在某种程度上，现实世界数据还不够。有时候这是稀缺，凌乱或太私密而无法分享。这就是综合数据（计算机生成但在统计上忠实）介入的地方。
使它有趣的不仅是扩展。这是创造现实生活中很少发生的情况的自由，但对培训模型非常重要。想象一下，模拟大型数据集的罕见财务欺诈模式或医疗案例太常见了。突然，该模型有示例可以从中学习，否则不会遇到。
当然，怀疑论者认为，计算机制造的例子永远无法完美捕捉人类行为的不可预测性。而且它们可能是对的，至少部分是正确的。尽管如此，合成数据的承诺仍然很难忽略。
为什么培训模型需要更多数据？
人工智能系统在体积和多样性上蓬勃发展。他们倾向于没有两者，这意味着它们在熟悉的输入上表现出色，但偶然发现了未知。这就是为什么大型数据集为黄金的原因。
问题在于，收集现实世界数据附带包含行李：隐私法规，成本和较长的时间表。例如，医疗保健记录不能仅仅被抛弃到培训管道中。他们需要保护，修复和监督。根据 世界卫生组织，即使是基本的健康数据也必须符合严格的全球标准，几乎不可能自由使用。
合成数据绕过这些障碍。通过生成隐私安全复制品，研究人员在不暴露个人细节的情况下保持统计丰富性。也许“复制品”一词很奇怪，因为这些不是碳副本，而是概率的外观。尽管如此，对于算法而言，这足够了。
合成数据和安全性
安全性是经常被忽略的另一个角度。例如，密码数据集很敏感，但对于培训身份验证系统至关重要。开发人员可以生成人造密码字符串，以模仿现实世界的模式而不会泄漏用户凭据。
在这里，标准很重要。这 NIST密码指南 概述系统应如何处理复杂性，长度和重置。合成数据提供了一种测试对这些准则的依从性的方法，而无需冒着实际帐户的曝光。
它不仅是密码。银行交易，网络日志甚至语音录音都可以负责地“伪造”到硬安全系统上。
扩大研发
综合数据还以天然数据集无法进行的方式加速研究。假设一个团队想训练自动驾驶汽车的视觉模型。收集数百万个真正的崩溃场景将是……好吧，不可能。取而代之的是，研究人员产生了数千种模拟的道路条件，例如雨，雾，眩光和分散注意力的驾驶员，这些驱动器为罕见但关键的例子提供了模型。
一 来自麻省理工学院的研究 结果表明，经过合成图像训练的模型与在真实数据中训练的模型的准确性几乎相同。不是完美的等效性，而是足够近以证明该方法有效。
还有一个成本因素。对广泛的现实数据集进行培训意味着存储，注释和人工。合成集的规模便宜。一些公司甚至使用像Unity这样的游戏发动机和不真实的产品来抽出无尽的标签样品。
合成数据的双刃剑
没有什么是完美无瑕的。合成数据风险引入偏见，如果没有仔细管理生成过程。例如，如果模拟器代表某些人口统计或场景，则该模型继承了这些偏斜。
还有一个哲学上的问题：您能相信有多远的模型对从未真正“真正”发生过的情况进行训练？也许在网络安全或医疗保健中，这一行很重要。但是，在自动驾驶等领域，模拟已经被接受为必不可少的。
因此，这是一个强大的工具，但是需要检查和平衡。人类的监督，多样化的生成技术以及对现实数据的频繁验证仍然是必要的。
行业势头和未来信号
科技公司对这一转变并不视而不见。大玩家正在将合成数据集编织到其AI管道中，将其视为补充，而不是替代品。政府也正在资助合成研究，尤其是在保护隐私机器学习方面。
甚至硬件趋势也是故事的一部分。随着培训工作量的增长，对计算能力的需求也会增加。苹果的最新消息 Mac Pro功能 指示硬件竞赛与AI对合成或其他方式的数据渴望相关。
有趣的是， Gartner预测到2030年，合成数据将超过AI训练量的真实数据。该时间表是否有辩论，但是轨迹很清楚。
结束思想
综合数据不能替代现实；它正在重塑我们近似的方式。该技术为研究人员和公司提供了一个沙箱，在那里实验可以在没有道德地雷或无尽成本的情况下进行。
尽管如此，也许更好地思考它的方法就是平衡。现实世界中的数据提供了基础。合成数据填补了空白。它们共同帮助模型超越了一个单独的实现。
而且，如果这听起来有些矛盾，那么信任假数据来构建更智能的机器，那可能就是这样。但是话又说回来，直到我们退后一步，AI本身就一直在我们无法完全看到的模式上蓬勃发展。
