İçeriğe geç

Sözlük

Yapay Zekâ ve Makine Öğrenimi

Sentetik Veri

Sentetik veri, gerçek kayıtları kopyalamadan gerçek verinin istatistiksel özelliklerini ve yapısını taklit eden, yapay olarak üretilmiş veridir; modelleri eğitmek ve test etmek, verileri güvenle paylaşmak veya gerçek verinin kıt ya da hassas olduğu boşlukları doldurmak için kullanılır.

Güncelleme: · Hazırlayan: VIZIO AI ekibi

Sentetik veri nedir?

Sentetik kayıtlar, gerçek bir veri setinin örüntülerini öğrenmiş veya kendisine bu örüntüler verilmiş bir üretici tarafından üretilir; üretici daha sonra bu örüntülerden yeni kayıtlar örnekler. İyi üretilmiş bir veri seti; sütun dağılımlarını, korelasyonları ve iş kurallarını korurken gerçek bir kişiye karşılık gelen hiçbir satır içermez.

Üç ana iş için kullanılır:

  • Gizlilik: geliştiricilere, tedarikçilere veya araştırmacılara müşterileri ifşa etmeden gerçekçi veri sağlamak.

  • Kıtlık: model eğitimi için dolandırıcılık veya ekipman arızaları gibi nadir vakalardan daha fazla örnek oluşturmak.

  • Test: geliştirme ve QA ortamlarını gerçekçi hacimler ve uç durumlarla doldurmak.

Sentetik veri nasıl üretilir?

Yöntemler basit kurallardan derin üretken modellere kadar uzanır ve doğru seçim, görevin ne kadar gerçekçilik gerektirdiğine bağlıdır.

  • Kural tabanlı: Faker gibi kütüphaneler makul isimler, adresler ve tarihler üretir; arayüz testi için yeterli, analitik için işe yaramaz.

  • İstatistiksel modeller: Gauss kopulaları veya Bayes ağları sütunlar arasındaki korelasyonları yakalar.

  • Derin üretken modeller: GAN'lar (tablolar için CTGAN gibi) ve varyasyonel otomatik kodlayıcılar (VAE) karmaşık örüntüleri öğrenir.

  • LLM ile üretim: dil modelleri sentetik metin, konuşma veya değerlendirme vakaları oluşturur.

Açık kaynak seçenekler arasında Synthetic Data Vault (SDV); ticari platformlar arasında Gretel ve MOSTLY AI bulunur.

Sentetik veri pratikte nasıl görünür?

Üretilmiş veri, bir ekibin geliştirme ortamına başka türlü gerçekçi veri sokamadığı durumlarda en değerlidir. Dışarıdan bir ajansa yeni bir kredi riski paneli geliştirtmek isteyen ancak gerçek müşteri verilerini paylaşamayan 250 kişilik bir dijital bankayı düşünün. Diyelim ki bankanın veri ekibi, SDV'de 18 aylık anonimleştirilmiş hesap ve işlem tabloları üzerinde bir CTGAN modeli eğitiyor.

  1. Tasarruf hesaplarında bakiyenin asla eksiye düşmemesi ve her işlemin mevcut bir hesaba ait olması için kısıtlar eklenir.

  2. Kalite, gerçek ve sentetik tablolar arasındaki dağılımlar ve korelasyonlar karşılaştırılarak kontrol edilir.

  3. Gizlilik, hiçbir sentetik satırın gerçek bir kaydın neredeyse kopyası olmadığını doğrulamak için en yakın kayda uzaklık (distance-to-closest-record) testleriyle kontrol edilir.

  4. Ajans üretilmiş tablolar üzerinde geliştirme yapar, ardından banka dahili olarak gerçek verileri devreye alır.

Bu örnekte tedarikçi kişisel verilere hiç dokunmaz ve panel mantığı canlıya geçişten önce doğrulanır.

Sentetik verinin riskleri ve sınırları nelerdir?

Üretilmiş bir veri seti ancak koruduğu örüntüler kadar iyidir ve en önemli olan nadir vakalarda başarısız olabilir.

  • Ezberleme: az sayıda satırla eğitilmiş bir üretici gerçek kayıtları yeniden üretebilir; bu da gizlilik amacını boşa çıkarır.

