Przejdź do treści
promptowy.com / AI-ordbog / Syntetisk data (kunstige træningsdata)
Modeller og træning

Syntetisk data (kunstige træningsdata)

Syntetisk data er digital information skabt af computeralgoritmer i stedet for mennesker, ofte brugt til at træne AI uden at kompromittere privatlivet.

Syntetisk data er information, som ikke er indsamlet fra virkelige hændelser eller personer, men derimod genereret kunstigt af matematiske modeller eller andre AI-systemer. Hvor traditionelle datasæt består af faktiske bankoverførsler, scanninger fra hospitaler eller menneskeskrevne tekster, består syntetiske data af efterligninger, der bærer de samme statistiske mønstre og egenskaber som originalerne.

Metoden er blevet en central byggesten i moderne maskinlæring. Når udviklere mangler materiale til at træne nye modeller, eller når lovgivning forhindrer brugen af personfølsomme oplysninger, lader man i stedet en algoritme opfinde nye, realistiske eksempler. Det kan være alt fra simulerede brugersamtaler og programmeringskode til computerskabte røntgenbilleder.

Hvorfor skabe kunstige data i stedet for at bruge virkeligheden?

I mange år var den største udfordring inden for kunstig intelligens mangel på regnekraft. I dag er den største flaskehals ofte adgangen til data af høj kvalitet. Der er tre primære grunde til, at syntetisk data vinder frem:

  • Privatliv og lovgivning: I Danmark sætter GDPR og hensynet til personfølsomme data som CPR-numre og journaler snævre grænser for, hvad virksomheder må bruge til træning. Syntetiske profiler indeholder ingen rigtige borgere, men bevarer de nødvendige mønstre.
  • Pris og tilgængelighed: At få tusindvis af fageksperter til at skrive og annotere komplekse tekster koster enorme summer. En sprogmodel kan producere tilsvarende mængder struktureret tekst på få minutter.
  • Sjældne hændelser: Nogle situationer sker så sjældent i virkeligheden, at der ikke findes nok eksempler. Det gælder for eksempel usædvanlige fejl i industrielle maskiner eller ekstreme køreforhold for selvkørende biler. Her kan man designe data præcist til formålet.

Et lokalt eksempel: Finansteknologi i København

Forestil dig et mindre dansk softwarehus i København, der udvikler et automatisk system til at opdage kreditkortsvindel for mindre netbutikker. Hvis virksomheden vil teste sin algoritme, må den af gode grunde ikke bare låne hundredtusindvis af rigtige danskeres betalingshistorik, navne og adresser.

I stedet bygger udviklerne en datagenerator. Den programmeres til at simulere købsmønstre for fiktive kunder: Nogle handler dagligvarer på Nørrebro tirsdag formiddag, mens andre pludselig foretager mistænkelige natlige overførsler fra udlandet. Ingen af disse transaktioner har fundet sted i virkeligheden, og ingen kunders konti er i fare. Alligevel lærer softwaren præcis, hvordan et mønster for svindel adskiller sig fra almindelig adfærd i en dansk webshop.

Særligt stærkt til kode og matematik

Syntetisk data fungerer bedst på områder, hvor der findes faste regler og en objektiv facitliste. Inden for programmering og matematik kan udviklere lade en stor model generere millioner af regnestykker eller kodeeksempler med tilhørende løsninger.

Det afgørende her er, at man automatisk kan kontrollere resultatet: En compiler kan afgøre, om computerkoden rent faktisk kan køre, og et simpelt script kan tjekke, om regnestykket går op. Modellen bliver derved fodret med korrekt verificeret materiale i en målestok, som intet menneskeligt team ville kunne producere manuelt.

Faren ved modelsammenbrud

Selvom teknologien løser mange problemer, rummer den en velkendt faldgrube, som i fagkredse kaldes modelsammenbrud. Hvis man træner en ny AI udelukkende på indhold, der er genereret af en tidligere generation af AI, risikerer man, at systemet forstærker sine egne fejl.

Det svarer til at tage en fotokopi af en fotokopi: For hver iteration forsvinder de fine detaljer og den sproglige variation, mens systemets utilsigtede særheder bliver overrepræsenterede. For at syntetiske data for alvor skal løfte kvaliteten, kræver det grundig kuratering, automatisk validering og en solid forankring i virkelige data, så modellerne ikke ender med at lukke sig om deres egne hallucinationer.

Ofte stillede spørgsmål

Er syntetisk data lovligt at bruge under GDPR?

Ja, hvis dataene er genereret korrekt, så de ikke kan føres tilbage til rigtige enkeltpersoner, betragtes de som anonyme oplysninger og falder som udgangspunkt uden for de strenge GDPR-begrænsninger.

Hvad er forskellen på anonymiseret data og syntetisk data?

Anonymiseret data tager udgangspunkt i rigtige målinger, hvor personhenførbare detaljer er sløret eller fjernet. Syntetisk data er derimod opfundet fra bunden af en algoritme ud fra statistiske sandsynligheder.

Hvorfor kan man ikke bare bruge syntetisk data til alt?

Syntetisk data kan mangle den uforudsigelighed og de kulturelle nuancer, som findes i den virkelige verden. Træner man udelukkende på kunstige data uden kontrol, risikerer modellen at miste grebet om virkeligheden og forringe sine svar.

← Alle begreber i AI-ordbogen

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›