合成データとは、現実の記録をそのまま使う代わりに、規則やモデルなどによって人工的に作るデータです。画面テスト用の架空の顧客一覧と、実データの傾向を学習して生成する学習用データでは、目的も確かめ方も違います。『人工的だから安全』『大量に増やせば精度が上がる』と決めず、用途に必要な性質を先に定めます。
作り方を三つに分けて考える
本稿では方式を理解するため、規則による生成、シミュレーション、実データから学習する生成に整理します。製品の分類を網羅するものではありません。AWSの合成データ解説も、アルゴリズムによる生成と、統計やモデルを使う方法を説明しています。
| 作り方 | 説明用の例 | 主に確かめること |
|---|---|---|
| 規則で作る | 必須項目や文字数を指定した架空の顧客表 | 入力仕様、境界値、項目間の整合 |
| シミュレーションで作る | 条件を変えて作る設備の状態データ | 仮定した動作が現実に合うか |
| 実データからモデルで作る | 元の分布を参考にした架空の取引表 | 分布や関係の再現、元記録の漏えい |
単純な画面テストなら、現実の顧客分布を忠実に再現する必要はない場合があります。一方、需要予測の学習に使うなら、曜日と売上の関係など、予測に必要な性質を無視できません。用途を決める前に生成方式を選ぶと、『見た目は自然だが使いたい処理には役立たない』データを作ってしまいます。
データの形式と意味の両方を確かめる
架空の受注表を生成する例で考えます。注文日、出荷日、数量、単価、金額という列を作っただけでは、正しいテストデータとはいえません。出荷日が注文日より前になっていないか、数量と単価から金額を説明できるかも見ます。
さらに通常の注文だけでなく、数量ゼロ、欠損、キャンセル、返品など、試したい境界条件を別に用意します。こうした値を意図的に入れるデータと、実際の発生割合を再現するデータは目的が違います。両者を混ぜた評価で『本番の精度』を語らないようにします。
AI学習用は独立した実データで評価する
学習用の合成データを評価するときは、生成に使ったデータへの似方だけでは不十分です。平均や件数分布が近くても、重要な少数のパターンや項目間の関係が失われている可能性があります。
編集上の評価案としては、生成に使わない実データを評価用に確保し、合成データを使わない場合と使う場合を同じ条件で比較します。全体の指標に加え、重要な対象群やまれな事象の誤りも見ます。実データを評価に利用できないなら、その制約の中で確認した範囲を示し、実運用への適合は未確認とします。
合成したデータで学習し、同じ生成方式のデータだけで高得点を得ても、現実への適合を確認したことにはなりません。生成時の規則に評価が近すぎると、その規則を覚えた効果を見ているだけかもしれないためです。
合成データは匿名性の保証ではない
実データから学習する方式では、元の記録に関する情報が生成結果に残る可能性を検討します。Stadlerらの研究は、調べた生成モデルについて、有用性を保つこととプライバシー保護の両立に限界があることを示しています。この結果をすべての方式の性能へ一般化はできませんが、『合成』という名称だけで公開可能と判断する根拠にもなりません。
確認案として、元データと同一・極端に近い記録、珍しい属性の組合せ、個人を推測できる情報が残らないかを調べます。単に氏名を架空名へ置き換えるだけでは、本文や他の項目が残ることもあります。外部共有を目的にする場合は、生成方法だけでなく、入力データの利用条件と共有先での使われ方も含めて評価します。
小さく試すときの成果物
まず『何を試すデータか』を一文で定め、必要な列、保つ関係、意図的に変える条件を書きます。生成後は、件数や形式の確認、意味の整合、用途別の評価結果、確認できなかったことを一緒に残します。生成版と設定を記録しておけば、結果が変わった際にも比較できます。
本番データの代わりに使える範囲を明示してから、共有や学習への適用を広げてください。AI活用を含む事業相談の案内はお問い合わせページで確認できます。