Yapay Zekâ Gerçek Veri Olmadan Öğrenebilir mi? Sentetik Veri Rehberi

Gerçek müşterilerin bilgilerini test ortamına koymadan bir alışveriş uygulamasını deneyebilir misiniz? Sentetik veri, bu soruya yardımcı olabilecek yöntemlerden biri. Bilgisayar, gerçek verideki genel örüntüleri öğrenip gerçekte yaşamayan kişilere veya işlemlere ait yeni kayıtlar üretir. Ancak bu kayıtlar otomatik olarak gizli, doğru ya da kullanışlı olmaz. Sentetik verinin ne olduğunu ve sınırlarını basitçe inceleyelim.

Sentetik veri nedir?

Sentetik veri, gerçek dünyadaki verilerin bazı özelliklerini taklit edecek şekilde bilgisayar tarafından üretilen yapay veridir. Bu veriler bir kural listesiyle, istatistiksel yöntemlerle veya yapay zekâ modelleriyle oluşturulabilir. Yani her sentetik veri yapay zekâ tarafından üretilmez.

Buradaki amaç gerçek kayıtları aynen kopyalamak değil; ihtiyaç duyulan örüntüleri ve ilişkileri mümkün olduğunca koruyan yeni örnekler üretmektir. NIST’in örneğinde bir kahve dükkânının satış dağılımından yararlanılarak yeni, sahte sipariş satırları oluşturulabilir. Böylece ürün türlerinin yaklaşık oranı korunurken test için yeni kayıtlar elde edilir.

Basit örnek: sahte sipariş verisi

Bir çevrim içi mağazada ürün türü, fiyat, sipariş günü ve teslimat süresi alanları olduğunu düşünün. Geliştirici, yazılımın testleri için binlerce örnek kayda ihtiyaç duyuyor; gerçek müşterilerin isim ve adreslerini kullanmak istemiyor.

Bir veri üreticisi, örneğin hafta sonları siparişlerin arttığını ve bazı ürünlerin genellikle daha yüksek fiyatlı olduğunu öğrenebilir. Ardından bu ilişkilere benzeyen, ama yeni ve kurgusal sipariş satırları oluşturur. Bu satırlar gerçek müşterilerin geçmişini paylaşmadan test, demo veya prototip hazırlamaya yardımcı olabilir.

Yapay zekâ projelerinde nerede işe yarar?

• Yazılım testi: Formları, raporları ve veri akışlarını gerçek kullanıcı kayıtlarını açmadan denemek.
• Prototip geliştirme: Henüz gerçek veri erişimi olmayan bir ürünün ilk sürümünü hazırlamak.
• Nadir durumları deneme: Sistemin seyrek görülen durumlara nasıl tepki verdiğini kontrollü örneklerle incelemek.
• Veri paylaşımı: Araştırma veya ekip içi çalışma için, gerçek kayıtları doğrudan paylaşmadan örnek veri sunmak.

Sentetik veri, gerçek verinin her kullanımda yerini almaz. Özellikle sonuçları gerçek insanları etkileyen modellerde, sentetik veride iyi görünen performansı gerçek ve ayrılmış bir test verisiyle de ölçmek gerekir. Bir sohbet botunu değerlendiriyorsanız LLM evals rehberimiz test seti ve kalite ölçümü konusunda yardımcı olabilir.

Sentetik veri kişisel bilgileri otomatik olarak gizler mi?

Hayır. “Sentetik” kelimesi tek başına gizlilik garantisi değildir. Bir model, eğitimde gördüğü nadir bir kayda fazla benzer bir satır üretebilir. Bu yüzden yalnızca isimleri kaldırmak veya veriyi bir üretici modelden geçirmek, güvenli olduğunu kanıtlamaz.

NIST’in sentetik veri rehberi, diferansiyel gizlilik gibi biçimsel bir koruma sağlamayan yöntemlerin güçlü ve genel bir gizlilik garantisi vermediğini; bazı sentetik veri türlerinin gizlilik saldırılarına açık olabileceğini belirtiyor. Diferansiyel gizlilik kullanılan bir üretim sürecinde bile korumanın nasıl uygulandığını, ayarlarını ve veri kalitesine etkisini değerlendirmek gerekir.

Sentetik veriyi kullanmadan önce 5 kontrol

1. Kullanım amacını yazın. Test, demo, model eğitimi veya araştırma için mi üretiyorsunuz? Başarı ölçütü amaca göre değişir.
2. Önemli örüntüleri karşılaştırın. Sadece ortalamalara değil, sütunlar arasındaki ilişkilere de bakın. Tek tek doğru görünen alanlar, birlikte yanlış bir tablo oluşturabilir.
3. Alt grupları ayrıca inceleyin. Genel sonuç iyi görünürken küçük bir kullanıcı grubunda kalite düşebilir veya önyargı büyüyebilir.
4. Gizlilik riskini ölçün. Üretilen satırların kaynak kayıtlara aşırı benzeyip benzemediğini ve kişilerin veride bulunup bulunmadığının anlaşılma ihtimalini değerlendirin.
5. Gerçek veride son kontrol yapın. Sentetik veriyle geliştirilen sistemi, eğitimde kullanılmamış gerçek örneklerde sınayın; üretim kararını yalnızca sentetik test sonuçlarına bağlamayın.

NIST’in Synthetic Data Test Drive kılavuzu da yöntemi seçtikten sonra sentetik veri setinin hem faydasını hem de gizlilik riskini ölçmeyi öneriyor. “Gerçekçi görünüyor” demek, amaca uygun veya güvenli olduğunu göstermeye yetmez.

Sık sorulan sorular

Sentetik veri ile anonimleştirilmiş veri aynı mı?

Hayır. Anonimleştirme, mevcut kayıtlardaki kişiyi belirlemeyi zorlaştırmaya çalışır. Sentetik veri ise bir üretim yöntemiyle yeni kayıtlar oluşturur. İki yöntemin riskleri ve kontrolleri farklıdır.

Sentetik veri gerçek verinin yerini alabilir mi?

Bazı test ve prototip işlerinde yararlı olabilir. Fakat modelin gerçek dünyadaki başarısını ölçmek için, kullanım amacına uygun gerçek örneklerle ayrıca doğrulama yapmak gerekir.

Sentetik veri her zaman yapay zekâ ile mi üretilir?

Hayır. Basit kurallar veya istatistiksel örnekleme de sentetik kayıt oluşturabilir. Yapay zekâ, yöntemlerden yalnızca biridir.

Kısaca

Sentetik veri, gerçek verideki seçili örüntülerden yararlanarak yeni ve kurgusal kayıtlar üretir. Yazılım testi, prototip ve bazı araştırma işlerinde yarar sağlayabilir. Ancak verinin gerçekçi görünmesi gizliliği, doğruluğu veya adaleti garanti etmez. Kullanım amacını belirleyin; kaliteyi, alt grupları ve gizlilik riskini ayrı ayrı ölçün; kritik sonuçları gerçek veride doğrulayın.

Kaynaklar

• NIST SP 800-226: Guidelines for Evaluating Differential Privacy Guarantees — sentetik veride gizlilik, kalite ve önyargı değerlendirmesi.
• NIST Synthetic Data Test Drive — sentetik veri üretme, faydayı ve gizlilik riskini ölçme adımları.
• NIST SP 800-188: De-Identifying Government Datasets — veri paylaşım hedefleri ve ifşa riskini değerlendirme yaklaşımı.