Synthetic Data คืออะไร ? ข้อมูลสังเคราะห์สำคัญอย่างไรต่อ AI ?

Synthetic Data คืออะไร ? ข้อมูลสังเคราะห์สำคัญอย่างไรต่อ AI ?

ข้อมูลเป็นทรัพยากรสำคัญสำหรับฝึก ปัญญาประดิษฐ์ (AI) และ การเรียนรู้ของเครื่องจักร (ML) ทุกคนลองนึกว่ากำลังฝึก AI ให้รู้จักใบหน้ามนุษย์ แต่แทนที่เราจะต้องใช้ภาพถ่ายนับล้านจากคนจริง ๆ เอามาฝึก ซึ่งอาจมีปัญหาด้านความเป็นส่วนตัว เราก็สามารถสร้าง "ข้อมูลสังเคราะห์" หรือ "Synthetic Data" ที่เลียนแบบภาพใบหน้ามนุษย์ขึ้นมาเองได้ ข้อมูลเหล่านี้ถูกสร้างขึ้นจาก อัลกอริธึม (Algorithm) และโมเดลจำลอง โดยยังคงความสมจริง และสามารถใช้ฝึก AI ได้ประสิทธิภาพดีเช่นกัน

Synthetic Data กลายเป็น เครื่องมือสำคัญในการพัฒนา AI ไม่ว่าจะเป็นการเข้ามาแก้ปัญหาข้อมูลที่ไม่เพียงพอ, ลดอคติ (Bias) ในโมเดล และที่สำคัญคือหลีกเลี่ยงปัญหาด้านความเป็นส่วนตัวของข้อมูล ในบทความนี้ จะพาทุกคนไปรู้จักกับ Synthetic Data ให้ลึกขึ้น ไม่ว่าจะเป็นความหมาย , ประเภท , วิธีการสร้างข้อมูล , ข้อดี-ข้อสังเกต ไปจนถึงการใช้งานจริง เพื่อให้เข้าใจว่าทำไมมันถึงกลายเป็นปัจจัยสำคัญต่อโลกของ AI อย่างหลีกเลี่ยงไม่ได้ …

เนื้อหาภายในบทความ

• ข้อมูลสังเคราะห์ คืออะไร ?
  (What is Synthetic Data ?)
• ความแตกต่างระหว่าง ข้อมูลสังเคราะห์ และ ข้อมูลจำลอง
  (Differences between Synthetic Data and Mock Data)
• ประเภทของ ข้อมูลสังเคราะห์
  (Types of Synthetic Data)
• ข้อมูลสังเคราะห์ ถูกสร้างขึ้นมาได้อย่างไร ?
  (How is Synthetic Data generated ?)
• ข้อดี และ ข้อสังเกต ของการใช้ ข้อมูลสังเคราะห์
  (Pros and Cons of using Synthetic Data)
• การใช้ ข้อมูลสังเคราะห์ ในอุตสาหกรรมต่าง ๆ
  (Applications of Synthetic Data in Various Industries)
• บทสรุปของ การใช้ข้อมูลสังเคราะห์
  (Conclusion of the use of Synthetic Data)

ข้อมูลสังเคราะห์คืออะไร ? (What is Synthetic Data ?)

ปัจจุบันโลกขับเคลื่อนด้วยข้อมูล องค์กร และนักวิจัยมักต้องการข้อมูลจำนวนมากเพื่อพัฒนาโมเดล AI และระบบอัจฉริยะต่าง ๆ แต่การไปเก็บรวบรวมข้อมูลจริงอาจมีข้อจำกัดอยู่บ้าง เช่น ต้องใช้ต้นทุนสูง, ใช้เวลานาน หรือมีกฎหมายคุ้มครองข้อมูลส่วนบุคคลที่เข้มงวดมาก จึงเป็นเหตุให้เกิดข้อมูลสังเคราะห์ขึ้นเพื่อเป็นทางเลือกที่ช่วยลดอุปสรรคเหล่านี้

ภาพจาก : https://datahubanalytics.com/synthetic-data-generation-transforming-analytics-with-artificial-datasets/

