31 октября 2026 года SDAIA опубликовала 47-страничное исследование «Синтетические данные: возможности, вызовы и механизмы управления». Синтетические данные создаются алгоритмами так, чтобы повторять статистические свойства ваших реальных записей, но не содержать сведений о реальных людях. Ваша компания может использовать их тремя способами: тестировать системы и обучать модели, не раскрывая записи клиентов; генерировать редкие случаи, которых ей не хватает, например мошенничество; и безопаснее делиться информацией с разработчиком или партнёром. Но исследование предупреждает, что абсолютной конфиденциальности они не дают: если по ним можно установить личность, на них распространяется Закон о защите персональных данных.
Что сказала SDAIA?
Согласно сообщению SDAIA, синтетические данные могут ускорить инновации, снизить затраты на сбор и подготовку и облегчить обмен информацией между организациями, особенно в отраслях с чувствительными сведениями, таких как здравоохранение и финансовые услуги. Но само исследование подчёркивает, что создание записей, похожих на реальные, не обязательно устраняет риски повторной идентификации людей и статистических искажений. Исследование строит управление на четырёх измерениях: защита конфиденциальности, качество данных, справедливость и снижение предвзятости, прозрачность.
Идея не нова: по данным исследования, впервые систематически их применили для защиты конфиденциальности в 1993 году, чтобы сохранить тайну сведений переписи населения США, а большой скачок произошёл в 2014 году с появлением генеративно-состязательных сетей (GAN). Новое в том, что генеративный ИИ сделал их создание проще и дешевле.
3 вида синтетических данных
| Вид | Что это | Когда подходит вашей компании |
|---|---|---|
| Полностью синтетические | Все записи сгенерированы; ни одной реальной записи не остаётся | Когда конфиденциальность важнее всего или нужно смоделировать случаи, которых ещё не было |
| Частично синтетические | Реальные записи, в которых чувствительные поля, например имя, доход и местоположение, заменены сгенерированными значениями | Когда нужен реализм настоящих записей при защите чувствительных полей; менее безопасны, чем первый вид |
| Гибридные | Смесь реальных и синтетических записей | Когда нужно расширить небольшой набор или представить редкие случаи |
По данным исследования, их создают тремя способами: по правилам, которые вы задаёте сами, например распределению клиентов по возрасту; с помощью статистических моделей, которые изучают связи между переменными; или с помощью генеративных моделей ИИ, подходящих для изображений, текстов и другого сложного контента.
Как ваша компания может их использовать?
- Тестировать системы без сведений о клиентах. Среде разработки и тестирования не нужны настоящие имена и номера мобильных телефонов ваших клиентов. Сгенерируйте синтетических клиентов, счета и транзакции, похожие на реальные по формату и распределению, а реальные записи храните только в рабочей среде. Убедитесь, что тестовые записи не указывают на реальные домены или адреса: в истории о вымышленном названии компании, совпавшем с реальным доменом мы видели, к чему это приводит.
- Обучать модели на редких случаях. Исследование отмечает, что финансовый сектор использует их для генерации редких транзакций при выявлении мошенничества и отмывания денег. Та же идея поможет, если у вас слишком мало случаев мошенничества, возвратов или сбоев для обучения модели.
- Лучше представлять малые группы. Если ваши записи смещены к одному городу или сегменту клиентов, синтетические данные помогут их сбалансировать, чтобы модель не была предвзята к остальным.
- Делиться с разработчиком или партнёром. Дайте поставщику или разработчику ПО синтетические данные для создания и тестирования вместо копии вашей клиентской базы.
Выходят ли синтетические данные из-под действия Закона о защите персональных данных?
Не автоматически. Исследование поясняет, что синтетические данные прямо не упомянуты ни в Законе о защите персональных данных, ни в его исполнительном регламенте, но статья 9 регламента устанавливает, что обезличенная информация не считается персональной. Значит, всё зависит от повторной идентификации: если личность можно установить прямо или косвенно, действует закон; если нельзя, их считают анонимными. Поэтому исследование требует оценивать риск повторной идентификации, особенно для небольших выборок и редких случаев, которые легко связать с людьми.
Исследование также напоминает, что в 2023 году SDAIA запустила первую в регионе регуляторную «песочницу» для данных и конфиденциальности, где можно испытывать технологии усиления конфиденциальности, включая синтетические данные, не нарушая требований к защите сведений.
4 риска, за которыми нужно следить
- Повторная идентификация. Генерирующая модель может запомнить точные или редкие закономерности реальных записей и раскрыть конкретного человека.
- Недостаточный реализм. Синтетические данные могут упускать выбросы и тонкие детали: модель проходит тесты и ошибается на реальных клиентах.
- Деградация модели. Если раз за разом обучать модели на контенте, созданном другими моделями, они постепенно теряют разнообразие; исследование называет это коллапсом модели.
- Воспроизведение предвзятости. Если исходные записи предвзяты, синтетические данные могут унаследовать эту предвзятость или даже усилить её.
Практические шаги из дорожной карты SDAIA
Исследование предлагает дорожную карту из 3 этапов и 6 шагов; мы взяли из неё то, что подходит средней компании:
- Сначала определите цель. Они нужны для тестирования ПО, для обучения модели или для передачи третьей стороне? Цель задаёт нужный уровень точности и конфиденциальности и подходящий инструмент.
- Назначьте ответственного и установите внутренние правила. Кто утверждает их создание и использование и кто отвечает за качество. Если вы уже применяете управление данными по требованиям SDAIA, включите в него синтетические данные.
- Проверьте качество и конфиденциальность до использования. Сравните синтетический набор с реальным, проверьте, может ли кто-то повторно идентифицировать людей, и оцените итоговую модель на независимых реальных записях.
- Документируйте процесс генерации. Фиксируйте источник исходных записей, использованный инструмент или модель и настройки, чтобы работу можно было проверить позже.
- Требуйте прозрачности от поставщиков. Если вы покупаете синтетические данные или инструмент генерации, запросите документы об источниках, использованной модели, известных искажениях и её ограничениях.
Эти шаги согласуются с национальной системой управления рисками ИИ. В Origami мы помогаем компаниям строить тестовые среды на синтетических данных, отделённые от реальных записей клиентов. Свяжитесь с нами, если хотите начать вместе с нами.
Источники
Частые вопросы
Что такое синтетические данные?
По определению исследования SDAIA, это записи, созданные алгоритмами или моделями ИИ так, чтобы повторять статистические свойства реальных данных, но без идентифицирующих сведений о реальных людях или организациях.
Безопасны ли синтетические данные для конфиденциальности полностью?
Нет. SDAIA подчёркивает, что они не обязательно устраняют риск повторной идентификации людей, особенно если генерирующая модель запомнила редкие закономерности реальных записей, поэтому оцените этот риск до использования.
Распространяется ли Закон о защите персональных данных на синтетические данные?
Это зависит от повторной идентификации. Статья 9 исполнительного регламента говорит, что обезличенная информация не считается персональной, но если по ней можно установить личность, на неё распространяется закон.
С чего начать малой или средней компании?
С тестовой среды: замените реальные записи клиентов в разработке и тестировании синтетическими данными, назначьте ответственного и документируйте способ их создания.