  • Kaybolan sinyal: çoğu zaman en ilginç olanlar olan zayıf veya nadir korelasyonlar yumuşatılıp kaybolabilir.

  • Yanlılığın taşınması: kaynak verilerdeki yanlılıklar yeniden üretilir ve bazen büyütülür.

  • Hukuki durum: üretilmiş kayıtlar GDPR kapsamında otomatik olarak anonim sayılmaz; bu, yeniden tanımlama riskine bağlıdır.

Faydayı sentetikle eğit, gerçekle test et (TSTR) yaklaşımıyla doğrulayın: üretilmiş set üzerinde bir model eğitin ve ayrılmış gerçek veriler üzerinde ölçün. Nihai model değerlendirmesi, düzenleyici raporlama veya gerçek olayları yansıtması gereken herhangi bir karar için kullanmaktan kaçının.

Pratik bir kural: kullanım gerçek dünyadaki bir karara ne kadar yakınsa, o kadar fazla gerçek veriye ihtiyaç duyar.

Sentetik veri, anonimleştirilmiş veya maskelenmiş veriden nasıl ayrılır?

Anonimleştirme ve maskeleme gerçek kayıtları dönüştürür; sentetik bir üretici ise öğrenilmiş örüntülerden yeni kayıtlar oluşturur. Maskelenmiş veri, bazı alanları gizlenmiş şekilde her gerçek kişi için bir satır tutar; üretilmiş bir tablonun ise gerçek kişilerle hiçbir bire bir bağlantısı yoktur.

Bu, iyi yapıldığında üretimi paylaşım için daha güvenli, ancak daha az kesin kılar: anonimleştirilmiş veri gerçek değerleri ve dağılımları tam olarak korurken, üretilmiş veri bunlara yaklaşır. Her ikisi de toplulaştırma ve erişim kontrolüyle birlikte daha kapsamlı bir veri gizliliği araç setinin parçasıdır.

Sentetik veri ve anonimleştirilmiş veri karşılaştırması

Sentetik veri

Anonimleştirilmiş veri

Kaynak

Öğrenilmiş örüntülerden üretilir

Tanımlayıcıları kaldırılmış gerçek kayıtlar

Gerçek kişilerle bağlantı

Bire bir bağlantı yok

Her gerçek kişi için bir satır, kimliksizleştirilmiş

Doğruluk (fidelity)

Dağılımlara yaklaşır

Gerçek değerleri korur

Temel risk

Ezberleme veya kaybolan nadir örüntüler

Veri eşleştirme yoluyla yeniden tanımlama

En uygun olduğu alan

Geliştirme, paylaşım, nadir vaka eğitimi

Kesin gerçek değerler gerektiren analitik

VIZIO AI sentetik veriye nasıl yaklaşıyor?

VIZIO AI'ın yayımlanmış vaka çalışmaları bir sentetik veri projesi içermiyor; bu yüzden dürüst kesişim, üretilmiş verinin daha güvenli geliştirme için seçeneklerden biri olduğu hassas kayıtlar üzerindeki tahmine dayalı çalışmalardır. ABD'deki bir odyoloji kliniği ağı için DX Studio, hasta, cihaz ve CRM verilerini birleştirdi ve yapay zekâ destekli bir hasta elde tutma paneli için geçmiş kullanım ve iade örüntüleri üzerinde Python ve Azure ML ile tahmine dayalı modeller eğitti; pilot kliniklerde işitme cihazı iade oranlarını %12–15 azalttı.

Bu proje gerçek geçmiş veriler kullandı; benzer şekilde hassas sağlık verileriyle çalışan ekipler geliştirme ve tedarikçi erişimi için sentetik kopyalar kullanabilir, ardından gerçek veriler üzerinde doğrulama yapabilir. Nereden başlamalı: bugün yalnızca gerçekçi bir ikame bulunmadığı için gerçek kişisel verilerin kullanıldığı bir ortamı belirleyin.

Facebook logosu
X logosu
LinkedIn logosu
Reddit logosu
Telegram logosu

Önce yapay zekâyı düşünün.
Geleceğin hızında ilerleyin.

Sıradakini birlikte inşa edelim! Ürün fikirlerinden akıllı iş akışlarına, veri odaklı sistemlerden ölçeklenebilir büyüme operasyonlarına kadar.

Strateji Görüşmesi Planlayın