Synteettinen data on valheellista ja siten turhaa
Synteettinen data on tietokoneen luomaa kuvitteellista dataa. Se on siis tietyssä mielessä valheellista, mutta se voi silti olla hyödyllistä. Synteettistä dataa voidaan käyttää esimerkiksi ohjelmistojen testaamisessa arkaluonteisten henkilötietojen tilalla.8 Viime aikoina on syntynyt kiinnostusta myös sen laajempaan käyttöön erilaisissa analyysitehtävissä.
Synteettistä dataa tuotetaan monilla erilaisilla menetelmillä. Simuloitua dataa voidaan tuottaa esimerkiksi epidemian etenemistä kuvaavan matemaattisen mallin avulla käyttämättä ollenkaan oikeaa dataa. Usein synteettistä dataa luodaan koneoppimismallilla, joka on opetettu tuottamaan aidon datan kaltaista dataa. Tällä periaatteella toimii esimerkiksi kuvia generoiva tekoäly, joka osaa tuottaa esimerkiksi realistisen näköisiä kasvokuvia ihmisistä, joita ei ole olemassa.
Synteettistä dataa pyritään usein käyttämään arkaluonteisen datan tilalla tietosuojan parantamiseksi. Aidon datan pohjalta tuotettuun synteettiseen dataan liittyy kuitenkin riski siitä, että siihen periytyy aidosta datasta piirteitä, joiden kautta osia aidosta datasta saattaa paljastua. Anonyymissä synteettisessä datassa tämä paljastumisriski on minimoitu. Anonymiteetin varmistamiseksi dataa pitää sotkea, jolloin sillä saatuihin analyysituloksiin ei voi enää täysin luottaa. Siksi synteettinen data soveltuu parhaiten käyttötarkoituksiin, joissa ei vaadita absoluuttista tarkkuutta, kuten ohjelmistokehitykseen ja -testaukseen.
Synteettistä dataa voidaan hyödyntää myös silloin, kun dataa käytetään suuremman ihmisjoukon ominaisuuksien analysointiin. Tällöin riittää, että datan tilastolliset ominaisuudet vastaavat mallina olevaa joukkoa. Hyvän synteettisen datan voi tällöin ajatella kuvaavan kuvitteellisia uusia yksilöitä samasta ihmisjoukosta.
Synteettinen data toimii parhaiten aidon datan täydentäjänä, ei sen korvaajana. Synteettistä dataa voidaan tietyissä tilanteissa käyttää esimerkiksi täydentämään aidossa datassa aliedustettuja vähemmistöjä. Tähän voi kuitenkin sisältyä riski vinoumista, jos synteettinen data ei kuvaakaan kohdettaan riittävän tarkasti.
Suomessa ja muualla maailmassa tutkijoiden on mahdollista hakea käyttöoikeutta arkaluonteisiin tilasto- ja rekisteritietoihin. Käyttöoikeuden hakeminen on raskas prosessi, ja hakemuksen käsittely voi kestää jopa kuukausia. Anonyymi synteettinen data voisi tarjota kiinnostavan vaihtoehdon, jossa tutkija voisi saada eräänlaisen esikatseluversion käyttöönsä nopeasti. Tämä voisi toisaalta auttaa selvittämään jo ennen hakemuksen jättämistä, vastaako haettu data todella haluttua, ja toisaalta mahdollistaa analyysien suunnittelun hakemuksen käsittelyn ollessa vielä kesken.
Suurten kieltä käsittelevien tekoälymallien, kuten ChatGPT:n, koulutuksessa on tutkittu myös mallien itse tuottaman synteettisen tekstin käyttöä ihmisten tuottaman tekstin korvaajana. Tällöin on havaittu, että synteettinen teksti heikentää mallin laatua. Tämä saattaa jatkossa muodostua haasteeksi, kun internetistä kerätään aineistoa, josta kasvava osa on ihmisen tuottaman sijaan synteettistä.
