Синтетические данные (Synthetic Data)

Синтетические данные (synthetic data) — это искусственно созданные данные, которые генерируются на основе исходных, или seed data, и сохраняют часть их статистических характеристик. Если говорить практично: вы работаете не с копией реальных записей, а с новым набором, который должен быть похож на исходный по структуре и распределениям, но не обязан повторять конкретных людей, транзакции или события.

По NIST, synthetic data generation — это именно процесс генерации искусственных данных из seed data с некоторыми статистическими характеристиками исходного набора. Важно сразу оговорить ограничение: NIST также предупреждает, что даже полностью синтетические наборы не дают нулевого риска раскрытия, поэтому их нельзя автоматически считать «безопасными по умолчанию».

Английский термин: synthetic data. Также встречается: synthetic dataset, fully synthetic dataset, synthetic data generation. По-русски обычно говорят: синтетические данные, синтетический набор данных, генерация синтетических данных.

Простыми словами

Грубо говоря, синтетические данные можно представить как учебный макет реального набора данных. Вы берёте исходную таблицу, систему или журнал событий, обучаете на них модель или описываете правила, а затем получаете новые строки, похожие на оригинал по закономерностям, но не обязанные совпадать с реальными записями.

Это удобно, когда реальные данные нельзя свободно раздавать команде, отправлять подрядчику или использовать в тестовом контуре. Но «похожи на настоящие» не означает «полностью без риска»: если генератор слишком точно воспроизводит оригинал, возможны утечки или повторное распознавание персональной информации.

Как это работает

Базовая механика у NIST выглядит так: есть исходные данные, есть процесс генерации, и на выходе получается искусственный набор, сохраняющий некоторые статистические свойства исходника. В NIST SP 800-188 отдельно уточняется, что полностью синтетический набор — это такой набор, где нет взаимно-однозначного соответствия между оригинальными и синтетическими записями. При этом такой набор может создаваться комбинацией модели и симуляции.

Исходные данные (seed data)
        ↓
Анализ структуры и зависимостей
        ↓
Модель / правила / симуляция
        ↓
Генерация новых записей
        ↓
Проверка качества и риска раскрытия
        ↓
Синтетический набор данных

1. Берутся seed data. Это реальный набор, из которого извлекаются структура, типы полей, связи и распределения.
2. Строится генеративная модель или набор правил. В зависимости от инструмента это может быть статистическая модель, специальный синтезатор или схема, объединяющая модель и симуляцию.
3. Генерируются новые записи. Они не обязаны повторять оригинальные строки один к одному.
4. Проверяется качество. Смотрят, насколько синтетический набор похож на исходный по нужным статистическим свойствам.
5. Проверяется приватность. NIST рекомендует валидировать выводы по синтетике на оригинальных данных и отдельно помнить о риске повторной идентификации.

Практическая деталь из NIST SP 800-188: синтетические значения должны быть явно обозначены в самих данных. Это полезно не только для управления рисками, но и для того, чтобы downstream-команды не перепутали синтетический набор с первичным источником.

Где применяется

• Тестирование и разработка пайплайнов. SDV описывает генерацию синтетических табличных данных для single-table, multi-table и sequential сценариев. Это типичный вариант, когда продакшен-данные нельзя раздавать в dev-среды.
• Обмен наборами данных внутри компании или с подрядчиками. Вместо доступа к чувствительному оригиналу можно передавать искусственный набор вместе с отчётами о качестве и ограничениях.
• Прототипирование аналитики. На синтетике удобно быстро проверять гипотезы, но NIST рекомендует подтверждать важные выводы на оригинальных данных.
• Управляемые workflow в платформах. Документация MOSTLY AI описывает сценарий, где вместе с generated data вы получаете usage statistics, data insights, reports, samples, configuration JSON и SDK code.

Если ваша задача ближе не к генерации нового набора, а к расширению обучающей выборки, посмотрите также термин «Аугментация данных (Data Augmentation)». Это соседняя, но не тождественная практика.

Практический пример

Ниже — упрощённый сценарий с SDV для табличного набора. В quickstart репозитория описан именно такой поток: загрузить реальные данные, создать GaussianCopulaSynthesizer, обучить его, сэмплировать строки и проверить результат через evaluate_quality и графики.

# Псевдокод по workflow SDV
real_data = загрузить_исходную_таблицу()
metadata = описать_структуру_данных(real_data)

synthesizer = GaussianCopulaSynthesizer(metadata)
synthesizer.fit(real_data)

synthetic_data = synthesizer.sample(num_rows=N)
quality_report = evaluate_quality(real_data, synthetic_data, metadata)

# В SDV overall score возвращается в диапазоне 0–100%
print(quality_report)

1. Вы готовите реальную таблицу и метаданные.
2. Обучаете синтезатор на исходном наборе.
3. Генерируете новый набор строк нужного размера.
4. Смотрите общий quality score и отдельные графики/отчёты.
5. Если данные нужны для серьёзных выводов, сверяете результаты с оригиналом, как рекомендует NIST.

