Synthetic Data

البيانات الاصطناعية هي معلومات تنتجها محاكاة أو مجموعة قواعد أو نموذج ذكاء اصطناعي توليدي، بدلًا من قياسها من أحداث حقيقية، وتُنشأ لمحاكاة الأنماط الإحصائية للبيانات الحقيقية التي تمثلها. فمشهد شارع مُصيّر، وجدول لسجلات مرضى مختلقة ترتبط أعمدته كما في السجلات الحقيقية، وتمرين رياضي كتبه نموذج لغوي، كلها أمثلة على البيانات الاصطناعية. ولأن المُولّد ينشئ كل مثال، فهو يعرف الإجابة لكل مثال أيضًا؛ لذا تأتي الصورة المُصيّرة مصحوبة بصناديق إحاطة دقيقة وأقنعة تقسيم وقيم عمق، من دون تكلفة وسم. وتوليد البيانات الاصطناعية هو عملية إنتاجها، بدءًا من التصيير بمحركات الألعاب وصولًا إلى نماذج الانتشار.

أنواع البيانات الاصطناعية#

اقترح الإحصائي دونالد روبن البيانات الاصطناعية الكاملة عام 1993، كي تتمكن وكالات التعداد من نشر سجلات مفصّلة دون الكشف عن إجابات أي مشارك حقيقي؛ وما يزال المجال يميّز بين ثلاثة أنواع:

• البيانات الاصطناعية الكاملة: يأتي كل سجل أو صورة من مُولّد، كما في مجموعة بيانات مُصيّرة من مشاهد ثلاثية الأبعاد أو جدول مأخوذ بعينات من نموذج ملائم لسجلات حقيقية.
• البيانات الاصطناعية الجزئية: تُستبدل الحقول الحساسة وحدها، مثل الدخول المُصطنعة في ملف استطلاع، بينما تبقى بقية بيانات كل سجل حقيقية.
• مجموعات البيانات الهجينة: تجمع مجموعة تدريب واحدة أمثلة حقيقية وأخرى اصطناعية، بينما تظل مجموعتا التحقق والاختبار حقيقيتين كي تعكس المقاييس الدقة في العالم الحقيقي.

تشمل البيانات الاصطناعية جميع الأنماط: الصور والفيديو من المحاكيات، وتدفقات LiDAR والرادار، والسجلات الجدولية، والسلاسل الزمنية، والنصوص التي تكتبها نماذج اللغة الكبيرة.

أسباب استخدام البيانات الاصطناعية#

تسد البيانات الاصطناعية فجوات لا يمكن سدّها بجمع البيانات الحقيقية. فالتصادمات والعيوب النادرة والظروف الجوية القصوى شديدة الخطورة أو الندرة بحيث يتعذر تسجيلها بكميات كبيرة، لذلك تصيّرها المحاكيات عند الطلب من أجل الإدراك في السيارات والروبوتات. وتقلّل السجلات التي لم تخصّ شخصًا حقيقيًا من خطر كشف بيانات المرضى أو العملاء، وهو أمر مهم بموجب قواعد خصوصية البيانات في قطاعَي الرعاية الصحية والتمويل. كما يمكن للمولّدات زيادة عينات الفئات أو درجات لون البشرة أو زوايا الرؤية الممثلة تمثيلًا ناقصًا لمواجهة تحيز مجموعة البيانات. وأظهر باحثون من Microsoft أن هذا النهج يمكن أن يستبدل الصور الحقيقية بالكامل في بعض المهام: إذ درّبت ورقتهم المنشورة في ICCV 2021 بعنوان Fake It Till You Make It نماذج تحديد مواضع النقاط المفتاحية للوجه وتقسيمه على وجوه مُصيّرة فقط، وحققت دقة مماثلة للتدريب على صور حقيقية.

تُعد الهندسة الكثيفة سببًا شائعًا آخر لاستخدام البيانات الاصطناعية. وتُدرّب نماذج تقدير العمق من Ultralytics YOLO26 مسبقًا على مزيج يضم نحو 2.19 مليون صورة، من بينها ثلاثة مصادر اصطناعية: مشاهد Apple الداخلية المُصيّرة بتتبع الأشعة في Hypersim، وبيئات AirSim في TartanAir، ومشاهد القيادة من KITTI المعاد تصييرها في ظروف طقس وإضاءة متنوعة في Virtual KITTI 2. ويوفر كل مصدر قيمة عمق لكل بكسل، بينما لا تغطي مسوح LiDAR الحقيقية من KITTI في المزيج نفسه سوى نقاط متفرقة.