โดยข้อมูลสังเคราะห์ (Synthetic Data) ก็คือข้อมูลที่ถูกสร้างขึ้นโดยอัลกอริธึมคอมพิวเตอร์ หรือปัญญาประดิษฐ์ (AI) แทนที่จะมาจากเหตุการณ์จริง ๆ ข้อมูลประเภทนี้ถูกออกแบบให้มีคุณสมบัติทางสถิติ และโครงสร้างคล้ายกับข้อมูลจริง แต่ไม่มีความเชื่อมโยงกับบุคคล หรือเหตุการณ์ใดที่เกิดขึ้น โดยมักใช้เพื่อฝึกโมเดลการเรียนรู้ของเครื่อง (ML), ทดสอบระบบ หรือนำมาจำลองสถานการณ์ต่าง ๆ ในสภาพแวดล้อมควบคุมได้นั่นเอง

ความแตกต่างระหว่าง ข้อมูลสังเคราะห์ และ ข้อมูลจำลอง (Differences between Synthetic Data and Mock Data)

ก่อนที่เราจะพูดถึงประเภทของข้อมูลสังเคราะห์ ปัจจุบันมักจะมีความเข้าใจผิดเกิดขึ้นบ่อย ๆ นั่นคือการแยกแยะระหว่าง ข้อมูลสังเคราะห์ที่สร้างโดย AI กับ ข้อมูลจำลอง (Mock Data) ซึ่งทั้งสองแนวคิดนี้แตกต่างกันอย่างมาก

Synthetic Data

ข้อมูลสังเคราะห์ที่สร้างโดย AI เป็นข้อมูลที่สร้างขึ้นโดยอ้างอิงจากชุดข้อมูลจริงที่ใช้เป็นตัวอย่าง ระบบปัญญาประดิษฐ์ (Generative AI) จะเรียนรู้โครงสร้าง และคุณสมบัติต่าง ๆ ของข้อมูลต้นฉบับ แล้วนำไปสร้างข้อมูลใหม่ที่มีลักษณะคล้ายกัน ทั้งในแง่ของรูปแบบ และคุณสมบัติทางสถิติ ซึ่งทำให้สามารถใช้แทนข้อมูลจริงได้อย่างแม่นยำ

Mock Data

กลับกัน ข้อมูลจำลอง (Mock Data) เป็นข้อมูลที่ไม่ได้อ้างอิงจากข้อมูลจริง แต่ถูกสร้างขึ้นตามกฎเกณฑ์ที่กำหนดโดยมนุษย์ หรือจากการสุ่มเอาเลย เช่น กำหนดให้สร้างรายชื่อผู้ใช้แบบจำลอง หรือข้อมูลธุรกรรมที่ไม่ได้สะท้อนพฤติกรรมจริงของผู้ใช้ เนื่องจากข้อมูลประเภทนี้ไม่ได้อิงจากตัวอย่างจริง จึงไม่มีคุณสมบัติทางสถิติที่แม่นยำเหมือนข้อมูลสังเคราะห์ที่สร้างโดย AI

ประเภทของ ข้อมูลสังเคราะห์ (Types of Synthetic Data)

ข้อมูลสังเคราะห์สามารถแบ่งออกเป็น 2 ชนิด คือ ข้อมูลแบบมีโครงสร้าง (Structured Synthetic Data) และ ข้อมูลแบบไม่มีโครงสร้าง (Unstructured Synthetic Data) ซึ่งมีลักษณะแตกต่างกันไปตามการนำไปใช้งาน

ข้อมูลแบบไม่มีโครงสร้าง (Unstructured Synthetic Data)

ข้อมูลแบบไม่มีโครงสร้าง เป็นข้อมูลที่ไม่ได้มีการจัดเรียงในรูปแบบของตาราง ตัวอย่างเช่น ภาพ, วิดีโอ หรือไฟล์เสียง ข้อมูลเหล่านี้มักถูกสร้างขึ้นเพื่อใช้ฝึกโมเดลปัญญาประดิษฐ์ในการสร้างระบบรู้จำวัตถุ, จำลองสภาพแวดล้อมต่าง ๆ หรือสร้างระบบจำแนกด้วย AI เป็นต้น

ภาพจาก : https://github.com/gulvarol/surreact?tab=readme-ov-file

ข้อมูลแบบมีโครงสร้าง (Structured Synthetic Data)

