Pada 31 Oktober 2026, SDAIA menerbitkan kajian sebanyak 47 halaman bertajuk "Data Sintetik: Peluang, Cabaran dan Mekanisme Tadbir Urus". Data sintetik dijana oleh algoritma untuk meniru ciri statistik rekod sebenar anda tanpa mengandungi maklumat tentang orang sebenar. Syarikat anda boleh menggunakannya dalam tiga cara: menguji sistem dan melatih model tanpa mendedahkan rekod pelanggan, menjana kes jarang yang kurang dimilikinya seperti penipuan, dan berkongsi maklumat dengan pembangun atau rakan kongsi dengan lebih selamat. Namun kajian itu memberi amaran bahawa ia tidak menjamin privasi mutlak: jika seseorang boleh dikenal pasti daripadanya, ia tertakluk kepada Undang-Undang Perlindungan Data Peribadi.
Apakah yang dikatakan oleh SDAIA?
Menurut pengumuman SDAIA, data sintetik boleh mempercepat inovasi, mengurangkan kos pengumpulan dan penyediaan, serta memudahkan perkongsian maklumat antara entiti, terutamanya dalam sektor yang mengendalikan maklumat sensitif seperti penjagaan kesihatan dan perkhidmatan kewangan. Namun kajian itu sendiri menegaskan bahawa menjana rekod yang meniru rekod sebenar tidak semestinya menghapuskan risiko pengenalpastian semula individu atau bias statistik. Kajian ini menyandarkan tadbir urus pada empat dimensi: perlindungan privasi, kualiti data, keadilan dan pengurangan bias, serta ketelusan.
Idea ini bukan baharu: kajian menyebut penggunaan sistematik pertama untuk melindungi privasi berlaku pada 1993, bagi menjaga kerahsiaan banci penduduk Amerika Syarikat, dan lonjakan besar datang pada 2014 dengan rangkaian adversarial generatif (GAN). Yang baharu ialah AI generatif menjadikannya lebih mudah dan murah untuk dihasilkan.
3 jenis data sintetik
| Jenis | Apakah ia | Bila sesuai untuk syarikat anda |
|---|---|---|
| Sintetik sepenuhnya | Semua rekod dijana; tiada satu pun rekod sebenar yang tinggal | Apabila privasi paling penting, atau untuk mewakili kes yang belum berlaku |
| Sintetik separa | Rekod sebenar yang medan sensitifnya, seperti nama, pendapatan dan lokasi, digantikan dengan nilai yang dijana | Apabila anda perlukan kerealistikan rekod sebenar sambil melindungi medan sensitif; kurang selamat berbanding jenis pertama |
| Hibrid | Campuran rekod sebenar dan sintetik | Apabila anda mahu membesarkan set yang kecil atau mewakili kes jarang |
Menurut kajian, ia dijana dengan tiga cara: melalui peraturan yang anda tulis sendiri, seperti taburan umur pelanggan; melalui model statistik yang mempelajari hubungan antara pemboleh ubah; atau melalui model AI generatif yang sesuai untuk imej, teks dan kandungan kompleks lain.
Bagaimanakah syarikat anda boleh memanfaatkannya?
- Menguji sistem tanpa maklumat pelanggan. Persekitaran pembangunan dan ujian anda tidak memerlukan nama dan nombor telefon bimbit sebenar pelanggan. Jana pelanggan, invois dan transaksi sintetik yang menyerupai yang sebenar dari segi format dan taburan, dan simpan rekod sebenar dalam persekitaran pengeluaran sahaja. Pastikan rekod ujian tidak merujuk kepada nama domain atau alamat sebenar; dalam kisah nama syarikat rekaan yang sama dengan domain sebenar kami melihat apa yang berlaku apabila ia terjadi.
- Melatih model dengan kes jarang. Kajian menyatakan bahawa sektor kewangan menggunakannya untuk menjana transaksi jarang bagi mengesan penipuan dan pengubahan wang haram. Idea yang sama membantu jika kes penipuan, pemulangan atau kerosakan yang anda miliki terlalu sedikit untuk melatih model.
- Mewakili kumpulan kecil dengan lebih baik. Jika rekod anda condong kepada satu bandar atau satu segmen pelanggan, data sintetik membantu mengimbanginya supaya model tidak berat sebelah terhadap yang lain.
- Berkongsi dengan pembangun atau rakan kongsi. Berikan data sintetik kepada pembekal atau syarikat perisian untuk membina dan menguji, dan bukannya menyerahkan salinan pangkalan data pelanggan anda.
Adakah data sintetik terkecuali daripada Undang-Undang Perlindungan Data Peribadi?
