合成數據練AI 保私隱易偏差（郝本尼）
原文刊於信報財經新聞「CEO AI⎹ EJ Tech——智情筆報」
「合成數據」（Synthetic Data）是指透過演算法或人工智能（AI）模型，依照真實世界統計數據，生成更多虛構人工資料。它們並非直接取自任何真實人員，但在結構規律上高度近似真實數據。近年隨着AI技術發展加速，訓練數據需求激增，「合成數據」重要性日益提高。
採用小量真實資料建模
使用「合成數據」最大好處，在於符合保護私隱法規。真實數據涉及個人身份、財務交易或健康紀錄等敏感資料，受到香港《個人資料（私隱）條例》、歐盟《通用數據保障條例》（GDPR）等法律框架的保護。「合成數據」表面不含此等資訊，故可在合規情況下自由使用。
況且在許多領域中，真實數據往往不易取得，例子有醫療領域的罕見病例、網安領域的攻擊事件等，「合成數據」正好能夠解決此一難題。透過小量真實樣本建模，產生大量相似數據來擴增訓練集；如此不僅能改善模型準確率，還能降低資料蒐集成本。
不過，「合成數據」並非萬能，首要風險就是可能放大偏差（bias）。麻省理工學院「合成數據倉庫」（SDV）計劃創辦人維拉馬查內尼（Kalyan Veeramachaneni），日前提醒：「因為它是從小量真實資料生成，真實資料中存在的偏差，可能延續到合成數據中。」
另外，「合成數據」終究只是模擬生成，難以完全涵蓋現實的複雜性。即使模型在「合成數據」上表現良好，亦不保證能在真實世界維持同等效能，這種落差在自動駕駛等領域尤其明顯。不少用戶、機構，也傾向質疑以「合成數據」為基礎的模型，這又成為一些實驗室隱瞞使用「合成數據」的誘因。
港宜制定統一評估指標
「合成數據」在本港應用早有一定進展，例如金管局2019年發表的《AI重塑銀行業》報告，就提過可以用它協助金融業訓練欺詐檢測模型，到2021年推出「反洗錢合規科技實驗室」（AMLab），亦有使用「合成數據」做實驗，以識別可疑傀儡戶口網絡。
儘管如此，業界未來仍需要就「合成數據」建立標準化的評估指標，確保在私隱與效用之間，達到真正平衡。同時，為促進本地化的AI模型，香港院校也可以參考SDV計劃，建設一套符合本地情況的公開「合成數據」集。
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
