

[b] Para que serve. Os Dados Sintéticos superam limites de privacidade, aceleram o desenvolvimento de modelos, testam sistemas com cenários raros e reduzem o custo de coleta de dados.

[c] Como funciona. O programa modela os Dados de Origem, gera novos registros e valida a semelhança estatística. A validação confere a fidelidade estatística. A avaliação de risco confere a reidentificação.

[d] Como se aplica. No processo penal, os Dados Sintéticos criam casos simulados para treinar operadores do direito, analisam padrões criminais sem expor dados sensíveis de investigações, testam sistemas de inteligência artificial de apoio à decisão judicial, simulam cenários de prova para estudar técnicas de investigação e sustentam pesquisa em criminologia. Cinco riscos acompanham o uso: viés algorítmico, falsa sensação de precisão, dificuldade de validação, incerteza sobre a validade jurídica de decisões baseadas em Dados Sintéticos e diluição de provas, quando dados reais e Dados Sintéticos se misturam em investigações.

[1.6] Lacunas e Ruídos

O instituto vizinho é Dados Anonimizados. A confusão mais provável ocorre porque ambos os tipos de dado protegem a identidade das pessoas.

Frase de corte: Dados Anonimizados derivam de dados reais que perderam a identificação. Dados Sintéticos nascem de um modelo e não derivam de um registro individual copiado.

A armadilha de leitura consiste em tratar Dados Sintéticos como fora da LGPD por definição. O guia da PDPC reconhece risco de reidentificação em Dados Sintéticos. A ausência de nome no registro não converte dado em dado anonimizado: o art. 5º, III, da LGPD exige que o titular não possa ser identificado por meios técnicos razoáveis. O Quadro 2 separa os dois tipos de dado.

Quadro 2. Dados Sintéticos e Dados Anonimizados.

[1.7] FAQ

[a] Dados Sintéticos servem de prova no processo penal? Dados Sintéticos não descrevem fato real. Um registro sem correspondência com o evento não comprova o evento.

[b] Gerar Dados Sintéticos custa menos? O custo de coleta de dados reais cai. O custo computacional integra os desafios do uso, ao lado da qualidade e da regulamentação, porque dados de alta qualidade exigem recursos de computação.

[c] A LGPD vale para Dados Sintéticos? A LGPD regula dados pessoais e dados anonimizados [LGPD, art. 5º, I e III]. Quem usa Dados Sintéticos avalia, caso a caso, se algum registro permite identificar pessoa por meios razoáveis.

[d] Por que o texto usa dados e não informações? Dados Sintéticos não têm referente, pois não apontam para pessoa ou fato real. O dado, interpretado com referente, vira informação. Os Dados Sintéticos, sem referente, permanecem registro.

[e] A GAN é o único algoritmo gerador? A GAN é um dos algoritmos. O guia da PDPC admite qualquer modelo matemático construído para a finalidade, inclusive modelos de inteligência artificial e de aprendizado de máquina.

[1.8] Glossário do Verbete

Algoritmo. Sequência finita de instruções que o computador executa.

Dado. Registro bruto, como número, texto ou imagem. O dado interpretado com referente vira informação.

Dados de Origem. Dados reais que o modelo analisa para aprender distribuições, correlações e padrões.

GAN [Generative Adversarial Network]. Algoritmo de aprendizado de máquina com duas redes neurais que competem: uma gera Dados Sintéticos e outra distingue dados reais de Dados Sintéticos [GOODFELLOW et al., 2014].

Overfitting Sintético. Falha do modelo gerador que copia de perto os dados de treinamento, incluindo ruídos e anomalias, em vez de aprender os padrões subjacentes.

Privacidade Diferencial. Técnica matemática que oferece garantias formais de privacidade em conjuntos de dados [DWORK et al., 2017].

Reidentificação. Associação de um registro a pessoa determinada por isolamento, vinculação ou inferência.

Validação de Dados Sintéticos. Verificação de que os Dados Sintéticos mantêm as propriedades estatísticas relevantes dos dados reais que representam.

Viés Algorítmico. Padrão discriminatório presente nos dados que o modelo reproduz nos resultados.

Referências Bibliográficas

BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais [LGPD]. Brasília, DF: Presidência da República, 2018. Disponível em: https://www2.camara.leg.br/legin/fed/lei/2018/lei-13709-14-agosto-2018-787077-publicacaooriginal-156212-pl.html. Acesso em: 28 out. 2026.

DWORK, Cynthia; McSHERRY, Frank; NISSIM, Kobbi; SMITH, Adam. Calibrating Noise to Sensitivity in Private Data Analysis. Journal of Privacy and Confidentiality, v. 7, n. 3, p. 17-51, 2017. DOI 10.29012/jpc.v7i3.405. Disponível em: https://journalprivacyconfidentiality.org/index.php/jpc/article/view/405. Acesso em: 28 out. 2026.

GOODFELLOW, Ian J. et al. Generative Adversarial Networks. arXiv, 1406.2661, 2014. Disponível em: https://arxiv.org/abs/1406.2661. Acesso em: 28 out. 2026.

MORAIS DA ROSA, Alexandre. Dados Sintéticos: Explicação Completa. Hugging Face Spaces, 2025. Disponível em: https://huggingface.co/spaces/alexandremoraisdarosa/dadossinteticos. Acesso em: 28 out. 2026.

SINGAPURA. Personal Data Protection Commission. Privacy Enhancing Technology [PET]: Proposed Guide on Synthetic Data Generation. Singapura: PDPC; IMDA, 2024. Disponível em: https://www.pdpc.gov.sg/-/media/files/pdpc/pdf-files/other-guides/proposed-guide-on-synthetic-data-generation.pdf. Acesso em: 28 out. 2026.