合成データ

合成データ（Synthetic Data）とは、実際の人や出来事から集めたのではなく、ルールに基づくプログラムや生成 AI によって人工的に作られたデータです。AI の学習や評価、テストに使われます。

なぜ使うのか

• データが足りない：まれな事故や故障のように、現実ではめったに起きない場面は、集めること自体が難しいです。
• プライバシーの保護：患者の記録や顧客情報をそのまま使えない場合に、統計的な性質だけを似せた架空のデータで代用できます。
• コストと速度：人手でラベル付けや収集をするより、速く安く大量に作れることがあります。
• 偏りの調整：不足している集団や場面のデータを意図的に増やし、バランスを整えられます。

作り方の例

• ルールで作る：ゲームエンジンで道路を描き、自動運転用の画像と正解ラベルを同時に作る。
• 既存モデルに作らせる：LLM に「こういう問い合わせメールを100通書いて」と頼み、分類器の学習用データにする。
• 蒸留：大きく高性能なモデルの出力を教材にして、小さなモデルを学習させる。蒸留は合成データの代表的な使い道です。
• 推論モデルの出力を使う：数学やコードなど正しさを機械的に確認できる分野で、正解した解答だけを残して学習に再利用する。

具体例

カスタマーサポートの返信 AI を作る際、実際の顧客メールには個人情報が含まれます。そこで、LLM に架空の問い合わせ文を大量に書かせて評価用データを作れば、本物の顧客情報を使わずに動作確認ができます。

注意点とよくある誤解

• 品質が一番の課題：生成したデータに誤りや不自然さがあれば、それをそのまま学ぶことになります。確認して取捨選択する工程が必要です。
• 偏りの複製：元にしたモデルの偏りやクセが、合成データにも引き継がれます。
• 多様性の不足：似たものばかりが並びやすく、現実の幅広さを再現できないことがあります。
• モデル崩壊：AI が作ったデータだけで、世代を重ねて学習させると、性能が劣化して多様性が失われるおそれが指摘されています。人間が作った本物のデータを混ぜるなど、設計が必要です。
• プライバシーの保証ではない：元のデータの特徴を強く写し取った合成データは、元の個人を推測される可能性が残ります。

関連する考え方

training-data は学習に使うデータ全般、model-collapse は合成データの弊害、distillation は大きなモデルから教わる方法、evals は評価用データの作り方に関わります。