合成データ（シンセティックデータ） とは？

偽物というより「本物を参考に作った練習用データ」だよ。たとえば病院の患者データは個人情報だから外に出せないけど、「年齢分布や病気の傾向は本物と同じだけど、実在しない患者」のデータなら自由に使える。統計的な特徴は保ちつつ、プライバシーの問題をクリアするんだ。

いくつかの方法があるよ。GANで実データに似たデータを生成する方法、統計的なルールに基づいて生成する方法、最近ではLLMを使ってテキストデータを生成する方法もある。自動運転ではゲームエンジンで仮想の道路シーンを何百万パターンも作ることもあるんだ。

合成データだけだと実データとの微妙なズレが問題になることがあるよ。ベストプラクティスは、実データと合成データを組み合わせて使うこと。実データが少ない部分を合成データで補完するのが効果的なんだ。Gartnerは2030年までにAI学習データの大半が合成データになると予測しているよ。

統計的忠実度（Statistical Fidelity）とプライバシー保護の両方をチェックするよ。忠実度はカラム間の相関やデータ分布が実データと一致しているかを統計的に検証する。プライバシーは「合成データから元の個人を再特定できないか」を測定する。SDMetricsのようなオープンソースツールが自動で評価してくれるんだ。

完全にクリアとは言い切れないんだ。生成方法によっては元データの特徴が残って再特定のリスクがある。EUのデータ保護当局も「合成データが匿名データに該当するかはケースバイケース」という見解。差分プライバシーの保証がある生成手法を使うと法的にも安全性が高まるよ。技術と法律の両面から慎重に判断する必要があるんだ。