合成データ生成とは何ですか？

AIを使って人工的にデータを作り出す技術。実データの収集が困難な場合や、データの量を増やしたい場合に活用される。

合成データ生成のポイントは？

LLMや画像生成AIを使って、学習用の新しいデータを人工的に作成する。プライバシー保護が必要な医療・金融データの代替として活用される。少数データの水増し（データ拡張）から、完全に新規のデータセット作成まで幅広い。合成データの品質が低いとモデルコラプスのリスクがある

【ごうせいでーたせいせい】

💡 本物のデータが足りないなら、AIに作ってもらえばいい

📌 このページのポイント

合成データ生成のイメージ

ひよこ

合成データって、偽物のデータってこと？

ペンギン先生

偽物というより『人工的に作られた本物っぽいデータ』だね。たとえば実際の患者データを使わずに、統計的に似たような医療データを生成するようなイメージだよ

ひよこ

なんで本物のデータを使わないの？

ペンギン先生

プライバシーの問題があったり、そもそもデータが少なかったりするからだよ。珍しい病気のデータや、まだ起きていない異常事態のデータは本物が手に入らないよね

ひよこ

AIの学習データもAIが作るって、ちょっと不思議だね！

ペンギン先生

面白い時代だよね。実際にGPT-4が生成したデータで小さなモデルを学習させるなんてことも行われているんだ。ただし品質管理が重要で、ゴミデータで学習するとモデルの性能が劣化するリスクもあるよ

ひよこ

ずっとAIが作ったデータでAIを学習させたらどうなるのかな？

ペンギン先生

それがモデルコラプスと呼ばれる問題だね。AI生成データだけで学習を繰り返すと、多様性が失われて性能が劣化するんだ。だから実データとのバランスが重要なポイントだよ

まとめ：ざっくりこれだけ覚えればOK！

「合成データ生成」って出てきたら「AIが人工的にデータを作る技術」と思えればだいたいOK！

📖 おまけ：英語の意味

「Synthetic Data Generation」＝合成データの生成

💬 synthetic（合成の、人工の）で、自然にあるものではなく人工的に作られたデータという意味だよ