Odborná definícia
Význam a odborné vymedzenie pojmu
Synthetic data sú umelo vytvorené záznamy, obrazy, texty, signály alebo scenáre, ktoré napodobňujú vybrané vlastnosti reálnych dát alebo vznikajú zo simulácie. Používajú sa na rozšírenie vzácnych tried, testovanie, ochranu súkromia a tréning v situáciách, kde reálne dáta chýbajú. Syntetickosť sama osebe nezaručuje anonymitu, reprezentatívnosť ani absenciu autorských a licenčných problémov. Hodnotí sa užitočnosť, podobnosť distribúcií, memorovanie a riziko úniku. Dôležitý je aj podiel syntetických príkladov, pretože príliš veľa generovaných dát môže zúžiť variabilitu.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Ak firma nemá dosť príkladov poruchy stroja, môže simulovať senzory pri rôznych typoch zlyhania. Získa viac tréningových situácií bez čakania na skutočnú haváriu. Pri tabuľkových dátach môže generátor vytvoriť nové riadky s podobnými štatistikami ako pôvodná databáza. Takéto riadky však môžu kopírovať vzácnu osobu, vynechať nečakaný jav alebo zosilniť predsudok zdroja. Syntetické dáta musia byť testované voči účelu a porovnané s reálnou prevádzkou. Syntetická zbierka je najcennejšia vtedy, keď cielene pokrýva prípady, ktoré reálne dáta obsahujú málo alebo vôbec.
Časté otázky
Otázky, ktoré spresňujú význam
Sú syntetické dáta automaticky anonymné?
Nie. Generátor môže memorovať tréningové záznamy alebo zachovať kombinácie, ktoré identifikujú jednotlivca. Súkromie sa hodnotí útokmi, analýzou podobnosti a prípadne diferenciálnou ochranou.
Ako sa meria utility syntetických dát?
Porovnáva sa distribúcia vlastností, korelácie, pokrytie vzácnych prípadov a výkon modelu trénovaného na syntetických dátach pri testovaní na reálnych dátach.
Čo je sim-to-real gap?
Je to rozdiel medzi simulovaným a skutočným prostredím. Model môže využiť artefakty simulátora a po nasadení zlyhať na fyzike, textúrach alebo správaní, ktoré simulácia nevystihla.
Môžu syntetické dáta opraviť nevyvážené triedy?
Môžu doplniť menšinové prípady, ale generátor potrebuje dostatočný základ, aby nevytváral stereotypné kópie. Výsledok sa kontroluje na reálnych príkladoch menšinovej triedy.
Ako sa dokumentuje pôvod syntetických dát?
Zaznamenáva sa zdroj seed dát, generátor, verzia, prompty alebo parametre simulácie, filtre, licencie, podiel syntetických záznamov a testy kvality a súkromia.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
- NIST Glossary, synthetic data generation SDNist Synthetic Data Report Tool
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.