サウジデータ・AI庁（SDAIA）は2026年10月31日、「合成データ：機会、課題、ガバナンスの仕組み」と題した47ページの研究を発表しました。合成データとは、アルゴリズムが生成するデータで、実際の記録の統計的な特徴をまねながら、実在の人の情報は含みません。自社では次の3つの使い方ができます。顧客の記録をさらさずにシステムをテストし、モデルを学習させること。不正のように手元に足りない珍しいケースを作ること。そして開発会社や取引先と、より安全に情報を共有することです。ただし研究は、プライバシーが完全に守られるわけではないと注意しています。そこから人を特定できるなら、個人データ保護法の対象になります。
SDAIAは何を伝えたのか
SDAIAの発表によると、合成データはイノベーションを速め、収集と準備のコストを下げ、組織間での情報共有をしやすくします。とくに医療や金融サービスのように機微な情報を扱う分野で役立ちます。ただし研究そのものは、実際の記録に似た記録を作っても、個人の再特定や統計的な偏りのリスクが必ずなくなるわけではないと強調しています。研究はガバナンスを四つの軸で考えています。プライバシーの保護、データの品質、公平性と偏りの軽減、そして透明性です。
考え方そのものは新しくありません。研究によると、プライバシー保護のための体系的な利用は1993年、米国の国勢調査の秘密を守るために始まり、大きな飛躍は2014年に敵対的生成ネットワーク（GAN）とともに訪れました。新しいのは、生成AIによって作るのが簡単で安くなったことです。
合成データの3つの種類
| 種類 | どんなものか | 自社に向いている場面 |
|---|---|---|
| 完全合成 | すべての記録が生成されたもので、実際の記録はひとつも残らない | プライバシーが最も大事なとき、またはまだ起きていないケースを表したいとき |
| 部分合成 | 実際の記録のうち、氏名、収入、位置などの機微な項目を生成した値に置き換えたもの | 機微な項目を守りつつ実際の記録の現実味がほしいとき。最初の種類より安全性は低い |
| ハイブリッド | 実際の記録と合成の記録を組み合わせたもの | 小さなデータセットを増やしたいとき、または珍しいケースを表したいとき |
研究によると、作り方は三つあります。顧客の年齢分布のように自分で書くルール、変数どうしの関係を学ぶ統計モデル、そして画像や文章などの複雑な内容に向いた生成AIモデルです。
自社でどう生かせるか
- 顧客の情報を使わずにシステムをテストする。開発やテストの環境に、顧客の本当の名前や携帯番号は要りません。形式や分布が本物に近い合成の顧客、請求書、取引を作り、実際の記録は本番環境だけに置きましょう。テスト用の記録が実在のドメインや住所を指していないかも確認してください。架空の会社名が実在のドメインと重なった話で、そうなると何が起きるかを紹介しました。
- 珍しいケースでモデルを学習させる。研究によると、金融業界では不正やマネーロンダリングを見つけるために、めったに起きない取引を合成データで作っています。不正、返品、故障の事例が少なすぎてモデルを学習させられない場合にも、同じ考え方が使えます。
- 少数のグループをきちんと反映させる。記録がある都市やある顧客層にかたよっている場合、合成データでバランスを取れば、モデルがほかの人たちに不利な判断をするのを防げます。
- 開発会社や取引先と共有する。顧客データベースのコピーを渡す代わりに、合成データを渡して開発やテストをしてもらいましょう。
合成データは個人データ保護法の対象外になるのか
自動的にそうなるわけではありません。研究によると、個人データ保護法にも施行規則にも合成データは明記されていませんが、規則の第9条は、匿名化された情報は個人データに当たらないと定めています。つまり再特定できるかどうか次第です。直接でも間接でも人を特定できるなら法律の対象になり、できなければ匿名の情報として扱われます。そのため研究は、とくに人と結びつけやすい小さなサンプルや珍しいケースについて、再特定のリスクを評価するよう求めています。
研究はまた、SDAIAが2023年に地域で初めてデータとプライバシーの規制サンドボックスを立ち上げたことにも触れています。合成データを含むプライバシー強化技術を、プライバシーの要件に反することなく試せる場です。
注意すべき4つのリスク
- 再特定。生成モデルが実際の記録の細かいパターンや珍しいパターンを覚えてしまい、特定の人がわかってしまうことがあります。
- 現実味の不足。合成データは外れ値や細かな点を取りこぼすことがあり、モデルはテストではうまくいっても、本物の顧客の前で失敗します。
- モデルの劣化。ほかのモデルが作った内容で何度も学習させると、モデルは少しずつ多様性を失います。研究はこれをモデル崩壊と呼んでいます。
- 偏りの再生産。もとの記録に偏りがあれば、合成データはその偏りを引き継ぎ、さらに大きくしてしまうこともあります。
SDAIAのロードマップから得られる実践的な手順
研究は3段階・6ステップのロードマップを示しています。その中から中規模の会社に合うものを選びました。
- まず目的を決める。ソフトウェアのテストに使うのか、モデルの学習に使うのか、外部と共有するのか。目的によって、必要な正確さ、プライバシーの水準、合う道具が決まります。
- 担当者を決め、社内ルールを作る。誰が生成と利用を承認し、誰が品質に責任を持つのかを決めます。すでにSDAIAに沿ったデータガバナンスに取り組んでいるなら、そこに合成データも加えましょう。
- 使う前に品質とプライバシーを確かめる。合成のデータセットを本物と比べ、誰かが個人を再特定できないかを試し、最終的なモデルは独立した実際の記録で評価します。
- 生成の手順を記録する。もとの記録の出どころ、使った道具やモデル、設定を残しておけば、あとで作業を見直せます。
- 提供元に透明性を求める。合成データや生成ツールを買うときは、情報源、使ったモデル、わかっている偏り、その限界についての資料を求めましょう。
これらの手順は国のAIリスク管理の枠組みともつながります。Origamiでは、合成データを使ったテスト環境を作り、本物の顧客の記録と分けて管理するお手伝いをしています。一緒に始めたい場合はお問い合わせください。
出典
よくある質問
合成データとは何ですか？
SDAIAの研究の定義によると、アルゴリズムやAIモデルが生成するデータで、実データの統計的な特徴をまねながら、実在の人や組織を特定できる情報は含みません。
合成データはプライバシーの面で完全に安全ですか？
いいえ。SDAIAは、とくに生成モデルが実データの珍しいパターンを覚えてしまった場合、個人が再び特定されるリスクがなくなるとは限らないと強調しています。使う前にこのリスクを評価してください。
個人データ保護法は合成データにも適用されますか？
再特定できるかどうかによります。施行規則の第9条は、匿名化された情報は個人データに当たらないとしていますが、そこから人を特定できるなら法律が適用されます。
中小企業はどこから始めればよいですか？
テスト環境からです。開発とテストで使う実際の顧客記録を合成データに置き換え、担当者を決め、生成方法を記録しておきましょう。
