Synthetic Data

合成データとは、実世界のデータの統計的特性、パターン、および構造的特徴を模倣して人工的に生成された情報のことです。人工知能 (AI) や 機械学習 (ML) といった急速に進化する分野において、このデータは、本物のデータを収集することが高コストである、時間がかかる、あるいはプライバシー規制によって制限されている場合に不可欠なリソースとなります。現実の事象から収集される有機的なデータとは異なり、合成データはコンピュータシミュレーションや高度な生成モデルなどの手法を用いてアルゴリズム的に作成されます。Gartnerの予測によると、2030年までにはAIモデルにおいて合成データが実データを上回るようになり、インテリジェントなシステムの構築と導入方法が根本から変化するとされています。

Link to this sectionAI開発における合成データの役割#

合成データセットを利用する主な目的は、従来の データ収集とアノテーション に伴う制約を克服することです。堅牢な コンピュータビジョン (CV) モデルをトレーニングするには、多様なシナリオを含む大規模なデータセットが必要になることがよくあります。希少疾患の診断や危険なエッジケースの交通事故など、実データが不足している場合に、合成データがそのギャップを埋めます。

このデータを生成することで、開発者は完璧にラベル付けされた トレーニングデータ をオンデマンドで作成できます。これには、物体検出 用の精密な BBox や、セマンティックセグメンテーション 用のピクセル単位のマスクが含まれ、手動のラベル付けプロセスで頻発する人為的ミスを排除できます。さらに、エンジニアが特定のグループや環境条件が過小評価されているデータセットを意図的にバランス調整できるようにすることで、AIのバイアス に対処し、より公正なモデル性能を確保することが可能です。

Link to this section実社会での応用#

合成データは、データのプライバシー、安全性、およびスケーラビリティが最優先される業界に革命をもたらしています。

• 自動運転シミュレーション: 自動運転車 を物理世界のみでテストすることはリスクが高く、地理的にも制限があります。企業は NVIDIA Omniverse のようなフォトリアルなシミュレーターを使用して、認識システムをトレーニングしています。これらのシミュレーターは何十億マイルもの仮想走行データを生成し、危険な天候、予測不可能な歩行者の行動、複雑な都市レイアウトなど、現実世界では一貫して捉えることが困難な状況をAIに学習させます。
• ヘルスケアおよび医療画像: HIPAA や GDPR などの患者プライバシー法は、医療記録の共有を厳格に規制しています。合成データを利用することで、X線やMRIスキャンなど、個人を特定できる情報を一切含まずに病理学的な特徴を保持した現実的な 医療画像解析 用データセットを作成できます。これにより、研究者は患者の機密性を損なうことなく、共同で 腫瘍検出モデル をトレーニングできるようになります。

Link to this sectionビジョンAIのための合成データ生成#

高品質な合成データを生成するには、通常 シミュレーションエンジン と 生成AI という2つの主要なアプローチがあります。Unity Engine のようなシミュレーションエンジンは、3Dグラフィックスを使用して、物理ベースのライティングやテクスチャを備えたシーンをレンダリングします。あるいは、敵対的生成ネットワーク (GAN) や 拡散モデル といった生成モデルは、実データの分布を学習し、新しいフォトリアルなサンプルを合成します。

合成データセットが生成されると、高性能なモデルのトレーニングに使用できます。以下の Python の例では、ultralytics パッケージを使用して、合成データでトレーニングされた可能性のあるモデルをロードし、画像に対して推論を実行する方法を示しています。

from ultralytics import YOLO

# Load the YOLO26 model (latest stable generation for superior accuracy)
model = YOLO("yolo26n.pt")

# Run inference on a source image (this could be a synthetic validation image)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results to verify model performance
results[0].show()

Link to this section合成データとデータ拡張の比較#

どちらの手法もデータセットを拡張することを目的としていますが、機能が異なるため、合成データと データ拡張 を区別することは有益です。

• データ拡張 とは、反転、回転、切り抜き、色調整などの変換を 既存の 実世界の画像に適用して、わずかなバリエーションを作成することを指します。これは元のデータソースに依存します。
• 合成データ とは、アルゴリズムやシミュレーションを使用してゼロから完全に 新しい データインスタンスを作成することです。すべての出力に対して元の画像を厳密に必要としないため、カメラで捉えられたことのないシナリオを生成することが可能です。

Ultralytics Platform における最新のワークフローでは、両方のアプローチを組み合わせることが一般的です。データセットのギャップを埋めるために合成データを使用し、トレーニング中にデータ拡張を適用することで、YOLO26 のようなモデルの堅牢性を最大化します。