【TechOrange 編輯部導讀】
「合成數據」（synthetic data）指的是透過電腦模擬或演算法，人為產生的加註資訊。近年，越來越多企業採用合成數據來訓練 AI 模型，正因為它的優勢是「物美價廉」，且能幫助企業保護敏感資訊。
一起來看，新加坡新創 Betterdata 如何利用可編程的合成數據來保障真實數據的安全性，同時因應越來越嚴格的數據保護法規。
Betterdata 成立於 2021 年，是一間位於新加坡的科技新創，利用可編程（programmable）的合成數據來保障真實數據的安全性，由執行長 Uzair Javaid 博士、技術長 Kevin Yee 共同創立，旨在使數據共享更快速、更安全，以應對全球日益增加的數據保護法規。
該公司日前宣布已成功籌集到 155 萬美元的種子輪融資，此次融資超額認購，由澳洲創投公司「Investible」領投，參與名單上還有富蘭克林鄧普頓基金集團、由 TA 台灣創速團隊成立的創投基金「Xcel Next」、新加坡科技與設計大學、矽谷創新平台「Plug and Play」等機構，目前也正在與新加坡和美國的兩所知名大學進行研發合作，客戶包括上海浦東發展銀行。
Gartner 預測：2030 絕大多數 AI 訓練將使用合成數據集
人工智慧領域不斷出現突破性創新之際，資料科學家如何在不影響數據質量、平衡性和準確性的情況下，取得訓練模型所需的大量數據？答案之一就是合成數據（synthetic data）：合成數據生成是經由數學和統計、機器學習過程，使用真實物體、人和環境訓練的模型，所輸出的數據不攜帶任何敏感數據，卻能保留真實數據的行為特徵。
對於資料科學家而言，究竟數據是真實的還是合成的並不重要——真正重要的是數據內部的特徵（characteristics）和模式（pattern），也就是訓練數據的質量好壞、是否取得平衡，以及是否具有偏見，在這樣的考量下，合成數據具備三種關鍵優勢，可以幫助資料科學家優化和豐富數據庫，進而提升 AI、ML 模型之訓練品質。
- 提高數據質量：通過合成數據生成，可以改善或增強數據的質量、多樣性和平衡性；從自動完成缺失值到自動標記，都能有效提高數據可靠性和準確性。
- 可擴展性：透過合成數據補充現有數據，能快速擴展現有數據，或僅擴展有關子集，以從中獲取更有參考價值的觀察洞見，辨識出數據模式以推斷未來趨勢。
- 簡潔易用性：科學家可以自由控制生成數據的結構、格式和標籤，創建出一個品質高又可靠的即用型數據庫。
Betterdata 獨樹一幟的可編程合成數據
不同於傳統的數據共享方法，使用數據匿名化（data anonymization）破壞數據，Betterdata 採用的是生成式 AI 與隱私工程：在與科技媒體《TechCrunch》專訪中，技術長 Yee 表示，可編程合成數據使用的是深度學習等生成模型，包括用於深偽技術（deepfake）的生成對抗模型、用於 ChatGPT 的轉換器（transformer），以及用於穩定擴散的擴散模型（diffusion），以創建和擴充新數據集。
這些合成數據集具有與現實世界數據相似的特徵和結構，而不會披露有關個人的敏感或私人訊息，賦能開發人員更靈活地使用數據。Yee 指出：「我們的目標是打造出真實數據的虛構版本，可安全用於多種目的，包括保護機密數據、減少偏見以及改善機器學習模型。」
合成數據能幫助企業保護敏感資訊，符合 GDPR 和 HIPAA 等數據保護法規，同時增加組織內、外部的數據可用性，創建更多數據以訓練、測試和驗證機器學習模型，並藉由在資料集中增加偏差，來解決數據不平衡或深度學習偏見等問題。
♦ 延伸閱讀：從通訊設備到保險業都在用的「保密」AI 創新推手：合成資料
合成數據應用：擬真且安全的視覺解決方案
Anyverse 是一間總部位於西班牙馬德里的合成數據新創，主要產品「Anyverse™」是一個全面的合成資料平台，從設計或原型的初期階段，通過層層訓練和測試，最終調整基於電腦的視覺解決方案來最大化其性能。該平台集成了高光譜渲染、準確的傳感器模擬、內置數據庫和可擴展的雲端數據生產流程，為產品開發週期生成保真度高，且獨立於顧客隱私資訊的合成數據。
*本文開放夥伴轉載，參考資料：TechCrunch、Datomize、Anyverse，圖片來源：unsplash。
（責任編輯：游絨絨）
