La donnée synthétique est une information générée artificiellement qui imite les schémas statistiques, les distributions et la structure de données réelles sans contenir de véritables enregistrements issus de personnes, de transactions ou d'événements réels. Elle est produite par des algorithmes — généralement des modèles génératifs comme les autoencodeurs variationnels, les réseaux antagonistes génératifs ou les grands modèles de langage, ainsi que par des simulateurs à base de règles — pour servir de substitut à des jeux de données authentiques. Comme aucun individu ni événement réel n'est encodé dans le résultat, la donnée synthétique offre un moyen de partager, d'étudier et de construire à partir d'informations réalistes tout en contournant de nombreux obstacles liés à la confidentialité, au coût et à l'accès.
Comment fonctionne la donnée synthétique
L'idée centrale est d'apprendre une description mathématique compacte d'un jeu de données réel, puis d'échantillonner cette description pour créer de nouveaux enregistrements qui semblent familiers mais qui n'en sont pas des copies. Dans un pipeline typique, un modèle génératif est entraîné sur un jeu de données source — par exemple, une table de transactions clients — jusqu'à ce qu'il capture la distribution conjointe entre les colonnes (âge, région, montant d'achat, etc.). De nouvelles lignes sont ensuite tirées de la distribution apprise. La même logique s'applique aux images, au texte et aux séries temporelles, où des modèles comme les réseaux de diffusion ou les LLM produisent des échantillons inédits qui partagent le style et les statistiques des originaux.
La qualité est généralement évaluée selon deux axes : la fidélité (les enregistrements synthétiques se comportent-ils comme les vrais de manière agrégée ?) et l'utilité (un modèle entraîné dessus peut-il résoudre la même tâche qu'un modèle entraîné sur des données réelles ?). La confidentialité est vérifiée séparément, souvent en mesurant la confiance avec laquelle un adversaire pourrait réidentifier un enregistrement réel intégré au jeu synthétique. Un exemple simple : un hôpital souhaite partager des radiographies thoraciques avec des chercheurs externes. Plutôt que de transmettre de véritables scanners de patients, il entraîne un modèle génératif sur ses archives et publie des milliers de nouvelles radiographies artificielles qui semblent médicalement réalistes — permettant à des équipes externes de développer des outils de diagnostic sans jamais manipuler d'images médicales identifiables.
Pourquoi c'est important
La donnée réelle est souvent le goulot d'étranglement des projets d'IA. Les dossiers médicaux, les transactions financières et les journaux de comportement utilisateur sont restreints par la réglementation, des obligations contractuelles ou simplement la rareté. La donnée synthétique assouplit ce goulot d'étranglement, permettant aux équipes de prototyper plus rapidement, d'augmenter de petits jeux de données et d'équilibrer des classes déséquilibrées sans franchir les limites de la confidentialité. Elle réduit aussi le risque que les jeux d'entraînement mémorisent et divulguent des informations sensibles, et permet de simuler des scénarios rares ou dangereux — schémas de fraude, pannes d'équipement, situations de conduite limites — que les données réelles captent rarement en volume.
Les principaux fournisseurs de cloud et des bibliothèques open source proposent désormais des outils de donnée synthétique, et les régulateurs de certains secteurs ont commencé à publier des recommandations sur la manière dont les jeux de données synthétiques peuvent soutenir la conformité. Ce n'est pas une solution miracle : de mauvais générateurs peuvent encoder les mêmes biais que leurs données sources, ou échouer complètement aux tests de confidentialité. Malgré tout, utilisée avec discernement, la donnée synthétique devient un composant standard de la boîte à outils moderne de l'IA, en particulier dans les domaines où les données réelles sont verrouillées.
Types clés
- Entièrement synthétique : chaque valeur de chaque enregistrement est générée par un modèle ; aucun enregistrement réel n'apparaît dans le résultat. Offre les garanties de confidentialité les plus fortes, mais peut s'écarter des cas limites réels.
- Partiellement synthétique : seuls les champs sensibles (par exemple, les noms ou les diagnostics) sont remplacés, tandis que les colonnes non sensibles restent réelles. Utile lorsqu'il importe de préserver les relations exactes dans les caractéristiques non sensibles.
- Synthétique augmentée : les données réelles sont enrichies d'échantillons générés supplémentaires, souvent pour équilibrer des classes ou simuler des événements rares. Courante en vision par ordinateur et en détection de fraude.
- Simulée : les enregistrements proviennent d'un modèle construit à la main d'un processus (un moteur physique, un système de files d'attente, une économie basée sur des agents) plutôt que de statistiques apprises. Largement utilisée en robotique, en apprentissage par renforcement et dans les méthodes de contrôle synthétique.
Bien utilisée, la donnée synthétique élargit ce que les équipes peuvent construire tout en réduisant le coût et le risque liés au travail avec des informations sensibles — devenant un pont pratique entre la rareté des données et les exigences de l'IA moderne.