合成データとは、実際の人、取引、イベントからの実記録を一切含まずに、実世界のデータの統計的なパターン、分布、構造を模倣する人工的に生成された情報です。これはアルゴリズム——一般的には変分オートエンコーダ、生成的敵対ネットワーク、大規模言語モデルなどの生成モデルや、ルールベースのシミュレーター——によって生成され、実データセットの代わりとして使用されます。出力には実際の個人や事象がエンコードされていないため、合成データはプライバシーの問題、コスト、アクセスの壁を回避しながら、現実的な情報を共有、研究、活用する方法を提供します。
合成データの仕組み
中心となる考え方は、実データセットのコンパクトな数学的記述を学習し、その記述からサンプリングして、馴染みがあるがコピーではない新しいレコードを生成することです。一般的なパイプラインでは、生成モデルをソースデータセット（例えば顧客取引のテーブル）で訓練し、列間の結合分布（年齢、地域、購入額など）を捉えるまで学習させます。その後、学習した分布から新しい行が抽出されます。同じロジックは画像、テキスト、時系列にも適用され、拡散ネットワークやLLMなどのモデルが、元のスタイルと統計を共有する新しいサンプルを生成します。
品質は通常、2つの軸でチェックされます。忠実度（合成レコードが集合的に実レコードのように振る舞うか）と有用性（それらで学習したモデルが実データで学習したモデルと同じタスクを解決できるか）です。プライバシーは別個にチェックされ、しばしば敵対者が合成セットに埋め込まれた実レコードをどれほど確信を持って再識別できるかを測定することで評価されます。簡単な例を挙げると、病院は胸部X線画像を外部の研究者と共有したいとします。実際に入院患者スキャンを公開する代わりに、自社のアーカイブで生成モデルを訓練し、医学的にリアルに見える何千もの新しい人工X線画像を公開します——これにより、外部チームが識別可能な医療画像を扱うことなく、診断ツールを開発できます。
なぜ重要なのか
実データはAIプロジェクトのボトルネックになることがよくあります。医療記録、金融取引、ユーザーの行動ログは、規制、契約上の義務、あるいは単に希少性によって制限されています。合成データはそのボトルネックを緩和し、プライバシーの境界を踏み越えることなく、チームがより迅速にプロトタイプを作成し、小規模なデータセットを拡張し、偏ったクラスのバランスをとることを可能にします。また、学習データが機密情報を記憶して漏洩するリスクを低減し、稀なシナリオや危険なシナリオ——詐欺のパターン、機器の故障、エッジケースの運転状況など——をシミュレーションすることを可能にし、これらは実世界のデータでは大量に取得することはほとんどありません。
主要なクラウドプロバイダーやオープンソースライブラリが合成データツールを提供し始めており、一部の業界の規制当局は合成データセットがコンプライアンスをどのように支援できるかに関するガイダンスを公開し始めています。銀の弾丸ではありません：質の低い生成器はソースデータと同じバイアスをエンコードしたり、プライバシーテストに完全に失敗したりする可能性があります。それでも、注意深く使用すれば、合成データは特に実データがアクセスできない分野において、现代的なAIツールキットの標準的な部分になりつつあります。
主要な種類
- 完全合成：すべてのレコードのすべての値がモデルによって生成され、実レコードは出力に現れません。最も強力なプライバシー保証を提供しますが、実世界のエッジケースから乖離する可能性があります。
- 部分合成：機密性の高いフィールド（例えば名前や診断）のみが置き換えられ、機密性の低い列は実際のまま保持されます。機密性の低い特徴量における正確な関係性の保持が重要な場合に役立ちます。
- 拡張合成：実データが追加の生成サンプルで拡張され、多くの場合、クラスのバランスを取ったり稀な事象をシミュレートしたりします。コンピュータビジョンや不正検出で一般的に使用されます。
- シミュレーション：レコードは、学習された統計ではなく、プロセスの手作りのモデル（物理エンジン、キューイングシステム、エージェントベース経済など）から得られます。ロボット工学、強化学習、合成コントロール手法で広く使用されています。
うまく活用すれば、合成データは機密情報の取り扱いのコストとリスクを軽減しながらチームが構築できるものの幅を広げ、データの希少性と现代的なAIの要求の間の実用的な橋渡しとなります。