Czy dane syntetyczne wykolei dynamikę rozwoju generatywnej sztucznej inteligencji, czy też będą przełomem, którego potrzebujemy?

Na SXSW Mike Hollinger z Nvidii i inni liderzy biznesowi omawiają potencjalne korzyści - i pułapki - wynikające z korzystania z symulowanych danych.

Wraz z rozwojem generatywnej sztucznej inteligencji syntetyczne obrazy i tekst stały się powszechną wiedzą - ale czy znasz dane syntetyczne? Jak sama nazwa wskazuje, termin ten odnosi się do danych, które są sztucznie generowane i wykorzystywane do zastępowania rzeczywistych danych. Wykorzystuje się go do tworzenia rozwiązań dla służby zdrowia, finansów, branży motoryzacyjnej, a przede wszystkim sztucznej inteligencji.

Dane syntetyczne są tak integralną częścią rewolucji cyfrowej, że South by Southwest (SXSW) zorganizowało sesję poświęconą sztucznej inteligencji zatytułowaną "Wpływ symulowanych danych na sztuczną inteligencję i przyszłość", której celem była analiza zdolności technologii do wzmacniania i wspierania generatywnej sztucznej inteligencji, przy jednoczesnej ocenie potencjalnych zagrożeń.

W panelu udział wzięli: Mike Hollinger, dyrektor ds. zarządzania produktami, oprogramowania AI generacji przedsiębiorstw w firmie NVIDIA; Oji Udezue, CPO w Typeform; oraz Tahir Ekin, kierownik Katedry Analityki Biznesowej na Uniwersytecie Stanowym w Teksasie, którzy zachowali ogólnie pozytywne nastawienie do tej technologii.

"Dla nas [dane syntetyczne] sprawiają, że nasza zdolność do budowania właściwych rzeczy jest tańsza i lepsza - co jest świętym Graalem" - powiedział Udezue.

Aby uzyskać więcej informacji na temat potencjału danych syntetycznych w zakresie rozwoju przestrzeni sztucznej inteligencji, związanego z tym ryzyka oraz porad ekspertów na temat dalszego postępowania, przeczytaj więcej poniżej.

Zalety

Dane syntetyczne umożliwiają użytkownikom symulowanie rzeczywistych spostrzeżeń w sytuacjach, w których gromadzenie rzeczywistych danych byłoby zbyt kosztowne, czasochłonne lub mogłoby stwarzać problemy z prywatnością — na przykład w przypadku poufnych informacji finansowych.

Jego niedawny wzrost popularności wynika w dużej mierze z jego rosnącej roli w szkoleniu i udoskonalaniu modeli uczenia maszynowego i sztucznej inteligencji, co staje się coraz ważniejsze w obliczu szybkiego rozwoju tych modeli w ciągu ostatniego roku.

"W przypadku ChatGPT, Gemini, Claude'a, DeepSeek, każdego z tych modeli, wewnątrz danych treningowych tego modelu najprawdopodobniej znajduje się etap generacji syntetycznej" - powiedział Hollinger. "Te syntetyczne dane wykorzystują części tego materiału treningowego i wzmacniają go, aby uzyskać różne warianty, dzięki czemu mogę następnie wytrenować model, aby dawał dowolne dane wyjściowe".

Dane syntetyczne są szczególnie cenne dla modeli sztucznej inteligencji, ponieważ wymagają dużych, zróżnicowanych i wysokiej jakości zestawów danych do skutecznego trenowania, które może być trudne lub niepraktyczne do uzyskania. Jest to szczególnie ważne, gdy kierujesz reklamy na niszowe, zastrzeżone lub oryginalne zestawy danych, które nie są łatwo dostępne za pośrednictwem publicznego skrobania danych.

W raporcie opublikowanym w zeszłym tygodniu firma badawcza Gartner zidentyfikowała dane syntetyczne jako jeden z najważniejszych trendów w zakresie danych i analiz w 2025 roku. W szczególności raport zachęca do korzystania z danych syntetycznych w celu uzupełnienia obszarów, w których brakuje wglądu lub są one niekompletne, lub w celu zastąpienia danych wrażliwych w celu nadania priorytetu prywatności.

Zagrożenia

Aby utworzyć dane syntetyczne, złożone algorytmy pobierają oryginalny zestaw danych i replikują wzorce, struktury i inne cechy znajdujące się w tych danych. Jednak, podobnie jak w przypadku każdego innego wyjścia AI, istnieje możliwość wystąpienia pewnych odchyleń, które mogą mieć znaczący wpływ.

Aby zilustrować tę ideę, Hollinger posłużył się przykładem, ile godzin w dniu konferencji było w ciągu dnia, co było podchwytliwym pytaniem, ponieważ technicznie rzecz biorąc, w niedzielę były 23 godziny ze względu na czas letni.

Gdyby próbka danych została pobrana z losowych dni w ciągu roku, możliwe byłoby, że jeden z wybranych dni pochodziłby z miasta, w którym wprowadzono zmiany czasu letniego, w którym było o godzinę krócej. Potok danych syntetycznych utworzony na podstawie tego przykładu usunąłby dokładność modelu.

W związku z tym podczas tworzenia syntetycznych zestawów danych konieczne jest, aby dane były osadzone w świecie rzeczywistym, aby uniknąć tego typu niespójności i zapewnić, że zestaw danych jest jak najbardziej reprezentatywny dla scenariusza, który ma reprezentować. Jednak nawet biorąc pod uwagę tę miarę i entropię, często trudno jest zapewnić dokładność, według Udezue.

"Ludzie są nieprzewidywalni w nieprzewidywalny sposób" - powiedział Udezue. "Jak przewidzieć zmienność dla 8 miliardów ludzi?"

Poza wyzwaniami technicznymi, jedną z największych przeszkód do pokonania będzie zdobycie zaufania użytkowników podczas korzystania z danych syntetycznych jako głównego źródła informacji i tworzenia nowych rozwiązań. Aby zbudować to zaufanie, ważna jest przejrzystość w zakresie sposobu generowania, weryfikowania i stosowania danych syntetycznych, z jasnym rozgraniczeniem, na przykład za pomocą kart modeli.

"Aspekt zaufania - z perspektywy użytkownika, wykorzystujemy te narzędzia sztucznej inteligencji, ale jak się czujesz, wsiadając do autonomicznego samochodu, który nie był testowany na drodze, ale był testowany tylko przy użyciu symulowanych danych?" - powiedział Ekin.

Czekamy

Pomimo wyzwań, panel pozostał optymistą co do wykorzystania technologii w przyszłości sztucznej inteligencji i nie tylko. Nie oznacza to, że nie ma wyzwań ani że nie trzeba wykonywać prac, ale jego ogólny potencjał do napędzania wzrostu we wszystkich sektorach jest nadal duży.

"Symulowane dane, jeśli są prawidłowo wykorzystywane, podniosą poziom nauki, podniosą poziom oprogramowania, podniosą poziom branży, ale to, co mamy, to właściwe zarządzanie i przejrzystość, albo nie będziemy w stanie odpowiednio tego wykorzystać" - powiedział Udezue.