Для open-source-сценария SDV удобен тем, что это Python-библиотека с поддержкой single-table, multi-table и sequential данных, а также встроенной оценкой качества. В истории релизов репозитория последняя указанная версия — v1.37.4 от 2026-07-24; перед установкой проверьте актуальный релиз в официальном репозитории.

Если вам нужен управляемый облачный или платформенный процесс, документация MOSTLY AI описывает генерацию синтетических наборов либо из уже обученного generator, либо со страницы synthetic datasets. Важное текущее ограничение из официальной документации: на free tier действует дневной лимит 2 credits, а после исчерпания credits обучение или генерация блокируются.

Чем отличается от…

На практике путаница часто возникает именно между synthetic data как результатом и synthetic data generation как процедурой. Если вы обсуждаете требования безопасности, полезно уточнять, идёт ли речь о конкретном наборе, о методе генерации или о fully synthetic варианте без one-to-one mapping.

Ограничения и заблуждения

• Заблуждение: «синтетические данные полностью анонимны». NIST прямо пишет, что синтетические данные всё ещё могут раскрывать повторно идентифицируемую персональную информацию.
• Заблуждение: «если набор синтетический, проверка на оригинале не нужна». NIST рекомендует валидировать полученные выводы против исходных данных.
• Ограничение: high-fidelity модели строить сложно. Чем точнее вы хотите воспроизвести реальные зависимости, тем сложнее модель и тем выше риск, что она будет слишком близка к оригиналу.
• Ограничение: fully synthetic не равно zero-disclosure risk. Даже полностью синтетический набор не считается набором с нулевым риском раскрытия.
• Ограничение: сами синтетические значения нужно маркировать. NIST SP 800-188 рекомендует указывать в данных, что значения синтетические.
• Частая ошибка внедрения: подменять синтетикой весь контур работы с чувствительными данными вместо комбинации мер. Если вы отправляете данные во внешние AI-сервисы, полезно отдельно посмотреть инструкцию как анонимизировать данные перед отправкой в AI.

Практический вывод: синтетические данные особенно полезны для тестов, разработки, обучения процессов и безопасного обмена на ранних этапах. Но они не заменяют проверку на реальных данных и не отменяют оценку приватности.

Редакционное ограничение: этот материал опирается на NIST и официальную документацию инструментов по состоянию на 2026-08-16. Региональная доступность сервисов и коммерческие условия в reviewed sources описаны не полностью, поэтому перед закупкой или внедрением проверяйте текущие условия у вендора.

Связанные термины и материалы

• Разметка данных (data labeling) — если вы готовите обучающий набор и решаете, что разметить вручную, а что сгенерировать.
• Интерпретируемость (Interpretability) — полезна, когда нужно понять, не искажает ли синтетика важные зависимости.
• Аугментация данных (Data Augmentation) — соседний подход для увеличения обучающих примеров.
• 11 лучших приватных AI-инструментов, которые не используют данные для обучения — если вам важен ещё и выбор приватного инструмента, а не только тип набора данных.

Источники

• Requirements
• GitHub – mostly-ai/mostlyai: Synthetic Data SDK ✨ · GitHub

• synthetic data generation – Glossary | CSRC
• De-Identifying Government Datasets: Techniques and Governance
• GitHub – sdv-dev/SDV: Synthetic data generation for tabular data · GitHub
• Synthesizers | Synthetic Data Vault
• SDV/HISTORY.md at main · sdv-dev/SDV · GitHub
• Synthetic datasets
• Usage and credits

Вопросы и ответы

Синтетические данные — это то же самое, что анонимные данные?

Нет. NIST предупреждает, что синтетические данные всё ещё могут раскрывать повторно идентифицируемую персональную информацию. Поэтому синтетика — это не автоматическая гарантия приватности.

Можно ли обучать модель только на синтетических данных?

Для прототипирования, тестирования или разработки пайплайнов — да, это распространённый сценарий. Но NIST рекомендует подтверждать важные выводы на исходных данных, потому что синтетика может искажать редкие или критичные зависимости.

Что значит fully synthetic dataset?

В определении NIST SP 800-188 это набор, в котором нет взаимно-однозначного соответствия между оригинальными и синтетическими записями. Это более строгий случай внутри общей темы synthetic data.

Как проверить качество синтетических данных?

Минимум — сравнить синтетический и оригинальный набор по нужным статистическим свойствам. В SDV для этого есть workflow с evaluate_quality, где общий результат возвращается как overall score от 0 до 100%.

Какие инструменты сейчас чаще всего упоминаются в официальных источниках из этого обзора?

В reviewed source pack это SDV как open-source Python-библиотека и MOSTLY AI как управляемый workflow для synthetic datasets. Для обеих опций проверяйте актуальные условия и документацию на дату внедрения.