ข้อมูลแบบมีโครงสร้าง เป็นข้อมูลที่ถูกจัดเก็บเป็นตาราง เช่น รายการธุรกรรมทางการเงิน, ประวัติการรักษาผู้ป่วย หรือฐานข้อมูลลูกค้า ซึ่งข้อมูลเหล่านี้มักมีความสัมพันธ์ระหว่างแต่ละจุดข้อมูล และสามารถนำไปใช้วิเคราะห์แนวโน้ม หรือพฤติกรรมได้อย่างแม่นยำข้อมูลแบบมีโครงสร้างมักถูกใช้ในการศึกษาพฤติกรรมของมนุษย์ในลักษณะของ ข้อมูลลำดับเวลา (Time-Series Data) เอาไปวิเคราะห์แนวโน้มการใช้จ่ายของลูกค้า หรือพฤติกรรมของผู้ใช้งานบนแพลตฟอร์มออนไลน์

ภาพจาก : https://www.aindo.com/blog/synthetic-data-stories/

ในปัจจุบัน เทคโนโลยีสร้างข้อมูลสังเคราะห์แบบมีโครงสร้างที่ขับเคลื่อนด้วย AI กำลังได้รับความนิยมมากขึ้น เนื่องจากสามารถช่วยให้ธุรกิจ และองค์กรเข้าถึงข้อมูลคุณภาพสูง โดยไม่ต้องกังวลเกี่ยวกับปัญหาด้านความเป็นส่วนตัว หรือข้อจำกัดทางกฎหมายนั่นเอง

และเรายังสามารถแยกการนำเอาข้อมูลสังเคราะห์ไปใช้ได้อีก 3 แบบ ได้แก่

• Full Synthetic Data : เป็นข้อมูลที่สร้างขึ้นทั้งหมดจากโมเดล AI ไม่มีการใช้ข้อมูลจริงเลย เหมาะสำหรับการนำไปฝึกโมเดล AI ใหม่ ๆ โดยไม่ละเมิดข้อบังคับด้านความเป็นส่วนตัว
• Partial Synthetic Data : ข้อมูลที่สร้างขึ้นโดยใช้ข้อมูลจริงบางส่วน และใช้เทคนิคแปลงให้ไม่สามารถระบุตัวตนของบุคคล หรือรายละเอียดต้นฉบับได้ แต่ยังคงรักษาความสัมพันธ์ในข้อมูลเดิมอยู่
• Hybrid Synthetic Data : เป็นการผสมผสานระหว่างข้อมูลสังเคราะห์แบบเต็ม และบางส่วน เพื่อให้ได้ข้อมูลที่มีความสมจริง และหลากหลาย

ข้อมูลสังเคราะห์ ถูกสร้างขึ้นมาได้อย่างไร ? (How is Synthetic Data generated ?)

การสร้างข้อมูลสังเคราะห์สามารถทำได้หลายวิธี ขึ้นอยู่กับจุดประสงค์ของการใช้งาน และเทคโนโลยีที่ใช้ โดยทั่วไปแล้ว ข้อมูลเหล่านี้ถูกสร้างขึ้นจากอัลกอริธึม และแบบจำลองทางคอมพิวเตอร์ โดยวิธีการสร้างข้อมูลสังเคราะห์ที่พบได้บ่อย ๆ จะมีดังนี้

1. การสุ่มค่าตามรูปแบบทางสถิติ (Statistical distribution)

วิธีนี้จะใช้หลักการทางคณิตศาสตร์เพื่อสร้างชุดข้อมูลขึ้นมา โดยอิงจากการกระจายตัวของข้อมูลจริง ถึงแม้ว่าข้อมูลที่ได้จะไม่สามารถสะท้อนรายละเอียดของข้อมูลต้นฉบับได้อย่างสมบูรณ์ แต่ก็สามารถสร้างข้อมูลที่มีแนวโน้ม และรูปแบบใกล้เคียงกับของจริงได้

ภาพจาก : https://dataingovernment.blog.gov.uk/2020/08/20/synthetic-data-unlocking-the-power-of-data-and-skills-for-machine-learning/

2. จำลองพฤติกรรมในระบบเสมือน (Simulation)

วิธีนี้คือการสร้างแบบจำลองของระบบขึ้นมาในคอมพิวเตอร์ นำมาเลียนแบบพฤติกรรมของสิ่งต่าง ๆ ในโลกจริง ตัวอย่างเช่น จำลองว่าผู้คนในเมืองจะเดินทางอย่างไรในแต่ละวัน, จำลองการสื่อสารระหว่างสมาร์ทโฟน หรือการไหลเวียนของข้อมูลในเครือข่ายอินเทอร์เน็ต ระบบจำลองเหล่านี้ถูกออกแบบให้แต่ละองค์ประกอบทำงานร่วมกันตามกฎที่กำหนดไว้ ทำให้เราสามารถทดสอบ และคาดการณ์ผลลัพธ์ได้ โดยไม่ต้องใช้ข้อมูลจริง ซึ่งช่วยให้การศึกษาแนวโน้ม และพฤติกรรมของระบบที่อาจเป็นไปได้

