31 अक्टूबर 2026 को सदाया (SDAIA) ने 47 पन्नों का एक अध्ययन प्रकाशित किया, जिसका शीर्षक है "सिंथेटिक डेटा: अवसर, चुनौतियाँ और गवर्नेंस तंत्र"। सिंथेटिक डेटा एल्गोरिदम से बनाया जाता है ताकि यह आपके असली रिकॉर्ड की सांख्यिकीय विशेषताओं की नकल करे, लेकिन इसमें असली लोगों की कोई जानकारी न हो। आपकी कंपनी इसे तीन तरह से इस्तेमाल कर सकती है: ग्राहकों के रिकॉर्ड उजागर किए बिना सिस्टम टेस्ट करने और मॉडल को प्रशिक्षित करने में, धोखाधड़ी जैसे दुर्लभ मामले बनाने में जो उसके पास कम हैं, और किसी डेवलपर या साझेदार के साथ जानकारी ज़्यादा सुरक्षित तरीके से साझा करने में। लेकिन अध्ययन चेतावनी देता है कि यह पूरी निजता की गारंटी नहीं है: अगर इससे लोगों की पहचान हो सकती है, तो यह व्यक्तिगत डेटा संरक्षण क़ानून के दायरे में आता है।
सदाया ने क्या कहा?
सदाया की घोषणा के अनुसार, सिंथेटिक डेटा नवाचार को तेज़ कर सकता है, जुटाने और तैयार करने की लागत घटा सकता है, और संस्थाओं के बीच जानकारी साझा करना आसान बना सकता है, ख़ासकर स्वास्थ्य सेवा और वित्तीय सेवाओं जैसे संवेदनशील जानकारी वाले क्षेत्रों में। लेकिन ख़ुद अध्ययन ज़ोर देकर कहता है कि असली जैसे रिकॉर्ड बनाने से लोगों की दोबारा पहचान और सांख्यिकीय पूर्वाग्रह के जोखिम ज़रूरी तौर पर ख़त्म नहीं होते। अध्ययन गवर्नेंस को चार आयामों पर टिकाता है: निजता की सुरक्षा, डेटा की गुणवत्ता, निष्पक्षता और पूर्वाग्रह में कमी, और पारदर्शिता।
यह विचार नया नहीं है: अध्ययन बताता है कि निजता बचाने के लिए इसका पहला व्यवस्थित इस्तेमाल 1993 में अमेरिकी जनगणना की गोपनीयता बचाने के लिए हुआ, और बड़ी छलांग 2014 में जनरेटिव एडवर्सेरियल नेटवर्क (GAN) के साथ आई। नया यह है कि जनरेटिव AI ने इसे बनाना आसान और सस्ता कर दिया है।
सिंथेटिक डेटा के 3 प्रकार
| प्रकार | यह क्या है | आपकी कंपनी के लिए कब ठीक है |
|---|---|---|
| पूरी तरह सिंथेटिक | सभी रिकॉर्ड बनाए गए हैं; एक भी असली रिकॉर्ड नहीं बचता | जब निजता सबसे अहम हो, या ऐसे मामले दिखाने हों जो अभी हुए नहीं |
| आंशिक रूप से सिंथेटिक | असली रिकॉर्ड जिनमें नाम, आय और स्थान जैसे संवेदनशील फ़ील्ड बनाए गए मानों से बदल दिए जाते हैं | जब संवेदनशील फ़ील्ड बचाते हुए असली रिकॉर्ड जैसी वास्तविकता चाहिए; पहले प्रकार से कम सुरक्षित |
| हाइब्रिड | असली और सिंथेटिक रिकॉर्ड का मिश्रण | जब किसी छोटे संग्रह को बड़ा करना हो या दुर्लभ मामले दिखाने हों |
अध्ययन के अनुसार इसे तीन तरीकों से बनाया जाता है: ख़ुद लिखे नियमों से, जैसे ग्राहकों की उम्र का वितरण; सांख्यिकीय मॉडल से, जो चरों के बीच संबंध सीखते हैं; या जनरेटिव AI मॉडल से, जो तस्वीरों, टेक्स्ट और दूसरी जटिल सामग्री के लिए ठीक हैं।
आपकी कंपनी इसका फ़ायदा कैसे उठा सकती है?
