Synthetic data

Definicja robocza

Dane syntetyczne (synthetic data) to dane wytworzone przez celowo zbudowany model lub algorytm, a nie zaobserwowane w świecie, używane w miejsce danych rzeczywistych albo obok nich do konkretnego zadania analitycznego. Model-generator może być wszystkim: od równań różniczkowych i symulacji agentowej, przez wielokrotną imputację w statystyce urzędowej, po sieci generatywne i wielkie modele językowe. Potoczne użycie zrównuje termin z „danymi wymyślonymi przez AI”; użycie techniczne odróżnia dane w pełni syntetyczne (żaden rekord nie jest prawdziwy) od częściowo syntetycznych (zastąpiono tylko wartości wrażliwe) i pyta o dwie miary naraz: ile zbiór zachowuje użyteczności oryginału i ile o nim zdradza.

Geneza i rodowód

Pojęcie ma dwa równoległe źródła, które dopiero po 2015 r. zrosły się w jedno. Pierwsze to statystyka urzędowa: w 1993 r. w „Journal of Official Statistics” Donald Rubin zaproponował, by zamiast prawdziwych mikrodanych spisowych udostępniać rekordy wygenerowane metodą wielokrotnej imputacji, a Roderick Little w tym samym numerze opisał wariant częściowy. Linia ta biegnie przez prace Raghunathana, Reitera i Drechslera do dzisiejszych syntetycznych spisów i rejestrów medycznych, a jej problemem było od początku ujawnienie (disclosure), nie brak danych. Drugie źródło to uczenie maszynowe: augmentacja zbiorów treningowych, symulatory do widzenia komputerowego i robotyki, a od 2014 r. sieci GAN i kolejne modele generatywne, które uczyniły generowanie realistycznych próbek rutyną. Raport Jordona, Szprucha i współautorów dla Royal Society (2022), przyjęty tu za sformułowanie kanoniczne, scala obie linie w jednej definicji i zarazem ostrzega przed przechwyceniem terminu przez marketing: hasła „privacy by design” sprzedają dane syntetyczne jako gotową anonimizację, choć w ujęciu technicznym prywatność jest własnością do udowodnienia, nie etykietą.

Rodowód środkowoeuropejski

Wcześniej pokrewną myśl sformułował Stanisław Ulam. Sam raport Jordona i współautorów wyprowadza ideę komputerowo generowanych danych „co najmniej” od prac Ulama i Johna von Neumanna nad metodą Monte Carlo z lat 40., czyli od pomysłu, by układ zbyt złożony do rachunku badać, losując z modelu sztuczne próby. Ulam ukształtował się we Lwowie: doktorat na Politechnice Lwowskiej obronił w 1933 r. pod kierunkiem Kazimierza Kuratowskiego, w środowisku lwowskiej szkoły matematycznej, i wyjechał z Polski w sierpniu 1939 r. Sama metoda Monte Carlo powstała już w Los Alamos (pomysł z 1946 r., publikacja z Nicholasem Metropolisem w 1949 r.), a jej celem była fizyka neutronów, nie ochrona danych. To więc antycypacja nazwana przez autorów kanonicznego tekstu, a nie udokumentowany wpływ na techniki danych syntetycznych; raport nie korzysta z prac Ulama w sensie metodycznym. Z regionu pochodzi formacja matematyczna autora, nie miejsce odkrycia.

Dlaczego teraz

Trzy ciągi zdarzeń z lat 2018–2026 wyniosły termin z niszy. Po pierwsze, regulacja: RODO (stosowane od maja 2018 r.) i jego naśladowcy zwiększyły koszt pracy na danych osobowych, a dane syntetyczne zaczęto sprzedawać jako drogę obejścia. Odpowiedzią była fala krytyki, z pracą Stadler, Oprisanu i Troncoso (USENIX Security 2022) na czele, pokazującą, że generatory albo przeciekają, albo tracą użyteczność. Po drugie, głód danych do wielkich modeli: gdy publicznie dostępny tekst wysokiej jakości zaczął się kończyć, laboratoria zaczęły trenować modele na danych wytwarzanych przez inne modele (destylacja, samouczenie, „syntetyczne” zbiory instrukcji), a Shumailov i współautorzy opisali w 2023 r. koszt tej strategii jako zapaść modelu (model collapse), rozwijając temat w „Nature” w 2024 r. Po trzecie, instytucje: raport dla Royal Society (2022), programy brytyjskiego ONS i amerykańskiego Census Bureau oraz syntetyczne rejestry zdrowotne przeniosły pytanie z laboratoriów do urzędów, gdzie decyduje się, czy syntetyczny spis może zastąpić mikrodane.

Siła wyjaśniająca

Pojęcie każe rozdzielić trzy rzeczy, które w praktyce mieszają się nieustannie: skąd pochodzi rekord, co z niego można wywnioskować i czy ktoś może go z powrotem przypisać osobie. Po pierwsze, pozwala zobaczyć, że „sztuczny” nie znaczy „bezpieczny”: generator dopasowany do małego zbioru potrafi odtworzyć rzadkie rekordy niemal dosłownie, więc przyjęte w organizacjach przekonanie, że dane syntetyczne wychodzą spod RODO, jest w najlepszym razie hipotezą do sprawdzenia. Po drugie, wyjaśnia, dlaczego systemy uczone na danych syntetycznych są dobre w typowych przypadkach, a zawodzą na brzegach: generator reprodukuje środek rozkładu, a usuwa lub wygładza ogony, w których siedzą wartości odstające, mniejszości i awarie. Po trzecie, ujawnia pętlę w ekosystemie informacyjnym: tekst z modeli trafia do sieci, sieć staje się zbiorem treningowym, a kolejne modele uczą się coraz bardziej własnych nawyków niż świata. Bez pojęcia danych syntetycznych widać tylko „więcej danych”; z nim widać, że część tych danych nie niesie żadnej nowej obserwacji.

Osie sporu

Niedoceniany kąt

W debacie prawie nie pojawia się pytanie o status epistemiczny danych syntetycznych jako świadectwa. Dane rzeczywiste są śladem zdarzeń, który można podważyć, ale który istniał niezależnie od badacza; zbiór syntetyczny jest wnioskiem z modelu przebranym za obserwację. Gdy taki zbiór trafia do rejestru, publikacji albo postępowania sądowego bez oznaczenia, zmienia się łańcuch dowodowy: błąd generatora nie jest błędem pomiaru, lecz błędem teorii, i nie da się go wykryć przez powtórzenie pomiaru. Ten sam problem znają metrolodzy i historycy źródeł — kopia zrobiona na podstawie modelu oryginału nie jest kopią. Dlatego najważniejszą praktyczną normą może być nie prywatność i nie wierność, lecz trwałe, nieusuwalne oznaczenie pochodzenia każdego rekordu syntetycznego, analogiczne do znaku wodnego na treściach generowanych.

W przekładzie

Polski termin „dane syntetyczne” przyjął się w dokumentach UODO, GUS i literaturze informatycznej i jest wierną kalką. Problem leży w przymiotniku: „syntetyczny” znaczy po polsku także „zwięzły, podsumowujący” (jak w „ujęciu syntetycznym”), co w tekstach nietechnicznych bywa mylące; alternatywy „dane sztuczne” i „dane generowane” gubią jednak odniesienie do syntezy z modelu i do tradycji statystyki urzędowej. Zostajemy przy „danych syntetycznych”, dopisując przy pierwszym użyciu, że chodzi o dane wygenerowane przez model.