Tidak secara automatik. Kajian menjelaskan bahawa data sintetik tidak disebut secara jelas dalam Undang-Undang Perlindungan Data Peribadi mahupun peraturan pelaksanaannya, tetapi Perkara 9 peraturan itu menetapkan bahawa maklumat yang dianonimkan bukan data peribadi. Jadi semuanya bergantung pada pengenalpastian semula: jika seseorang boleh dikenal pasti secara langsung atau tidak langsung, undang-undang terpakai; jika tidak, ia dianggap tanpa nama. Oleh itu kajian meminta penilaian risiko pengenalpastian semula, terutamanya bagi sampel kecil dan kes jarang yang mudah dikaitkan dengan individu.
Kajian juga mengingatkan bahawa pada 2023 SDAIA melancarkan kotak pasir kawal selia pertama di rantau ini untuk data dan privasi, ruang untuk menguji teknologi peningkatan privasi, termasuk data sintetik, tanpa melanggar keperluan privasi.
4 risiko yang perlu diberi perhatian
- Pengenalpastian semula. Model penjana mungkin menghafal corak tepat atau jarang daripada rekod sebenar dan mendedahkan individu tertentu.
- Kurang realistik. Data sintetik mungkin terlepas nilai luar biasa dan butiran halus, jadi model lulus ujian tetapi gagal dengan pelanggan sebenar.
- Kemerosotan model. Melatih model berulang kali dengan kandungan yang dijana oleh model lain menyebabkannya kehilangan kepelbagaian sedikit demi sedikit, yang disebut oleh kajian sebagai keruntuhan model.
- Mengulangi bias. Jika rekod asal anda berat sebelah, data sintetik boleh mewarisi bias itu atau malah memburukkannya.
Langkah praktikal daripada pelan hala tuju SDAIA
Kajian mencadangkan pelan hala tuju dengan 3 fasa dan 6 langkah, dan kami mengambil bahagian yang sesuai untuk syarikat sederhana:
- Tetapkan tujuannya dahulu. Adakah anda memerlukannya untuk ujian perisian, melatih model, atau berkongsi dengan pihak luar? Tujuan menentukan tahap ketepatan, privasi dan alat yang sesuai.
- Lantik seorang yang bertanggungjawab dan tetapkan peraturan dalaman. Siapa yang meluluskan penjanaan dan penggunaannya, dan siapa yang bertanggungjawab atas kualitinya. Jika anda sudah melaksanakan tadbir urus data mengikut SDAIA, tambahkan data sintetik ke dalamnya.
- Semak kualiti dan privasi sebelum digunakan. Bandingkan set sintetik dengan set sebenar, uji sama ada seseorang boleh mengenal pasti semula individu, dan nilai model akhir dengan rekod sebenar yang bebas.
- Dokumentasikan proses penjanaan. Rekodkan sumber rekod asal, alat atau model yang digunakan dan tetapannya, supaya kerja itu boleh disemak kemudian.
- Tuntut ketelusan daripada pembekal. Jika anda membeli data sintetik atau alat penjanaan, minta dokumen tentang sumbernya, model yang digunakan, bias yang diketahui dan hadnya.
Langkah-langkah ini selaras dengan rangka kerja nasional pengurusan risiko AI. Di Origami, kami membantu syarikat membina persekitaran ujian dengan data sintetik yang berasingan daripada rekod pelanggan sebenar. Hubungi kami jika anda mahu bermula bersama kami.
Sumber
Soalan lazim
Apakah data sintetik?
Menurut takrif kajian SDAIA, ia ialah rekod yang dijana oleh algoritma atau model AI untuk meniru ciri statistik data sebenar, tanpa mengandungi maklumat pengenalan tentang individu atau entiti sebenar.
Adakah data sintetik selamat sepenuhnya dari segi privasi?
Tidak. SDAIA menegaskan bahawa ia tidak semestinya menghapuskan risiko pengenalpastian semula individu, terutamanya jika model penjana menghafal corak jarang daripada rekod sebenar, jadi nilai risiko itu sebelum menggunakannya.
Adakah Undang-Undang Perlindungan Data Peribadi terpakai kepada data sintetik?
Ia bergantung pada pengenalpastian semula. Perkara 9 peraturan pelaksanaannya menyatakan maklumat yang dianonimkan bukan data peribadi, tetapi jika seseorang boleh dikenal pasti daripadanya, undang-undang itu terpakai.
Dari mana perusahaan kecil dan sederhana patut bermula?
Dari persekitaran ujian: gantikan rekod pelanggan sebenar dalam pembangunan dan ujian dengan data sintetik, lantik seorang yang bertanggungjawab, dan dokumentasikan cara ia dijana.
