Ce înseamnă Date sintetice
Datele sintetice sunt date care nu provin direct din lumea reală, ci sunt generate: de un simulator, de reguli statistice sau de un alt model AI. Pot fi imagini, texte, tabele, înregistrări audio sau scenarii de trafic.
Sunt folosite din trei motive principale: datele reale sunt prea puține (de exemplu, accidente rare), sunt scumpe de etichetat sau sunt confidențiale (dosare medicale, tranzacții bancare). Multe modele lingvistice recente sunt antrenate parțial pe texte generate de alte modele, de exemplu exerciții rezolvate pas cu pas.
Cum funcționează
Pentru imagini se folosesc adesea motoare grafice 3D, în care poți genera mii de scene cu lumină, unghi și vreme diferite, fiecare etichetată automat și perfect. Pentru tabele cu date personale se generează înregistrări cu aceleași proprietăți statistice ca originalul, dar fără persoane reale. Pentru text, un model mare scrie exemple pe care apoi se antrenează un model mai mic.
Riscul principal: dacă modelele sunt antrenate repetat pe date generate de modele, fără destule date reale, calitatea și diversitatea pot scădea de la o generație la alta, fenomen numit în cercetare model collapse. Datele sintetice pot și să copieze sau să amplifice erorile și prejudecățile modelului care le-a generat.
Pe înțelesul tuturor
Piloții învață să gestioneze o pană de motor în simulator, nu așteptând să li se întâmple în zbor. Simulatorul produce „date sintetice” despre situații rare și periculoase, ca pilotul să fie pregătit pentru ele.
Exemplu
Un spital vrea să ajute o firmă să dezvolte un model de predicție a riscului de diabet, dar nu poate da dosarele pacienților. Generează 50.000 de dosare sintetice cu aceleași corelații între vârstă, greutate și analize ca datele reale, dar fără niciun pacient real. Trebuie verificat totuși că setul generat nu reproduce, din greșeală, dosare reale aproape identice.
De reținut
- Datele sintetice completează datele reale când acestea lipsesc sau sunt sensibile.
- Simulatoarele produc etichete perfecte, gratuit.
- Folosite exclusiv și repetat, pot degrada calitatea modelelor.
Nu confunda
- Date sintetice vs. date augmentate: augmentarea modifică exemple reale existente (rotiri, decupări); datele sintetice sunt create de la zero.
Termeni înrudiți
- Date de antrenare: Exemplele din care învață un model AI: texte, imagini, sunete sau tabele. Calitatea lor decide în mare măsură calitatea modelului.
- Augmentarea datelor: Tehnica de a crea variante noi ale exemplelor existente (rotiri, decupări, zgomot) ca modelul să învețe din mai multe date.
- Confidențialitatea datelor în AI: Protejarea informațiilor personale și confidențiale care ajung în sistemele AI, la antrenare sau atunci când le folosim.
- Set de date (dataset): O colecție organizată de exemple (texte, imagini, tabele) folosită pentru a antrena, verifica sau compara modele AI.
- Distilarea modelelor: Tehnica prin care un model mic („elev”) este antrenat să imite un model mare („profesor”), păstrând mare parte din performanță la un cost mult mai mic.