- ग्राहक जानकारी के बिना सिस्टम टेस्ट करना। आपके डेवलपमेंट और टेस्ट वातावरण को ग्राहकों के असली नाम और मोबाइल नंबर नहीं चाहिए। ऐसे सिंथेटिक ग्राहक, इनवॉइस और लेन-देन बनाएँ जो फ़ॉर्मेट और वितरण में असली जैसे हों, और असली रिकॉर्ड सिर्फ़ प्रोडक्शन में रखें। पक्का करें कि टेस्ट रिकॉर्ड किसी असली डोमेन या पते की ओर इशारा न करें; उस काल्पनिक कंपनी के नाम की कहानी में जो एक असली डोमेन से मेल खा गया हमने देखा कि तब क्या होता है।
- दुर्लभ मामलों पर मॉडल प्रशिक्षित करना। अध्ययन बताता है कि वित्तीय क्षेत्र धोखाधड़ी और मनी लॉन्ड्रिंग पकड़ने के लिए इससे दुर्लभ लेन-देन बनाता है। अगर आपके पास मॉडल प्रशिक्षित करने लायक धोखाधड़ी, रिटर्न या ख़राबी के मामले बहुत कम हैं, तो यही विचार काम आता है।
- छोटे समूहों का बेहतर प्रतिनिधित्व। अगर आपके रिकॉर्ड किसी एक शहर या ग्राहक वर्ग की ओर झुके हैं, तो सिंथेटिक डेटा उन्हें संतुलित करने में मदद करता है ताकि मॉडल बाक़ी लोगों के ख़िलाफ़ पक्षपाती न हो।
- डेवलपर या साझेदार के साथ साझा करना। सप्लायर या सॉफ़्टवेयर कंपनी को अपने ग्राहक डेटाबेस की कॉपी देने के बजाय सिंथेटिक डेटा दें, जिस पर वह बना और टेस्ट कर सके।
क्या सिंथेटिक डेटा व्यक्तिगत डेटा संरक्षण क़ानून के दायरे से बाहर है?
अपने आप नहीं। अध्ययन बताता है कि व्यक्तिगत डेटा संरक्षण क़ानून और उसके कार्यान्वयन नियमों में सिंथेटिक डेटा का साफ़ ज़िक्र नहीं है, लेकिन नियमों का अनुच्छेद 9 कहता है कि गुमनाम की गई जानकारी व्यक्तिगत नहीं मानी जाती। इसलिए सब कुछ दोबारा पहचान पर निर्भर है: अगर किसी व्यक्ति की सीधे या परोक्ष रूप से पहचान हो सकती है, तो क़ानून लागू होता है; अगर नहीं, तो इसे गुमनाम माना जाता है। इसी वजह से अध्ययन दोबारा पहचान के जोखिम का आकलन करने को कहता है, ख़ासकर छोटे नमूनों और दुर्लभ मामलों में, जिन्हें लोगों से जोड़ना आसान होता है।
अध्ययन यह भी याद दिलाता है कि 2023 में सदाया ने डेटा और निजता के लिए इस क्षेत्र का पहला नियामक सैंडबॉक्स शुरू किया, जहाँ सिंथेटिक डेटा समेत निजता बढ़ाने वाली तकनीकों को निजता की शर्तों का उल्लंघन किए बिना परखा जा सकता है।
ध्यान रखने लायक 4 जोखिम
- दोबारा पहचान। बनाने वाला मॉडल असली रिकॉर्ड के सटीक या दुर्लभ पैटर्न याद कर सकता है और किसी ख़ास व्यक्ति को उजागर कर सकता है।
- वास्तविकता की कमी। सिंथेटिक डेटा असामान्य मानों और बारीक विवरणों को छोड़ सकता है: मॉडल टेस्ट में अच्छा चलता है और असली ग्राहकों के सामने चूक जाता है।
- मॉडल का बिगड़ना। मॉडलों को बार-बार दूसरे मॉडलों की बनाई सामग्री पर प्रशिक्षित करने से उनकी विविधता धीरे-धीरे घटती है, जिसे अध्ययन मॉडल का ढहना कहता है।
- पूर्वाग्रह का दोहराव। अगर आपके मूल रिकॉर्ड पक्षपाती हैं, तो सिंथेटिक डेटा वह पक्षपात आगे ले जा सकता है या बढ़ा भी सकता है।
