Sentetik veri, gerçek kişilere, işlemlere veya olaylara ait herhangi bir gerçek kayıt içermeden, gerçek dünya verilerinin istatistiksel örüntülerini, dağılımlarını ve yapısını taklit eden yapay olarak üretilmiş bilgidir. Genellikle değişimsel otokodlayıcılar, çekişmeli üretici ağlar veya büyük dil modelleri gibi üretici modellerin yanı sıra kural tabanlı simülatörler tarafından, gerçek veri kümelerinin yerine geçmek üzere üretilir. Üretilen çıktıda gerçek bireyler veya olaylar kodlanmadığı için sentetik veri, gizlilik, maliyet ve erişim engellerinin birçoğunu aşarak gerçekçi bilgiyle paylaşım, inceleme ve geliştirme yapma olanağı sunar.
Sentetik Veri nasıl çalışır
Temel fikir, gerçek bir veri kümesinin kompakt bir matematiksel tanımını öğrenmek ve ardından bu tanımdan örnekleyerek tanıdık görünen ancak kopya olmayan yeni kayıtlar oluşturmaktır. Tipik bir işlem hattında, üretici bir model — örneğin müşteri işlemlerini içeren bir tablo — üzerinde, sütunlar arasındaki ortak dağılımı (yaş, bölge, satın alma tutarı ve benzeri) yakalayana kadar bir kaynak veri kümesi üzerinde eğitilir. Ardından öğrenilen dağılımdan yeni satırlar çekilir. Aynı mantık, difüzyon ağları veya LLM'ler gibi modellerin orijinalleriyle aynı stili ve istatistikleri paylaşan yeni örnekler ürettiği görüntüler, metinler ve zaman serileri için de geçerlidir.
Kalite genellikle iki eksende kontrol edilir: doğruluk (sentetik kayıtlar toplu olarak gerçek kayıtlar gibi mi davranıyor?) ve fayda (üzerlerinde eğitilmiş bir model, gerçek verilerle eğitilmiş biriyle aynı görevi çözebilir mi?). Gizlilik ayrıca kontrol edilir ve bu genellikle bir saldırganın sentetik veri kümesine gömülü herhangi bir gerçek kaydı ne kadar güvenle yeniden tanımlayabileceği ölçülerek yapılır. Basit bir örnek: bir hastane, göğüs röntgenlerini dış araştırmacılarla paylaşmak istiyor. Hastane, gerçek hasta taramalarını yayınlamak yerine arşivi üzerinde bir üretici model eğitir ve tıbbi açıdan gerçekçi görünen binlerce yeni, yapay röntgeni yayınlayarak dış ekiplerin tanı araçları geliştirmesine, hiçbir zaman kimliği belirlenebilir tıbbi görüntüyle uğraşmadan olanak tanır.
Neden önemlidir
Gerçek veri genellikle yapay zeka projelerinin darboğazıdır. Tıbbi kayıtlar, finansal işlemler ve kullanıcı davranış günlükleri düzenlemeler, sözleşmesel yükümlülükler veya basit kıtlık nedeniyle kısıtlanır. Sentetik veri bu darboğazı gevşetir; ekiplerin gizlilik sınırlarını aşmadan daha hızlı prototip oluşturmasına, küçük veri kümelerini artırmasına ve dengesiz sınıfları dengelemesine olanak tanır. Ayrıca eğitim setlerinin hassas ayrıntıları ezberleme ve sızdırma riskini azaltır ve gerçek dünya verilerinin hacim olarak nadiren yakaladığı nadir veya tehlikeli senaryoların — dolandırıcılık örüntüleri, ekipman arızaları, uç durum sürüş senaryoları — simüle edilmesini mümkün kılar.
Büyük bulut sağlayıcıları ve açık kaynak kütüphaneler artık sentetik veri araçları sunuyor ve bazı sektörlerde düzenleyiciler, sentetik veri kümelerinin uyumluluğu nasıl destekleyebileceğine dair rehberlik yayımlamaya başladı. Bu sihirli bir çözüm değildir: kötü üreticiler, kaynak verilerindeki aynı önyargıları kodlayabilir veya gizlilik testlerini tamamen başarısız kılabilir. Yine de dikkatli kullanıldığında sentetik veri, özellikle gerçek verilerin kilitli olduğu alanlarda modern yapay zeka araç setinin standart bir parçası haline geliyor.
Temel türler
- Tamamen sentetik: Her kayıttaki her değer bir model tarafından üretilir; çıktıda hiçbir gerçek kayıt görünmez. En güçlü gizlilik garantilerini sunar ancak gerçek dünya uç durumlarından sapabilir.
- Kısmen sentetik: Yalnızca hassas alanlar (örneğin isimler veya tanılar) değiştirilirken hassas olmayan sütunlar gerçek tutulur. Hassas olmayan özelliklerdeki tam ilişkilerin korunması önemli olduğunda kullanışlıdır.
- Zenginleştirilmiş sentetik: Gerçek veriler, genellikle sınıfları dengelemek veya nadir olayları simüle etmek için ek üretilmiş örneklerle genişletilir. Bilgisayarlı görü ve dolandırıcılık tespitinde yaygındır.
- Simüle edilmiş: Kayıtlar, öğrenilmiş istatistiklerden değil, bir sürecin elle oluşturulmuş bir modelinden (fizik motoru, kuyruk sistemi, etmen tabanlı ekonomi) gelir. Robotik, pekiştirmeli öğrenme ve sentetik kontrol yöntemlerinde yaygın olarak kullanılır.
İyi kullanıldığında sentetik veri, ekiplerin neler geliştirebileceğini genişletirken hassas bilgilerle çalışmanın maliyetini ve riskini azaltır — veri kıtlığı ile modern yapay zekanın talepleri arasında pratik bir köprü oluşturur.