Synthetic Data

Dữ liệu tổng hợp (synthetic data) là thông tin được tạo ra nhân tạo nhằm mô phỏng các thuộc tính thống kê, mẫu và đặc điểm cấu trúc của dữ liệu thế giới thực. Trong các lĩnh vực phát triển nhanh chóng như trí tuệ nhân tạo (AI) và học máy (ML), loại dữ liệu này đóng vai trò là nguồn tài nguyên quan trọng khi việc thu thập dữ liệu thực tế tốn kém, mất thời gian hoặc bị hạn chế bởi các quy định về quyền riêng tư. Khác với dữ liệu hữu cơ thu thập từ các sự kiện thực tế, dữ liệu tổng hợp được tạo ra theo thuật toán bằng các kỹ thuật như mô phỏng máy tính và các mô hình sinh (generative model) tiên tiến. Đến năm 2030, các nhà phân tích ngành tại Gartner dự đoán rằng dữ liệu tổng hợp sẽ lấn át dữ liệu thực trong các mô hình AI, làm thay đổi căn bản cách các hệ thống thông minh được xây dựng và triển khai.

Vai trò của dữ liệu tổng hợp trong phát triển AI#

Động lực chính đằng sau việc sử dụng các tập dữ liệu tổng hợp là để vượt qua những hạn chế vốn có trong việc thu thập và chú thích dữ liệu truyền thống. Việc huấn luyện các mô hình thị giác máy tính (CV) mạnh mẽ thường đòi hỏi các tập dữ liệu lớn chứa đựng nhiều kịch bản đa dạng. Khi dữ liệu thực tế khan hiếm—chẳng hạn như trong chẩn đoán bệnh hiếm gặp hoặc các tình huống tai nạn giao thông góc khuất nguy hiểm—dữ liệu tổng hợp sẽ giúp lấp đầy khoảng trống đó.

Việc tạo ra dữ liệu này cho phép các lập trình viên tạo ra dữ liệu huấn luyện được gán nhãn hoàn hảo theo yêu cầu. Điều này bao gồm các khung giới hạn (bounding box) chính xác cho phát hiện đối tượng (object detection) hoặc các mặt nạ hoàn hảo đến từng pixel cho phân đoạn ngữ nghĩa (semantic segmentation), qua đó loại bỏ sai sót của con người thường gặp trong các quy trình gán nhãn thủ công. Hơn nữa, nó giải quyết vấn đề thiên vị trong AI (bias in AI) bằng cách cho phép các kỹ sư chủ động cân bằng các tập dữ liệu với các nhóm dân số ít đại diện hoặc điều kiện môi trường khác nhau, đảm bảo hiệu suất mô hình công bằng hơn.

Các ứng dụng trong thực tế#

Dữ liệu tổng hợp đang tạo ra cuộc cách mạng trong các ngành công nghiệp nơi mà quyền riêng tư dữ liệu, an toàn và khả năng mở rộng là ưu tiên hàng đầu.

• Mô phỏng lái xe tự động: Việc kiểm thử xe tự hành hoàn toàn trong thế giới vật lý tiềm ẩn nhiều rủi ro và bị giới hạn về mặt địa lý. Các công ty tận dụng các trình mô phỏng siêu thực, chẳng hạn như NVIDIA Omniverse, để huấn luyện các hệ thống nhận thức của họ. Các trình mô phỏng này tạo ra hàng tỷ dặm ảo, giúp AI tiếp xúc với thời tiết nguy hiểm, hành vi đi bộ thất thường và các bố cục đô thị phức tạp vốn khó nắm bắt một cách nhất quán trong thế giới thực.
• Chăm sóc sức khỏe và Hình ảnh y tế: Các luật bảo mật bệnh nhân như HIPAA và GDPR quản lý nghiêm ngặt việc chia sẻ hồ sơ y tế. Dữ liệu tổng hợp cho phép tạo ra các tập dữ liệu phân tích hình ảnh y tế thực tế—chẳng hạn như ảnh X-quang hoặc quét MRI—vẫn giữ nguyên các đặc điểm bệnh lý nhưng không chứa bất kỳ thông tin nhận dạng cá nhân nào. Điều này cho phép các nhà nghiên cứu cộng tác huấn luyện các mô hình phát hiện khối u mà không làm tổn hại đến tính bảo mật của bệnh nhân.

Tạo dữ liệu tổng hợp cho Vision AI#

Việc tạo ra dữ liệu tổng hợp chất lượng cao thường liên quan đến hai cách tiếp cận chính: công cụ mô phỏng (simulation engine) và AI sinh (generative AI). Các công cụ mô phỏng, như Unity Engine, sử dụng đồ họa 3D để kết xuất các cảnh với hệ thống chiếu sáng và kết cấu dựa trên vật lý. Ngoài ra, các mô hình sinh, chẳng hạn như Mô hình đối kháng sinh (GANs) và mô hình khuếch tán (diffusion model), tìm hiểu phân phối của dữ liệu thực để tổng hợp các ví dụ siêu thực mới.

Sau khi một tập dữ liệu tổng hợp được tạo ra, nó có thể được sử dụng để huấn luyện các mô hình hiệu suất cao. Ví dụ về Python sau đây minh họa cách tải một mô hình—có khả năng đã được huấn luyện trên dữ liệu tổng hợp—bằng cách sử dụng gói ultralytics để thực hiện suy luận (inference) trên một hình ảnh.

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()

Dữ liệu tổng hợp so với Data Augmentation#

Việc phân biệt dữ liệu tổng hợp với tăng cường dữ liệu (data augmentation) là rất hữu ích, vì cả hai kỹ thuật này đều nhằm mở rộng tập dữ liệu nhưng hoạt động theo những cách khác nhau.

• Data Augmentation liên quan đến việc áp dụng các phép biến đổi—như lật, xoay, cắt hoặc điều chỉnh màu sắc—lên các hình ảnh thực tế đã có sẵn để tạo ra các biến thể nhỏ. Nó dựa trên nguồn dữ liệu gốc.
• Dữ liệu tổng hợp liên quan đến việc tạo ra hoàn toàn các thực thể dữ liệu mới từ đầu bằng cách sử dụng các thuật toán hoặc mô phỏng. Nó không nhất thiết đòi hỏi một hình ảnh gốc cho mỗi đầu ra, cho phép tạo ra các kịch bản chưa bao giờ được camera ghi lại.

Các quy trình làm việc hiện đại trên Ultralytics Platform thường kết hợp cả hai phương pháp: sử dụng dữ liệu tổng hợp để lấp đầy các khoảng trống trong tập dữ liệu và áp dụng tăng cường dữ liệu trong quá trình huấn luyện để tối đa hóa độ mạnh mẽ của các mô hình như YOLO26.