Dữ liệu tổng hợp nhân tạo được giới thiệu như một cách giải quyết mâu thuẫn giữa nhu cầu dữ liệu và ràng buộc riêng tư.
Nó có giá trị thật trong một số việc, và không phù hợp cho những việc khác.
Cách tạo
Một mô hình sinh được huấn luyện trên dữ liệu thật để học phân bố của nó, rồi dùng để tạo ra các bản ghi mới.
Các bản ghi tạo ra có đặc tính thống kê tương tự dữ liệu gốc nhưng không tương ứng với người thật nào cụ thể.
Ứng dụng phù hợp
Kiểm thử hệ thống
Kiểm tra một phần mềm mới xử lý đúng chưa, chịu tải được không, giao diện hiển thị ổn không.
Đây là ứng dụng phù hợp nhất: cần dữ liệu trông thật chứ không cần nó đúng về lâm sàng.
Phát triển và gỡ lỗi
Lập trình viên cần dữ liệu để làm việc nhưng không nhất thiết phải là dữ liệu thật.
Đây cũng là biện pháp giảm rủi ro: giới hạn số người có quyền truy cập dữ liệu thật.
Đào tạo
Nhân viên mới học dùng hệ thống trên dữ liệu giả, không rủi ro.
Trình diễn sản phẩm
Nhà cung cấp giới thiệu sản phẩm mà không phải xin phép dùng dữ liệu thật.
Kiểm tra tính tái lập
Chia sẻ cùng mã nguồn để nhóm khác kiểm mã chạy được, dù không thể chia sẻ dữ liệu thật.
Ứng dụng cần thận trọng
Huấn luyện mô hình lâm sàng
Đây là ứng dụng hấp dẫn nhất và có vấn đề nhất.
Lý do cốt lõi: mô hình sinh chỉ tái tạo được những mẫu hình có trong dữ liệu gốc. Nó không tạo ra thông tin mới.
Và nó thường tái tạo kém ở đuôi phân bố — tức các trường hợp hiếm.
Trong y tế, các trường hợp hiếm chính là những ca quan trọng nhất: bệnh hiếm, biểu hiện không điển hình, biến chứng bất thường.
Một mô hình huấn luyện trên dữ liệu tổng hợp sẽ kém nhất ở chính nhóm cần nhất.
Cân bằng dữ liệu cho nhóm thiếu đại diện
Ý tưởng: tạo thêm dữ liệu cho nhóm có ít bản ghi.
Vấn đề: nếu nhóm đó vốn đã ít trong dữ liệu gốc, mô hình sinh cũng học được ít về họ. Dữ liệu tạo ra sẽ là một phiên bản trung bình hoá, không phản ánh sự đa dạng thật.
Kết quả có thể là số lượng bản ghi tăng mà thông tin không tăng — và tạo cảm giác đã giải quyết vấn đề trong khi chưa.
Nghiên cứu để rút ra kết luận
Phân tích trên dữ liệu tổng hợp có thể tái tạo các mối liên hệ đã có trong dữ liệu gốc, nhưng không phát hiện được điều gì mới.
Và nó có thể tạo ra các mối liên hệ giả do đặc tính của mô hình sinh.
Vấn đề riêng tư không tự động được giải quyết
Đây là điểm hay bị trình bày quá lạc quan.
Nếu mô hình sinh học quá khớp với dữ liệu gốc, nó có thể tái tạo gần đúng các bản ghi thật.
Rủi ro cao nhất với:
- Các trường hợp hiếm và dễ nhận dạng.
- Tổ hợp giá trị cực đoan.
- Bản ghi nằm ở rìa phân bố.
Cần đánh giá rủi ro nhận dạng chứ không giả định dữ liệu tổng hợp là an toàn tự thân.
Các biện pháp: kiểm tra khoảng cách giữa bản ghi tạo ra và bản ghi gốc gần nhất, áp dụng kỹ thuật bảo vệ riêng tư trong quá trình huấn luyện mô hình sinh, loại bỏ các bản ghi tạo ra quá giống bản ghi thật.
