ما هي البيانات الاصطناعية (Synthetic Data)؟

تقدم البيانات الاصطناعية العديد من الفوائد للمؤسسات. ونستعرض بعضًا منها أدناه.

التوليد غير المحدود للبيانات

يمكنك إنتاج بيانات اصطناعية عند الطلب وعلى نطاق غير محدود تقريبًا. تعد أدوات إنشاء البيانات الاصطناعية طريقة فعالة من حيث التكلفة للحصول على المزيد من البيانات. ويمكنها أيضًا وضع علامة مسبقة (تصنيف أو وضع علامة) على البيانات التي تقوم بإنشائها لحالات استخدام تعلم الآلة. ويمكنك الوصول إلى البيانات المهيكلة والمصنفة دون المرور بعملية تحويل البيانات الأولية من البداية. ويمكنك أيضًا إضافة بيانات اصطناعية إلى الحجم الإجمالي للبيانات المتوفرة لديك، مما ينتج عنه المزيد من بيانات التدريب للتحليل.

حماية الخصوصية

تتمتع مجالات، مثل الرعاية الصحية والتمويل والقطاع القانوني بالعديد من لوائح الخصوصية وحقوق النشر والامتثال لحماية البيانات الحساسة. ومع ذلك، يجب عليها استخدام البيانات للتحليلات والأبحاث - وغالبًا ما تضطر إلى الاستعانة بمصادر خارجية للبيانات لأطراف ثالثة لتحقيق أقصى استفادة منها. وبدلاً من البيانات الشخصية، يمكنها استخدام البيانات الاصطناعية لخدمة نفس الغرض، مثل هذه المجموعات الخاصة من البيانات. وهي تقوم بإنشاء بيانات مماثلة تعرض نفس المعلومات ذات الصلة إحصائيًا دون الكشف عن البيانات الخاصة أو الحساسة. ويجب أن تضع في اعتبارك البحث الطبي الذي ينشئ بيانات اصطناعية من مجموعة بيانات حية - تحتفظ البيانات الاصطناعية بنفس النسبة المئوية للخصائص البيولوجية والعلامات الجينية، مثل مجموعة البيانات الأصلية، ولكن جميع الأسماء والعناوين ومعلومات المريض الشخصية الأخرى تكون مزيفة.

الحد من التحيز

يمكنك استخدام البيانات الاصطناعية لتقليل التحيز في نماذج تدريب الذكاء الاصطناعي. ونظرًا لأن النماذج الكبيرة تتدرب عادةً على البيانات المتاحة للجمهور، فقد يكون هناك تحيز في النص. ويمكن للباحثين استخدام البيانات التركيبية لتوفير تباين مع أي لغة أو معلومات متحيزة تجمعها نماذج الذكاء الاصطناعي. وعلى سبيل المثال، إذا كان محتوى معين قائم على الرأي يفضل مجموعة معينة، يمكنك إنشاء بيانات اصطناعية لموازنة مجموعة البيانات الإجمالية.

يتضمن توليد البيانات الاصطناعية استخدام الأساليب الحوسبية وعمليات المحاكاة لإنشاء البيانات. تحاكي النتيجة الخصائص الإحصائية لبيانات العالم الحقيقي، ولكنها لا تحتوي على ملاحظات فعلية في العالم الحقيقي. يمكن أن تتخذ هذه البيانات التي تم إنشاؤها أشكالًا مختلفة، بما في ذلك النص أو الأرقام أو الجداول أو الأنواع الأكثر تعقيدًا، مثل الصور ومقاطع الفيديو. هناك ثلاث طرق رئيسية لتوليد البيانات الاصطناعية، تقدم كل منها مستويات مختلفة من دقة البيانات وأنواعها. 

