Сведут ли синтетические данные на нет импульс генеративного ИИ или станут прорывом, который нам нужен?
На SXSW Майк Холлинджер из Nvidia и другие бизнес-лидеры раскрывают потенциальные преимущества и подводные камни использования смоделированных данных.
С развитием генеративного искусственного интеллекта синтетические изображения и текст стали общеизвестными, но знакомы ли вы с синтетическими данными? Как понятно из названия, этот термин относится к данным, которые искусственно генерируются и используются для замены реальных данных. С его помощью создаются решения для здравоохранения, финансов, автомобилестроения и, самое главное, искусственного интеллекта.
Синтетические данные являются настолько неотъемлемой частью цифровой революции, что компания South by Southwest (SXSW) провела сессию по искусственному интеллекту под названием «Влияние смоделированных данных на искусственный интеллект и будущее», предназначенную для анализа способности технологии укреплять и поддерживать генеративный ИИ, а также оценки потенциальных рисков.
В дискуссии приняли участие эксперты: Майк Холлинджер, директор по управлению продуктами корпоративного программного обеспечения Gen AI в NVIDIA; Оджи Удезуэ, CPO в Typeform; и Тахир Экин, заведующий кафедрой бизнес-аналитики Филдса в Университете штата Техас, которые сохранили в целом позитивный взгляд на технологию.
«Для нас это [синтетические данные] делает нашу способность создавать правильные вещи дешевле и лучше, что является святым Граалем», — сказал Удезуэ.
Подробнее о потенциале синтетических данных для развития искусственного интеллекта, его рисках и советах экспертов о том, как действовать дальше, читайте ниже.
Преимущества
Синтетические данные позволяют пользователям моделировать реальную информацию в ситуациях, когда сбор фактических данных был бы слишком дорогостоящим, трудоемким или мог бы вызвать проблемы с конфиденциальностью, например, при использовании конфиденциальной финансовой информации.
Недавний всплеск его популярности во многом обусловлен его растущей ролью в обучении и совершенствовании моделей машинного обучения и искусственного интеллекта, что становится все более важным на фоне быстрого развития этих моделей в прошлом году.
«С ChatGPT, с Gemini, с Claude, с DeepSeek, с любой из этих моделей, внутри обучающих данных этой модели, скорее всего, будет синтетический этап генерации», — сказал Холлинджер. «Эти синтетические данные берут части этого обучающего материала и усиливают его, чтобы дать различные вариации, чтобы я мог затем обучить модель давать любые выходные данные».
Синтетические данные особенно ценны для моделей ИИ, поскольку они требуют больших, разнообразных и высококачественных наборов данных для эффективного обучения, которое может быть трудно или непрактично получить. Это особенно верно при таргетинге на нишевые, проприетарные или оригинальные наборы данных, которые не всегда доступны через парсинг общедоступных данных.
В отчете, опубликованном на прошлой неделе, исследовательская фирма Gartner определила синтетические данные как одну из главных тенденций в области данных и аналитики на 2025 год. В частности, в отчете содержится призыв к использованию синтетических данных для восполнения областей, в которых отсутствует или неполное понимание, или для замены конфиденциальных данных для обеспечения конфиденциальности.
Риски
Для создания синтетических данных сложные алгоритмы берут исходный набор данных и повторяют шаблоны, структуры и другие характеристики, найденные в этих данных. Однако, как и в случае с любым другим продуктом ИИ, существуют некоторые отклонения, которые могут оказать значительное влияние.
Чтобы проиллюстрировать эту идею, Холлинджер привел пример с тем, сколько часов было в сутках в день конференции, что было сложным вопросом, потому что технически в воскресенье было 23 часа из-за перехода на летнее время.
Если бы выборка данных была взята из случайных дней в течение года, возможно, что один из выбранных дней был бы из города с переходом на летнее время, где было на час меньше. Синтетический конвейер данных, построенный на основе этого образца, стер бы точность модели.
Следовательно, при создании синтетических наборов данных крайне важно, чтобы данные были основаны на реальном мире, чтобы избежать таких несоответствий и гарантировать, что набор данных максимально репрезентативен для сценария, который он должен представлять. Однако, по словам Удезуэ, даже при измерении этого показателя и учете энтропии часто бывает трудно обеспечить точность.
«Люди непредсказуемы в непредсказуемом смысле», — сказал Удезуэ. «Как вы прогнозируете изменение для 8 миллиардов человек?»
Помимо технических проблем, одним из самых больших препятствий, которые необходимо преодолеть, будет завоевание доверия пользователей при использовании синтетических данных в качестве основного источника информации и создания новых решений. Чтобы построить это доверие, важна прозрачность в отношении того, как генерируются, проверяются и применяются синтетические данные, с четким разграничением, например, с помощью карточек моделей.
«Аспект доверия — с точки зрения пользователя, мы используем эти инструменты искусственного интеллекта, но как вы себя чувствуете, садясь в беспилотный автомобиль, который не тестировался на дороге, а был протестирован только с использованием смоделированных данных?» — сказал Экин.
Взгляд в будущее
Несмотря на трудности, участники дискуссии сохраняют оптимизм в отношении использования технологии в будущем ИИ и в будущем. Это не означает, что проблем нет или что не нужно работать, но его общий потенциал для стимулирования роста во всех секторах по-прежнему велик.
«Моделируемые данные, при правильном использовании, поднимут науку, поднимут программное обеспечение, поднимут отрасль, но у нас есть правильное управление и прозрачность, иначе мы не сможем использовать их должным образом», — сказал Удезуэ.