Đánh giá chất lượng dữ liệu tổng hợp
Cần đánh giá theo ba chiều, và chúng đánh đổi với nhau:
Độ trung thực
Phân bố có giống dữ liệu gốc không — cả phân bố từng biến lẫn mối quan hệ giữa các biến.
Tính hữu dụng
Kết quả phân tích trên dữ liệu tổng hợp có giống kết quả trên dữ liệu gốc không?
Phép kiểm thực tế: huấn luyện mô hình trên dữ liệu tổng hợp, kiểm trên dữ liệu thật, so với mô hình huấn luyện trên dữ liệu thật.
Mức bảo vệ riêng tư
Rủi ro nhận dạng lại.
Đánh đổi: càng trung thực thì càng hữu dụng nhưng rủi ro riêng tư càng cao. Không thể tối ưu cả ba cùng lúc.
Tính hợp lý lâm sàng
Một vấn đề riêng của y tế: dữ liệu tổng hợp có thể đúng về thống kê nhưng vô lý về lâm sàng.
Ví dụ về dạng lỗi: một bản ghi có tổ hợp chẩn đoán và thuốc không thể xảy ra cùng nhau, hoặc trình tự sự kiện không hợp lý về thời gian.
Vì vậy nên có bước rà soát bởi người có chuyên môn lâm sàng, ít nhất trên một mẫu — đặc biệt nếu dữ liệu sẽ dùng cho đào tạo, vì dữ liệu vô lý dạy sai người học.
Ghi nhãn rõ ràng
Nguyên tắc quan trọng: dữ liệu tổng hợp phải được đánh dấu rõ ràng ở mọi nơi nó xuất hiện.
Rủi ro thực tế: dữ liệu tạo ra để kiểm thử lọt vào môi trường vận hành, hoặc được dùng cho phân tích mà người dùng không biết đó là dữ liệu giả.
Đây không phải tình huống giả định — nó đã xảy ra ở các dự án mà môi trường kiểm thử và môi trường thật không tách bạch đủ.
Tóm lại
| Dùng được | Không nên dùng |
|---|---|
| Kiểm thử hệ thống | Huấn luyện mô hình lâm sàng sẽ dùng thật |
| Phát triển phần mềm | Rút ra kết luận nghiên cứu |
| Đào tạo nhân viên | Thay thế dữ liệu thật trong kiểm định |
| Trình diễn sản phẩm | Cân bằng nhóm thiếu đại diện |
| Kiểm tra mã nguồn chạy được | Giả định là an toàn về riêng tư mà không đánh giá |
Câu hỏi thường gặp
Dữ liệu tổng hợp được tạo ra bằng cách nào?
Bằng cách huấn luyện một mô hình sinh trên dữ liệu thật rồi dùng nó tạo ra bản ghi mới có đặc tính thống kê tương tự. Bản ghi tạo ra không tương ứng với người thật nào cụ thể.
Ứng dụng phù hợp nhất là gì?
Kiểm thử hệ thống, đào tạo nhân viên, phát triển và gỡ lỗi phần mềm, và trình diễn sản phẩm. Đây là các tình huống cần dữ liệu trông thật mà không cần nó phản ánh đúng thực tế lâm sàng.
Vì sao không nên dùng để huấn luyện mô hình lâm sàng?
Vì mô hình sinh chỉ tái tạo được những mẫu hình có trong dữ liệu gốc, và thường bỏ sót các trường hợp hiếm — vốn là những ca quan trọng nhất trong y tế. Mô hình huấn luyện trên dữ liệu như vậy sẽ kém ở chính nhóm cần nhất.
Dữ liệu tổng hợp có bảo đảm riêng tư không?
Không tự động. Nếu mô hình sinh học quá khớp với dữ liệu gốc, nó có thể tái tạo gần đúng các bản ghi thật, đặc biệt với các trường hợp hiếm và dễ nhận dạng. Cần đánh giá rủi ro này chứ không giả định là an toàn.