ภาพจาก : https://www.nvidia.com/en-us/use-cases/synthetic-data/

3. การใช้โมเดล Generative AI

วิธีนี้จะใช้ปัญญาประดิษฐ์ที่เรียนรู้รูปแบบของข้อมูลจริง แล้วนำความรู้นั้นมาสร้างข้อมูลใหม่ หรือที่เรียกว่า Generative AI ที่มีลักษณะใกล้เคียงกับต้นฉบับ โดยเทคนิคยอดนิยมในกลุ่มนี้ได้แก่ Generative Adversarial Networks (GANs) ซึ่งเป็นโมเดลที่ใช้ เครือข่ายประสาทเทียม (Nerural Network) สองชุด มาแข่งขันกันระหว่างตัวสร้างข้อมูล (Generator) และตัวตรวจสอบความสมจริง (Discriminator) เพื่อให้ได้ข้อมูลที่มีความสมจริงมากที่สุด

ภาพจาก : https://www.clickworker.com/ai-glossary/generative-adversarial-networks/

และอีกหนึ่งเทคนิคคือ "Variational Autoencoders (VAEs)" ซึ่งเป็นโมเดลที่เข้ารหัสข้อมูลต้นฉบับให้อยู่ในรูปแบบเชิงสถิติ ก่อนจะถอดรหัสออกมาเป็นข้อมูลใหม่ที่ยังคงโครงสร้างของข้อมูลเดิมไว้ ทั้งสองเทคนิคสามารถสร้างข้อมูลที่มีความสมจริงสูง ไม่ว่าจะเป็นภาพ, ข้อความ หรือข้อมูลเชิงตัวเลข

ภาพจาก : https://data-science-blog.com/blog/2022/04/19/variational-autoencoders/

ข้อดี และ ข้อสังเกต ของการใช้ ข้อมูลสังเคราะห์ (Pros and Cons of using Synthetic Data)

ข้อดี

• ปรับแต่งได้ตามต้องการ : สามารถสร้างข้อมูลที่ตรงกับเงื่อนไขเฉพาะที่ต้องการได้
• ลดต้นทุน : การเก็บรวบรวม และจัดการข้อมูลจริงมักมีค่าใช้จ่ายสูง ข้อมูลสังเคราะห์ช่วยลดค่าใช้จ่ายได้ดี
• ติดป้ายกำกับอัตโนมัติ : การสร้างข้อมูลพร้อมป้ายกำกับช่วยให้ฝึกโมเดลได้รวดเร็ว และแม่นยำขึ้น ลดเวลาที่ต้องใช้ในการทำ Data Labeling
• สร้างข้อมูลได้รวดเร็ว : สามารถสร้างข้อมูลจำนวนมากได้ภายในเวลาอันสั้น
  
• รักษาความเป็นส่วนตัว : แม้ว่าข้อมูลสังเคราะห์จะมีลักษณะคล้ายข้อมูลจริง แต่ไม่มีข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้
• ควบคุมได้ 100% : ผู้ใช้สามารถกำหนดปัจจัยต่าง ๆ เช่น การกระจายของข้อมูล และระดับตัวแปรรบกวน ทำให้ได้ข้อมูลที่เหมาะสมกับการใช้งาน

ข้อสังเกต

• อาจไม่สมจริง 100% : แม้ว่าข้อมูลสังเคราะห์จะเลียนแบบข้อมูลแต่บางครั้งอาจขาดรายละเอียดซับซ้อนที่พบในข้อมูลจริง
• ทดแทนข้อมูลจริงไม่ได้ทั้งหมด : ยังคงต้องใช้ข้อมูลจริงบางส่วนเพื่อให้มั่นใจว่าข้อมูลที่สร้างขึ้นมีความน่าเชื่อถือ
• คุณภาพขึ้นอยู่กับโมเดลที่ใช้สร้าง : หากอัลกอริธึมที่ใช้สร้างข้อมูลไม่แม่นยำ ข้อมูลที่ได้อาจมีความผิดพลาด
• ต้องมีความเชี่ยวชาญในการสร้างข้อมูล : การสร้างข้อมูลสังเคราะห์ที่ดีต้องใช้เทคนิคขั้นสูง และอัลกอริธึมที่เหมาะสม

