Синтетические данные

Синтетические данные — это искусственно сгенерированная информация, созданная для имитации реальных данных. В областях искусственного интеллекта (AI) и машинного обучения (ML) они служат мощной альтернативой или дополнением к реальным данным для обучения AI-моделей. Сбор обширных, высококачественных и правильно размеченных реальных наборов данных может быть дорогостоящим, трудоемким, а иногда и непрактичным из-за правил конфиденциальности или редкости определенных событий. Синтетические данные предоставляют решение, позволяя разработчикам генерировать огромные объемы идеально размеченных данных по требованию, устраняя эти ограничения и ускоряя разработку надежных систем компьютерного зрения (CV).

Как генерируются синтетические данные?

Синтетические данные могут быть созданы с использованием нескольких передовых методов, каждый из которых подходит для различных приложений. Эти методы позволяют точно контролировать характеристики сгенерированных данных, такие как освещение, размещение объектов и условия окружающей среды.

• 3D-моделирование и симуляция: Разработчики используют компьютерную графику и среды моделирования для создания фотореалистичных виртуальных миров. Этот подход распространен в робототехнике и автономных системах, где физические движки могут имитировать физику реального мира. Такие платформы, как NVIDIA DRIVE Sim, используются для создания данных для обучения самоуправляемых автомобилей.
• Генеративные модели: Такие методы, как генеративно-состязательные сети (GANs) и, в последнее время, диффузионные модели, являются основным компонентом генеративного ИИ. Эти модели изучают основные закономерности на основе реальных данных для создания совершенно новых, реалистичных образцов. Это особенно полезно для генерации разнообразных человеческих лиц или сложных сцен.
• Процедурная генерация: Этот метод использует алгоритмы и правила для автоматического создания данных. Он широко используется в разработке видеоигр для создания масштабных сред и может быть адаптирован для создания разнообразных данных для обучения с минимальными ручными усилиями.
• Рандомизация домена: Метод, при котором параметры симуляции (например, освещение, текстура и положение объектов) намеренно изменяются. Это помогает обученной модели лучше обобщать результаты от смоделированной до реальной среды, заставляя ее сосредотачиваться на основных функциях. Основополагающая статья Тобина и др. продемонстрировала его эффективность для управления роботами.

Применение в реальном мире

Использование синтетических данных расширяется во многих отраслях, открывая прорывы там, где реальные данные являются узким местом.

1. Автономные транспортные средства: Обучение самоуправляемых автомобилей требует данных о миллионах километров вождения, включая редкие и опасные сценарии, такие как аварии или экстремальные погодные условия. Сбор этих данных в реальном мире небезопасен и непрактичен. Синтетические данные позволяют разработчикам имитировать эти крайние случаи в безопасной, контролируемой среде, повышая надежность систем обнаружения объектов и навигации. Такие компании, как Waymo, в значительной степени полагаются на моделирование для тестирования и проверки.
2. ИИ в здравоохранении: В анализе медицинских изображений данные пациентов являются строго конфиденциальными и защищены строгими законами о конфиденциальности, такими как HIPAA. Кроме того, данные о редких заболеваниях скудны. Синтетические данные можно использовать для создания реалистичных медицинских сканов (например, КТ или МРТ) без ущерба для конфиденциальности данных. Это помогает создавать более крупные и сбалансированные наборы данных, уменьшая предвзятость ИИ и повышая точность диагностических моделей для таких состояний, как обнаружение рака кожи.

Синтетические данные vs. Аугментация данных

Синтетические данные и аугментация данных направлены на улучшение наборов данных, но работают по-разному.

• Аугментация данных: Этот метод включает в себя применение преобразований, таких как поворот, обрезка или сдвиг цвета, к существующим реальным изображениям. Это увеличивает разнообразие набора данных для обучения за счет создания измененных версий исходных данных. Вы можете узнать больше об аугментациях, используемых в моделях Ultralytics YOLO.
• Синтетические данные: Это включает в себя создание совершенно новых данных с нуля с использованием симуляций или генеративных моделей. Они не являются производными от существующих точек данных и могут представлять сценарии, полностью отсутствующие в исходном наборе данных.

В заключение, увеличение данных изменяет существующие данные, а синтетические данные создают новые данные. Обе техники являются мощными, и их можно комбинировать для создания высоконадежных и точных моделей глубокого обучения, управляемых через платформы, такие как Ultralytics HUB.