Sentetik Veri Nedir? Yapay Zeka Gerçek Olmayan Veriden Nasıl Öğrenir?

Kısa özet

Sentetik veri, gerçek dünyadan toplanan değil, bir algoritma tarafından üretilen bilgidir. Gerçek bir müşteri işlemini kaydetmek veya gerçek bir sokağı fotoğraflamak yerine, bir model gerçek örneklere istatistiksel olarak benzeyen yeni örnekler üretir; ama hiçbir gerçek kaydı birebir kopyalamaz.

Amaç gerçekliği taklit etmek değildir. Amaç, gerçek veriyi elde etmek zor olduğunda yapay zeka sistemlerine öğrenecek bir şey vermektir: veri çok az olduğunda, toplanması ve etiketlenmesi çok pahalı olduğunda ya da paylaşılamayacak kadar hassas olduğunda. Otonom bir sistem nadir görülen ramak kala kazalara, tıbbi bir model farklı hasta grupları arasında dengeli örneklere, bir dolandırıcılık tespiti ise dünyanın sunduğundan daha fazla nadir dolandırıcılık örneğine ihtiyaç duyar. Sentetik veri bu boşlukları doldurmanın bir yoludur.

Nasıl üretilir?

Tek bir yöntem yoktur. Bazı sentetik veriler kural tabanlıdır: bir sistemin mantığını yazar ve onu simüle edersiniz; sürüş simülatörlerinin yol sahneleri üretmesi ya da oyun motorlarının nesneleri farklı açılardan görüntülemesi gibi. Bazıları istatistikseldir: gerçek bir veri kümesindeki dağılımları ölçer ve aynı desenleri izleyen yeni satırlar örneklersiniz.

Daha yeni yaklaşım ise üretken modelleri kullanır. Üretken çekişmeli ağlar (GAN) ve difüzyon modelleri gerçek görüntülerin, metinlerin veya tablo verilerinin yapısını öğrenir ve ardından yeni örnekler üretir. Bu, yapay zeka görsel üretiminin arkasındaki teknik ailesiyle aynıdır; bu yüzden sentetik veri ve üretken yapay zeka pratikte artık birbirine yakındır.

Faydalı bir bakış açısı şudur: sentetik veri, belirli kimlikleri bırakırken gerçek verinin biçimini, yani ilişkileri ve sıklıkları korumaya çalışır. İyi yapıldığında desenler hayatta kalır, orijinal kayıtların arkasındaki kişiler ise hiç görünmez.

Ekipler neden gerçekten kullanıyor?

En başta gizlilik gelir. Geleneksel anonimleştirme bazen kişileri yeniden tanımlamak için tersine çevrilebilir. İyi üretilmiş sentetik veride en baştan gerçek bir birey yoktur; bu yüzden ekipler kişisel bilgileri ifşa etmeden model geliştirip test edebilir, bazı durumlarda veri kümelerini araştırma için daha rahat paylaşabilir.

İkinci neden ölçek ve maliyettir. Gerçek veriyi toplamak ve elle etiketlemek yavaş ve pahalıdır. Üretken yöntemler büyük etiketli veri kümelerini hızlıca üretebilir; bu da denemeleri hızlandırır.

Üçüncüsü uç durumlardır. Modeller genellikle nadir durumlarda başarısız olur, çünkü nadir durumlar eğitim verisinde de nadirdir. Sentetik veri, ekiplerin zor ve sıra dışı örnekleri bilinçli olarak çoğaltmasını sağlar; ayrıca belirli grupları yetersiz temsil eden veri kümelerini dengelemeye yardımcı olabilir; bu da bazı yapay zeka önyargısı biçimlerine karşı bir araçtır.

Sentetik verinin yapay zeka tahminlerinde bu kadar merkezi olmasının nedeni de budur. 2023 yılında Gartner, yapay zeka eğitiminde kullanılan verinin yüzde 60 tan fazlasının 2024 sonuna dek sentetik olacağını öngördü; bu, 2021 deki tahmini yüzde 1 lik orandan keskin bir sıçramaydı. Bu rakamı ölçülmüş bir gerçek değil, yönü gösteren bir tahmin olarak değerlendirin; ama yön nettir: sentetik veri artık niş bir numara değildir.

Dürüst riskler

Sentetik veri sorunsuz değildir ve bu hikayenin dürüst hali önemlidir. İlk risk önyargıdır. Bir üreteci oluşturmak için kullanılan gerçek veri önyargılıysa, sentetik veri bu önyargıyı taşıyabilir ve daha fazla üretmek sorunu düzeltmek yerine büyütebilir. Sentetik veri dikkatli kullanıldığında önyargıyı azaltabilir, ama bunu otomatik olarak yapmaz.

İkinci ve daha incelikli risk model çöküşüdür. Temmuz 2024 te Nature dergisinde yayımlanan bir makalede Ilia Shumailov ve meslektaşları, modeller kendi ürettikleri çıktılar üzerinde nesilden nesle tekrar tekrar eğitildiğinde kalitenin bozulduğunu gösterdi. Dağılımın uçlarındaki nadir desenler önce solar, ardından genel kalite aşınır. Sezgi, fotokopinin fotokopisi gibidir: her geçişte biraz kaybolur ve kayıplar birikir.

Önemli olan şu: sonraki çalışmalar en alarmist yoruma karşı çıktı. Birçok araştırma, sentetik veri gerçek insan verisinin yerini almak yerine onun yanına eklendiğinde çöküşün büyük ölçüde önlendiğini buldu. Pratik ders tutarlıdır: sentetik veri, gerçek verinin tamamlayıcısıdır, yerine geçeni değil.

Üçüncü bir uyarı: gizlilik yalnızca etiketle garanti edilmez. Bir üreteç gerçek kayıtları ezberleyip yeniden üretirse, çıktı bilgi sızdırabilir. İyi sentetik veri körü körüne güven değil, bilinçli değerlendirme gerektirir.

Bunun e-ticaret ve ürün görselleriyle bağlantısı

Çevrimiçi satış yapıyorsanız, üretken yapay zekayla zaten ürün görselleri üzerinden tanışıyorsunuz. Arka planı temizleyen, ürünü temiz beyaz bir arka plana yerleştiren ya da etrafında bir sahne üreten araçlar, büyük görsel veri kümeleriyle eğitilmiş modeller kullanır; sentetik veya çoğaltılmış görseller de bu sistemlerin pek çok ürünü, açıyı ve aydınlatma koşulunu öğrenmesinin bir parçasıdır.

Renderivo bu alanda yer alır. Ürün fotoğraflarını pazar yerleri için temizleyip çerçevelemek üzere yapay zeka kullanır; dolayısıyla sentetik veriyle bağlantısı gerçek ama dolaylıdır: eğitim verisi üreten geniş teknikler, aynı zamanda pratik günlük görsel araçlarına da güç verir. Dürüst çerçeve şudur: sentetik veri tesisattır, yani daha iyi modellerin arkasındaki faydalı altyapıdır; sihir değil.