Synthetic data là gì — dữ liệu tổng hợp do máy tạo để huấn luyện và kiểm thử AI

Bài này dành cho chủ doanh nghiệp và người quyết. Synthetic data được giải bằng ẩn dụ dễ hiểu, kèm khác dữ liệu thật, cơ chế và cách dùng đúng.

Vì sao đáng quan tâm: đây là cách lấp khoảng trống dữ liệu để mô hình học được, nền cho fine-tuning và benchmark. Không có dữ liệu đủ, AI khó đạt chất lượng cần.

Hình dung một buổi diễn tập chữa cháy. Doanh nghiệp không thể đốt thật toà nhà để tập, cũng không đưa người thật vào lửa. Thay vào đó dựng một hiện trường mô phỏng với người đóng thế và hình nộm, sao cho giống tình huống thật đủ để đội phản ứng luyện tay.

Dữ liệu thật là toà nhà thật và người thật, đắt và rủi ro để đụng vào. Synthetic data là hiện trường diễn tập: dựng ra cho giống thật để AI luyện, mà không phơi bày bản ghi của ai.

Cùng một bài học, nhưng diễn tập an toàn hơn và lặp được nhiều lần. Synthetic data là hiện trường mô phỏng để AI luyện tay, giữ đúng tình huống mà không động đến dữ liệu của người thật.

Doanh nghiệp dùng một mô hình hoặc bộ quy tắc để sinh ra các bản ghi mới, giữ đúng phân bố và quan hệ của dữ liệu gốc, nhưng từng bản ghi không tương ứng một cá nhân có thật. Mục tiêu là dữ liệu tổng hợp giống thật về mặt thống kê, đủ để mô hình học được quy luật.

• Học đặc tính gốc. Nắm phân bố, tương quan, mẫu hình của dữ liệu thật.
• Sinh bản ghi mới. Tạo dữ liệu giữ đúng đặc tính nhưng không sao chép bản ghi thật.
• Kiểm độ giống và độ an toàn. Soát giống thật đủ để học, và không lộ ngược ra cá nhân gốc.

Synthetic data thường đi cùng fine-tuning: dữ liệu tổng hợp làm nguyên liệu để tinh chỉnh mô hình cho một nghiệp vụ, khi dữ liệu thật còn mỏng.

• Lấp khi thiếu dữ liệu. Có nguyên liệu huấn luyện khi dữ liệu thật còn mỏng.
• Bảo vệ dữ liệu cá nhân. Dùng dữ liệu giống thật mà không phơi bày bản ghi người thật.
• Phủ các ca hiếm. Tạo thêm tình huống hiếm gặp để mô hình học không bỏ sót.
• Kiểm thử an toàn. Thử hệ thống trên dữ liệu tổng hợp trước khi chạm dữ liệu thật.
• Giảm chi phí gắn nhãn. Sinh kèm nhãn sẵn nên đỡ công gắn nhãn thủ công.

Synthetic data là cách doanh nghiệp khởi động AI khi chưa đủ dữ liệu thật, đồng thời tránh rủi ro lộ thông tin cá nhân. Đây là mắt xích cho mọi dự án AI bị giới hạn về dữ liệu.

Một luồng synthetic data đi qua bốn nhịp:

• Học đặc tính. Nắm phân bố, tương quan và mẫu hình của dữ liệu thật.
• Sinh bản ghi tổng hợp. Tạo dữ liệu mới giữ đúng đặc tính, không sao chép bản ghi gốc.
• Kiểm độ giống và an toàn. Soát giống thật đủ để học, và không truy ngược ra cá nhân.
• Đưa vào dùng. Dữ liệu đạt yêu cầu vào huấn luyện hoặc kiểm thử mô hình.

Bước kiểm độ giống và an toàn rất quan trọng. Dữ liệu tổng hợp quá khác thật thì mô hình học sai, mà quá sát từng bản ghi gốc lại có nguy cơ lộ cá nhân, nên cần guardrails và người soát.

Giả sử doanh nghiệp muốn luyện mô hình dự đoán khách rời bỏ, nhưng dữ liệu khách thật chứa tên, số điện thoại, lịch sử giao dịch nhạy cảm không được đem ra dùng tự do.

Với synthetic data, hệ thống học đặc tính của tập khách thật rồi sinh ra dữ liệu khách tổng hợp giữ đúng phân bố hành vi, nhưng từng bản ghi không phải khách có thật. Mô hình luyện trên tập tổng hợp này, còn bản ghi thật được giữ kín.

Kết quả là mô hình học được quy luật mà không phơi bày thông tin cá nhân của khách. Đó là cách synthetic data biến rào cản dữ liệu nhạy cảm thành nguyên liệu huấn luyện dùng được.

Hai loại dữ liệu phục vụ hai vai trò khác nhau:

Dữ liệu thật vẫn là chuẩn đối chiếu cuối cùng. Dữ liệu tổng hợp dùng để lấp khoảng trống và tránh đụng dữ liệu nhạy cảm. Nhiều dự án dùng cả hai, tổng hợp để luyện, thật để kiểm cuối.