التوزيع الإحصائي

في هذا النهج، يتم تحليل البيانات الحقيقية أولاً لتحديد التوزيعات الإحصائية الأساسية، مثل التوزيعات العادية أو الأسية أو التوزيعات المربعة. ويقوم علماء البيانات بعد ذلك بإنشاء عينات اصطناعية من هذه التوزيعات المحددة لإنشاء مجموعة بيانات تشبه الأصل إحصائيًا.

الاعتماد على النماذج 

في هذا النهج، يتم تدريب نموذج تعلم الآلة لفهم وتكرار خصائص البيانات الحقيقية. بمجرد تدريب النموذج، يمكنه إنشاء بيانات اصطناعية تتبع نفس التوزيع الإحصائي للبيانات الحقيقية. هذا النهج مفيد بشكل خاص لإنشاء مجموعات بيانات مختلطة تجمع بين الخصائص الإحصائية للبيانات الحقيقية والعناصر الاصطناعية الإضافية.

أساليب التعليم العميق

يمكن استخدام تقنيات متقدمة، مثل الشبكات التنافسية المولّدة (GAN) وأجهزة الترميز التلقائي المتغيرة (VAE) وغيرها لإنشاء بيانات اصطناعية. وغالبًا ما تُستخدم هذه الطرق لأنواع البيانات الأكثر تعقيدًا - مثل الصور أو بيانات السلاسل الزمنية - ويمكنها إنتاج مجموعات بيانات اصطناعية عالية الجودة.
 

هناك العديد من التحديات عند إنشاء بيانات اصطناعية. فيما يلي بعض القيود والتحديات العامة التي من المحتمل أن تواجهها عند العمل مع البيانات الاصطناعية.

مراقبة الجودة

تعد جودة البيانات أمرًا حيويًا في الإحصائيات والتحليلات. فقبل دمج البيانات الاصطناعية في نماذج التعلم، يجب عليك التحقق من دقتها وتوافر الحد الأدنى من جودة البيانات. ومع ذلك، فإن ضمان عدم تمكن أي شخص من تتبع نقاط البيانات الاصطناعية إلى المعلومات الحقيقية قد يتطلب تقليل الدقة. ويمكن أن تؤثر المقايضة في الخصوصية والدقة على الجودة.

يمكنك إجراء فحوصات يدوية للبيانات الاصطناعية قبل استخدامها، مما يساعد في التغلب على هذه المشكلة. ومع ذلك، يمكن أن يستغرق الفحص اليدوي وقتًا طويلاً إذا كنت بحاجة إلى إنشاء الكثير من البيانات الاصطناعية.

التحديات التقنية

يعد إنشاء بيانات اصطناعية أمرًا صعبًا - يجب عليك فهم التقنيات والقواعد والأساليب الحالية لضمان دقتها وفائدتها. كما أنك بحاجة إلى التمتع بخبرة عالية في هذا المجال قبل إنشاء أي بيانات اصطناعية مفيدة.

وبغض النظر عن مقدار الخبرة التي تتمتع بها من جانبك، فمن الصعب إنشاء بيانات اصطناعية كتقليد مثالي لنظيرتها في العالم الحقيقي. فعلى سبيل المثال، غالبًا ما تتضمن بيانات العالم الحقيقي القيم المتطرفة والمنحرفة التي نادرًا ما يمكن لخوارزميات توليد البيانات الاصطناعية إعادة إنشائها.

ارتباك أصحاب المصلحة

على الرغم من أن البيانات الاصطناعية هي أداة تكميلية مفيدة، فإن جميع أصحاب المصلحة قد لا يفهمون أهميتها. وباعتبارها تقنية أكثر حداثة، قد لا يقبل بعض مستخدمي الأعمال تحليلات البيانات الاصطناعية نظرَا لصلتها بالعالم الحقيقي. وعلى الجانب الآخر، قد يبالغ الآخرون في التأكيد على النتائج بسبب الجانب المتحكم فيه من التوليد. ويمكنك نشر حدود هذه التقنية ونتائجها إلى أصحاب المصلحة، مع التأكد من فهمهم للفوائد واستيعابهم لأوجه القصور.