قياس جودة البيانات الاصطناعية#

تُقيّم مجموعات البيانات الاصطناعية وفق ثلاث خصائص. تقيس الأمانة مدى قربها من التوزيعات الحقيقية، بدءًا من متوسطات الأعمدة وارتباطاتها في الجداول وصولًا إلى مقاييس واقعية الصور مثل مسافة فريشيه-إنسبشن (FID). وتقيس المنفعة ما إذا كان النموذج المدرّب على بيانات اصطناعية يعمل على بيانات حقيقية، عادةً بالتدريب على بيانات اصطناعية والاختبار على بيانات حقيقية (TSTR). وتقيس الخصوصية ما إذا كانت السجلات الحقيقية تتسرّب، باستخدام المسافة إلى أقرب سجل حقيقي أو هجمات استدلال العضوية أو ضمانات الخصوصية التفاضلية الرسمية للمُولّد.

يلائم اختبار TSTR هذا توزيعًا غاوسيًا لكل فئة من جدول طبي حقيقي، ثم يدرّب المصنّف نفسه على صفوف حقيقية وأخرى اصطناعية:

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

# Real breast tumor measurements, split into training rows and a held-out real test set
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# Fully synthetic training set: 500 rows per class sampled from a Gaussian fit to that class's real rows
rng = np.random.default_rng(0)
classes = [X_train[y_train == c] for c in (0, 1)]
X_syn = np.vstack([rng.multivariate_normal(rows.mean(0), np.cov(rows.T), 500) for rows in classes])
y_syn = np.repeat([0, 1], 500)

# Train the same classifier on real or on synthetic rows, then test both on the same real rows
for name, (X_fit, y_fit) in {"real": (X_train, y_train), "synthetic": (X_syn, y_syn)}.items():
    model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000)).fit(X_fit, y_fit)
    print(f"trained on {name} data: {model.score(X_test, y_test):.1%} accuracy on real test data")

حقّق النموذج المدرّب على الصفوف الحقيقية 97.7%، وحقق النموذج المدرّب على 1,000 صف اصطناعي 95.9%. وتقيس الفجوة البالغة 1.8 نقطة الإشارة التي لم يتمكن المُولّد الغاوسي البسيط من التقاطها، ولا يُعد أي صف اصطناعي نسخةً عن سجل مريض حقيقي.

المخاطر والحدود#

قد يتعلّم النموذج اختصارات المُصيّر، مثل الحواف المثالية أو الأنسجة المتكررة، ثم يخفق عند التعامل مع صور حقيقية. وتُضيّق عشوائية المجال هذه الفجوة بين المحاكاة والواقع، وكذلك مزج البيانات الحقيقية أو إجراء الضبط الدقيق على مجموعة صغيرة من البيانات الحقيقية. كما يرث المُولّد النقاط العمياء في البيانات التي تعلّم منها، لذلك نادرًا ما ينتج الحالات النادرة التي استدعت استخدامه ما لم تُحدّد صراحةً. ويؤدي تدريب النماذج التوليدية مرارًا على مخرجاتها إلى انهيار النموذج، وقد أظهرت ورقة بحثية في Nature عام 2024 لشوميلوف وزملائه أن ذلك يمحو أولًا الحالات النادرة من التوزيع الأصلي.

البيانات الاصطناعية ومصطلحات ذات صلة#

• زيادة البيانات: تحوّل الأمثلة الحقيقية الموجودة باستخدام القلب والاقتصاص وتغيير الألوان، بحيث تُشتق كل عينة جديدة من مثال أصلي محدد.
• التوأم الرقمي: نموذج افتراضي لأصل حقيقي محدد، يُحافَظ على تزامنه مع بيانات مستشعراته. ويُعد تصيير التوأم إحدى طرق إنتاج بيانات اصطناعية لذلك الأصل.
• البيانات مجهولة الهوية: سجلات حقيقية أُزيلت منها الأسماء والمعرّفات أو حُجبت، ولذلك يظل كل صف يصف شخصًا حقيقيًا.