Tạo dữ liệu tổng hợp cần cân vài điểm:

• Độ giống thật. Giống thì mô hình học tốt, nhưng quá sát từng bản ghi dễ lộ cá nhân.
• Độ an toàn riêng tư. Phải đảm bảo không truy ngược ra người thật từ dữ liệu tổng hợp.
• Chất lượng và sai lệch. Dữ liệu tổng hợp kém có thể khuếch đại thiên lệch của dữ liệu gốc.

Cách làm đúng là đặt độ giống vừa đủ để mô hình học được quy luật, kèm bước kiểm để dữ liệu tổng hợp không truy ngược ra cá nhân và không bê nguyên thiên lệch của dữ liệu gốc.

Synthetic data có nhiều cách tạo, chọn theo loại dữ liệu và nhu cầu:

Thực tế thường bắt đầu từ một cách tạo đơn giản cho một bài toán rõ, kiểm cho chắc về chất lượng và riêng tư, rồi mới mở sang cách phức tạp hơn.

• Tưởng dữ liệu tổng hợp luôn an toàn tuyệt đối. Nếu quá sát bản ghi gốc vẫn có nguy cơ truy ngược ra cá nhân.
• Tưởng nó thay hẳn dữ liệu thật. Dữ liệu thật vẫn cần để đối chiếu và kiểm cuối.
• Tưởng giống thật là đủ. Dữ liệu tổng hợp có thể bê nguyên và khuếch đại thiên lệch của dữ liệu gốc.
• Tưởng sinh càng nhiều càng tốt. Dữ liệu tổng hợp kém chất lượng làm mô hình học sai.
• Bỏ bước kiểm chất lượng. Không soát thì dữ liệu xấu lọt vào huấn luyện gây lỗi dây chuyền.

Phần lớn lỗi với synthetic data đến từ tin rằng máy tạo ra là yên tâm dùng. Sinh dữ liệu lo phần số lượng, kiểm chất lượng và riêng tư lo phần dùng được, cần cả hai.

MONA dùng synthetic data như cách lấp dữ liệu cho AI một cách an toàn:

• Xác định khoảng trống dữ liệu. Khoanh đúng chỗ thiếu hoặc dữ liệu thật quá nhạy cảm.
• Sinh dữ liệu tổng hợp. Tạo dữ liệu giống thật về thống kê, không sao chép bản ghi gốc.
• Kiểm chất lượng và riêng tư. Soát độ giống đủ để học và không truy ngược ra cá nhân.
• Đưa vào huấn luyện. Dùng dữ liệu tổng hợp để luyện và kiểm thử, đối chiếu với dữ liệu thật khi cần.

Vì synthetic data sinh ra để thay cho dữ liệu thật chứa thông tin cá nhân, đây là chủ đề gắn chặt với bảo vệ dữ liệu cá nhân. MONA xử lý dữ liệu tổng hợp theo guardrails và nguyên tắc theo Nghị định 13/2023 trong cả luồng, đảm bảo dữ liệu tổng hợp không truy ngược ra người thật.

Synthetic data cần khi dữ liệu thật thiếu hoặc không được phép đem dùng tự do:

• Thiếu dữ liệu huấn luyện. Mô hình cần học nhưng dữ liệu thật còn quá mỏng.
• Dữ liệu thật nhạy cảm. Chứa thông tin cá nhân không được đem dùng trực tiếp.
• Cần phủ ca hiếm. Tình huống ít gặp trong thực tế nhưng phải dạy mô hình nhận ra.
• Kiểm thử trước khi chạm dữ liệu thật. Thử hệ thống an toàn trên dữ liệu tổng hợp.

Khi đã có sẵn dữ liệu thật dồi dào và được phép dùng, đó vẫn là nguồn tốt nhất. Khi dữ liệu thật thiếu hoặc nhạy cảm, synthetic data là lối đi để AI vẫn học được mà tránh lộ thông tin cá nhân.

Synthetic data dễ hiểu nhưng tạo cho đúng chất lượng và an toàn riêng tư cần kinh nghiệm. Doanh nghiệp nên cân nhắc MONA khi:

• Muốn huấn luyện AI nhưng dữ liệu thật còn mỏng hoặc chứa thông tin cá nhân nhạy cảm.
• Cần dữ liệu tổng hợp giống thật về thống kê mà không truy ngược ra người thật.
• Cần kiểm chất lượng và riêng tư của dữ liệu tổng hợp theo Nghị định 13/2023.
• Muốn đưa AI vào nghiệp vụ một cách an toàn khi bị giới hạn về dữ liệu.

MONA thiết kế luồng tạo và kiểm dữ liệu tổng hợp gắn với hệ thống doanh nghiệp có kiểm soát. Tham khảo Sale AI cho dữ liệu khách và phân loại, LMS AI cho dữ liệu học tập khi cần luyện và kiểm thử mô hình.