Synthetic Data

Synthetic Data (ข้อมูลสังเคราะห์) คือข้อมูลที่ถูกสร้างขึ้นโดยอัลกอริทึม ไม่ได้เก็บมาจากเหตุการณ์หรือคนจริง แต่ถูกออกแบบให้มีการกระจายตัวทางสถิติเหมือนข้อมูลจริงมากที่สุด วิธีสร้างมีตั้งแต่แบบง่าย: วิเคราะห์ข้อมูลจริงหาแพทเทิร์นทางสถิติแล้วสุ่มข้อมูลใหม่ตามแพทเทิร์นนั้น ไปจนถึงการจำลองสถานการณ์ (simulation) และการใช้ deep-learning อย่าง GAN หรือ VAE สร้างข้อมูลซับซ้อนอย่างรูปภาพหรือ time series โดยแบ่งได้เป็นสองแบบ: partial synthetic คือเอา dataset จริงมาแทนที่เฉพาะส่วนอ่อนไหว เช่น ชื่อและเบอร์ติดต่อลูกค้า กับ full synthetic คือสร้างใหม่ทั้งหมดโดยไม่มีข้อมูลจริงปนอยู่เลย แต่ยังคงความสัมพันธ์ทางสถิติของข้อมูลต้นแบบไว้

เหตุผลที่คนทำงานยุค AI ต้องรู้จักคำนี้มีสามข้อใหญ่ ข้อแรก: ความเป็นส่วนตัว องค์กรในสายที่กติกาเข้มอย่างการแพทย์หรือการเงินสามารถให้ทีมพัฒนาและทดสอบระบบ AI ได้โดยไม่ต้องเปิดเผยข้อมูลลูกค้าจริง ซึ่งช่วยลดความเสี่ยงด้าน data-privacy แนวคิดนี้ไม่ใช่ของใหม่: Donald Rubin เสนอ fully synthetic data ตั้งแต่ปี 1993 เพื่อให้วิเคราะห์ข้อมูลสำมะโนประชากรได้โดยไม่เปิดเผยตัวบุคคล ข้อสอง: ต้นทุนและปริมาณ เมื่อวางระบบสร้างเสร็จแล้ว จะผลิตข้อมูลพร้อมป้ายกำกับ (label) ได้แทบไม่จำกัดตามต้องการ ถูกและเร็วกว่าการเก็บและติดป้ายข้อมูลจริงด้วยมือมาก เช่น ปี 2021 Microsoft ปล่อยชุดภาพใบหน้าสังเคราะห์ 100,000 ภาพที่สร้างขึ้นจากใบหน้าจริงเพียง 500 คน ข้อสาม: ลดอคติในข้อมูลเทรน ถ้าชุดข้อมูลจริงเอียงไปทางใดทางหนึ่ง สามารถสร้างข้อมูลสังเคราะห์มาปรับสมดุลภาพรวมของชุดข้อมูล เพื่อลดปัญหา ai-bias ในโมเดลปลายทางได้ และทุกวันนี้การสร้างข้อมูลสังเคราะห์กลายเป็นขั้นตอนหลักใน pipeline การ training ช่วงหลังของ llm ยุคใหม่ไปแล้ว

แต่ synthetic data ไม่ใช่ยาวิเศษ งานวิจัยชี้ว่าการผสมข้อมูลจริงเข้าไปแม้เพียงส่วนน้อยช่วยยกระดับผลของ model ที่เทรนด้วยข้อมูลสังเคราะห์ได้อย่างมีนัยสำคัญ สะท้อนว่าข้อมูลสังเคราะห์ล้วนอย่างเดียวมักยังไม่พอ นอกจากนี้การป้องกันไม่ให้ย้อนรอยข้อมูลสังเคราะห์กลับไปถึงข้อมูลจริงได้ อาจต้องแลกมาด้วยความแม่นยำที่ลดลง และข้อมูลสังเคราะห์ยังจำลองเหตุการณ์ผิดปกติหรือ outlier ในโลกจริงได้ยาก ดังนั้นก่อนนำไปใช้เทรนจริงจึงต้องตรวจสอบความถูกต้องและคุณภาพขั้นต่ำเทียบกับข้อมูลจริงเสมอ และเมื่อวงการหันมาเทรนโมเดลด้วยข้อมูลที่ AI สร้างขึ้นมากขึ้นเรื่อยๆ ประเด็นเกี่ยวเนื่องที่ควรตามอ่านต่อคือ model-collapse

ตัวอย่างจากบทสนทนาจริง

ผู้จัดการฝ่ายข้อมูลธนาคาร: "อยากให้ทีมลองสร้าง AI ช่วยวิเคราะห์พฤติกรรมลูกค้า แต่ฝ่ายกฎหมายบอกว่าเอาข้อมูลลูกค้าจริงไปให้ทีมทดลองไม่ได้เพราะติด pdpa แบบนี้โปรเจกต์ก็จบตั้งแต่ยังไม่เริ่มสิครับ"

ที่ปรึกษา: "ยังไม่จบครับ ทางออกที่หลายธนาคารใช้คือ synthetic data: สร้างชุดข้อมูลลูกค้าปลอมที่มีโครงสร้างและคุณสมบัติทางสถิติเหมือนของจริง แต่ไม่มีข้อมูลของลูกค้าตัวจริงอยู่ในนั้นเลย ทีมใช้ชุดนี้พัฒนาและทดสอบระบบได้เต็มที่ พอถึงขั้นตอนที่ต้องใช้ข้อมูลจริงค่อยขออนุมัติเป็นเรื่องๆ ไป"

ระวังสับสนกับ

• deepfake : เป็นสื่อสังเคราะห์เหมือนกัน แต่ deepfake มักหมายถึงภาพ เสียง หรือวิดีโอที่ปลอมเป็นบุคคลจริงเพื่อให้คนดูเข้าใจผิด ส่วน synthetic data สร้างอย่างเปิดเผยเพื่อเทรนและทดสอบระบบ จุดต่างอยู่ที่เจตนาและการบอกที่มา
• hallucination : คือข้อมูลผิดที่โมเดลเผลอสร้างขึ้นตอนตอบคำถามโดยไม่ได้ตั้งใจ ส่วน synthetic data คือข้อมูลที่ตั้งใจสร้างอย่างมีการควบคุม มีกระบวนการตรวจสอบคุณภาพก่อนนำไปใช้