सदाया के रोडमैप से व्यावहारिक कदम
अध्ययन 3 चरणों और 6 कदमों का रोडमैप सुझाता है, जिसमें से हमने वह लिया है जो एक मझोली कंपनी के लिए ठीक है:
- पहले उद्देश्य तय करें। क्या आप इसे सॉफ़्टवेयर टेस्टिंग के लिए चाहते हैं, मॉडल प्रशिक्षण के लिए, या किसी तीसरे पक्ष के साथ साझा करने के लिए? उद्देश्य से ज़रूरी सटीकता, निजता का स्तर और सही टूल तय होता है।
- ज़िम्मेदार व्यक्ति तय करें और आंतरिक नियम बनाएँ। कौन इसे बनाने और इस्तेमाल करने की मंज़ूरी देगा, और गुणवत्ता का ज़िम्मेदार कौन होगा। अगर आपने सदाया के अनुसार डेटा गवर्नेंस लागू करना शुरू कर दिया है, तो सिंथेटिक डेटा को भी उसमें जोड़ें।
- इस्तेमाल से पहले गुणवत्ता और निजता जाँचें। सिंथेटिक संग्रह की असली संग्रह से तुलना करें, परखें कि क्या कोई लोगों की दोबारा पहचान कर सकता है, और अंतिम मॉडल को स्वतंत्र असली रिकॉर्ड पर आँकें।
- बनाने की प्रक्रिया दर्ज करें। मूल रिकॉर्ड का स्रोत, इस्तेमाल किया गया टूल या मॉडल और उसकी सेटिंग लिखें, ताकि काम की बाद में समीक्षा हो सके।
- सप्लायर से पारदर्शिता माँगें। अगर आप सिंथेटिक डेटा या बनाने का टूल ख़रीदते हैं, तो स्रोतों, इस्तेमाल किए गए मॉडल, ज्ञात पूर्वाग्रहों और उसकी सीमाओं के दस्तावेज़ माँगें।
ये कदम AI जोखिम प्रबंधन के राष्ट्रीय ढाँचे से मेल खाते हैं। Origami में हम कंपनियों को सिंथेटिक डेटा वाले टेस्ट वातावरण बनाने में मदद करते हैं, जो ग्राहकों के असली रिकॉर्ड से अलग रहते हैं। अगर आप हमारे साथ शुरुआत करना चाहते हैं, तो हमसे संपर्क करें।
स्रोत
सामान्य प्रश्न
सिंथेटिक डेटा क्या है?
सदाया के अध्ययन की परिभाषा के अनुसार, ये एल्गोरिदम या AI मॉडल से बनाए गए रिकॉर्ड हैं जो असली डेटा की सांख्यिकीय विशेषताओं की नकल करते हैं, लेकिन किसी असली व्यक्ति या संस्था की पहचान बताने वाली जानकारी नहीं रखते।
क्या सिंथेटिक डेटा निजता के लिहाज़ से पूरी तरह सुरक्षित है?
नहीं। सदाया ज़ोर देता है कि यह लोगों की दोबारा पहचान का जोखिम ज़रूरी तौर पर ख़त्म नहीं करता, ख़ासकर अगर बनाने वाले मॉडल ने असली रिकॉर्ड के दुर्लभ पैटर्न याद कर लिए हों, इसलिए इस्तेमाल से पहले यह जोखिम जाँचें।
क्या व्यक्तिगत डेटा संरक्षण क़ानून सिंथेटिक डेटा पर लागू होता है?
यह दोबारा पहचान की संभावना पर निर्भर है। कार्यान्वयन नियमों का अनुच्छेद 9 कहता है कि गुमनाम की गई जानकारी व्यक्तिगत नहीं मानी जाती, लेकिन अगर उससे किसी व्यक्ति की पहचान हो सकती है, तो क़ानून लागू होता है।
छोटी या मझोली कंपनी कहाँ से शुरू करे?
टेस्ट वातावरण से: विकास और टेस्टिंग में ग्राहकों के असली रिकॉर्ड की जगह सिंथेटिक डेटा रखें, एक ज़िम्मेदार व्यक्ति तय करें, और इसे बनाने का तरीका दर्ज करें।