การใช้ ข้อมูลสังเคราะห์ ในอุตสาหกรรมต่าง ๆ (Applications of Synthetic Data in Various Industries)

1. การทดสอบซอฟต์แวร์ และระบบ (Software & System Testing)

ข้อมูลสังเคราะห์ถูกใช้ในการทดสอบระบบซอฟต์แวร์ เนื่องจากสามารถสร้างขึ้นได้ง่าย และปรับแต่งได้ตามความต้องการ ตัวอย่างเช่น แพลตฟอร์มอีคอมเมิร์ซต่าง ๆ สามารถสร้างข้อมูลสังเคราะห์ของลูกค้า จากรายการสั่งซื้อ และธุรกรรมจำลองได้ เพื่อทดสอบระบบชำระเงิน และตรวจสอบว่าระบบสามารถรองรับผู้ใช้จำนวนมากได้ หรือไม่ โดยไม่ต้องใช้ข้อมูลลูกค้าจริง

2. การฝึกโมเดล AI และ ML (AI & ML Training)

ข้อมูลสังเคราะห์ถูกนำมาใช้ฝึกโมเดล AI โดยเฉพาะในกรณีที่ข้อมูลจริงมีอคติ หรือไม่สมดุล เช่น เอามาฝึกระบบ Auto Pilot ในรถยนต์ไร้คนขับ บริษัทสามารถสร้างภาพสังเคราะห์ของถนนที่มีเงื่อนไขต่าง ๆ เช่น ฝนตกหนัก, หมอกหนา หรือคนเดินข้ามถนน เพื่อฝึก AI ให้เรียนรู้สถานการณ์ที่เกิดขึ้นได้น้อยครั้งในชีวิตจริง เพื่อช่วยให้โมเดลทำงานได้ดีขึ้น และปลอดภัยมากกว่าที่จะไปฝึกบนถนนจริง ๆ

3. การปกป้องข้อมูลส่วนบุคคล (Privacy Protection & Compliance)

ข้อมูลสังเคราะห์มีบทบาทสำคัญในการช่วยให้องค์กรปฏิบัติตามกฎหมายคุ้มครองข้อมูลส่วนบุคคล อย่าง GDPR และ PDPA ตัวอย่างเช่น ในเชิงของการแพทย์ แทนที่จะใช้ข้อมูลผู้ป่วยจริง ๆ ซึ่งมีข้อจำกัดด้านความเป็นส่วนตัว โรงพยาบาลก็สามารถสร้างข้อมูลสังเคราะห์ที่จำลองโรคประจำตัว และประวัติการรักษา เพื่อนำไปใช้ในการวิจัย และพัฒนา AI ด้านสุขภาพ โดยไม่ละเมิดสิทธิ์ของผู้ป่วย

บทสรุปของ การใช้ข้อมูลสังเคราะห์ (Conclusion of the use of Synthetic Data)

ข้อมูลสังเคราะห์ถือเป็นเทคโนโลยีที่เข้ามามีบทบาทสำคัญในโลกของการฝึกโมเดล AI และ ML ข้อมูลสังเคราะห์สามารถใช้แทนข้อมูลจริงได้ในหลายสถานการณ์ และช่วยแก้ปัญหาด้านการขาดแคลนข้อมูล, ลดอคติในโมเดล และที่สำคัญคือช่วยปกป้องความเป็นส่วนตัวของผู้ใช้งาน

แม้ว่าข้อมูลสังเคราะห์จะมีข้อดีอยู่หลายประการ แต่ก็ยังมีข้อจำกัดที่อาจจะยังไม่สามารถแทนที่ข้อมูลจริงได้ทั้งหมด และคุณภาพของข้อมูลขึ้นอยู่กับโมเดลที่ใช้สร้าง แต่ด้วยการพัฒนาเทคโนโลยี AI อย่างต่อเนื่อง ข้อมูลสังเคราะห์จะกลายเป็นส่วนสำคัญในการขับเคลื่อนอุตสาหกรรมต่าง ๆ ช่วยให้ AI ฉลาดขึ้น, ปลอดภัยขึ้น และมีประสิทธิภาพมากยิ่งขึ้นนั่นเอง

➤ Website : https://www.thaiware.com
➤ Facebook : https://www.facebook.com/thaiware
➤ Twitter : https://www.twitter.com/thaiware
➤ YouTube : https://www.youtube.com/thaiwaretv