Словарь ИИ
Что такое синтетические данные
Коротко
Синтетические данные это примеры, которые создала программа или нейросеть, а не собрали из реальной жизни: тексты, таблицы и картинки для обучения и проверки моделей.
Машинное обучение · synthetic data
Михаил МозгПроверено: 1 минута чтения
Ребенку
Представь, что учительница хочет потренировать класс решать задачи про магазин, но настоящих чеков у нее нет. Она сама придумывает похожие: столько-то яблок, такая-то цена. Задачи выдуманные, но учат по-настоящему. Компьютер тоже иногда учится на придуманных примерах. Главное, чтобы они были похожи на жизнь, иначе он запомнит неправильное.
Простыми словами
Настоящих примеров часто не хватает: редкие поломки случаются раз в год, а реальные сведения о клиентах нельзя показывать посторонним. Тогда примеры создают искусственно. Программа рисует тысячи фото деталей с трещинами под разными углами, языковая модель пишет вопросы покупателей в разных формулировках, а генератор таблиц выдает записи, похожие на базу клиентов, но без настоящих людей. На таких примерах модель тренируется, а проверяют ее все равно на реальных случаях.
Для бизнеса
Синтетика выручает в трех случаях: реальных примеров мало, они дорогие или в них есть персональные данные, которые нельзя передавать подрядчику или в облако. Например, для тестов чат-бота генерируют сотни вариантов обращений вместо выгрузки настоящей переписки. Цена складывается из работы модели-генератора и проверки результата людьми. Риски: искусственные примеры повторяют ошибки и перекосы генератора, бедны редкими случаями, а модель, обученная только на них, хуже справляется с жизнью. Генератор, обученный на реальных записях, иногда воспроизводит их фрагменты, поэтому синтетику тоже проверяют на утечки. Правило простое: учить можно на смеси, а итоговую проверку делать на настоящих примерах. Юридическую сторону разбирают вместе с требованиями 152-ФЗ.
Для специалиста
Синтетические данные (synthetic data) получают процедурно, симуляцией или генеративной моделью: GAN, вариационным автоэнкодером, диффузионной или языковой моделью. Для таблиц цель в сохранении распределений и связей между столбцами без строк реальных людей; в компьютерном зрении рендерят трехмерные сцены, где разметка получается автоматически. При обучении языковых моделей распространена генерация инструкций самой моделью: в методе Self-Instruct (Wang и др., 2022) модель создавала инструкции, входы и ответы, дубли отфильтровывали, а затем дообучали ее на результате. Ограничение описали Shumailov и др. (2023): при обучении на сгенерированном контенте модели постепенно теряют редкие события из хвостов распределения, и этот эффект назван коллапсом модели (model collapse). Анонимность синтетика сама по себе не обеспечивает: генератор способен запомнить обучающие записи, поэтому для чувствительных данных добавляют дифференциальную приватность (differential privacy) и проверку близости к исходным строкам.
Пример
Страховая компания хочет научить модель находить подозрительные заявления, но настоящих случаев мошенничества у нее мало. Аналитики генерируют искусственные заявления по образцу известных схем, добавляют их к обучающей выборке, а качество проверяют только на реальных делах.
Связанные термины
Вопросы и ответы
Можно ли заменить персональные данные синтетическими?
Можно ли обучать модель только на искусственных примерах?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений