Génération de données synthétiques

Qu'est-ce que la génération de données synthétiques?

La génération de données synthétiques est le processus de création de données artificielles, telles que des images, des lectures de capteurs, du texte ou des tableaux, qui capturent les modèles ou les caractéristiques des données du monde réel. Dans l'IA, les données synthétiques sont utilisées pour entraîner et tester des modèles lorsque les données du monde réel sont rares, sensibles, coûteuses à collecter ou à étiqueter, ou difficiles à obtenir en toute sécurité.

Les données synthétiques ne contiennent pas nécessairement des enregistrements de personnes ou d'événements réels. Cependant, les données générées à partir de sources réelles peuvent parfois reproduire des informations sensibles, selon les méthodes utilisées.

Comment fonctionne la génération de données synthétiques?

La génération de données synthétiques basée sur la simulation est couramment utilisée pour les images et les données de capteurs. Cela peut impliquer plusieurs étapes :

1. Construire l'environnement: Créer une scène 3D ou un jumeau numérique représentant les objets, l'environnement et les capteurs pertinents pour le système d'IA.
2. Randomiser: Variez des facteurs tels que l'éclairage, les positions des objets, les textures, les angles de caméra et les conditions environnementales pour augmenter la diversité de l'ensemble de données.
3. Capturer: Rendre des images, des vidéos ou des données de capteurs telles que la profondeur et le lidar à partir de l'environnement simulé.
4. Étiquette automatiquement: Générer des annotations telles que des boîtes englobantes, des masques de segmentation et des positions d'objets directement à partir de la simulation.
5. Valider Évaluer les modèles entraînés sur des données synthétiques par rapport aux données du monde réel et affiner la simulation pour combler les différences entre les deux.

Par exemple, une équipe de recherche en fabrication peut créer un jumeau numérique d'une usine et l'utiliser pour générer des données d'entraînement étiquetées pour les systèmes d'IA. Le Korea Institute of Industrial Technology (KITECH) a utilisé Unity Industry pour construire un jumeau numérique d'une fonderie de moulage métallique et développer un pipeline de données synthétiques pour l'IA de fabrication, générant plus de 100 000 images brutes pour l'IA de collaboration homme-robot dans le cadre d'un projet de 14 semaines.

Quelles sont les principales techniques de génération de données synthétiques ?

Des données synthétiques peuvent être générées en utilisant plusieurs approches, en fonction du type de données et de l'utilisation prévue :

Différentes techniques peuvent également être combinées. Par exemple, les modèles génératifs peuvent créer des actifs ou des environnements 3D qui sont ensuite utilisés dans la génération de données basée sur la simulation.

Quelle est la différence entre les données synthétiques et les données réelles ?

Les données synthétiques et les données du monde réel ont des forces et des limites différentes, donc de nombreux projets utilisent une combinaison des deux.

À quoi sert les données synthétiques?

Les données synthétiques sont utilisées dans diverses industries pour entraîner et tester des modèles d'IA, simuler des scénarios difficiles ou rares, et développer des systèmes lorsque les données du monde réel sont limitées, sensibles ou coûteuses à collecter.

• Vision par ordinateur Entraîner des modèles de détection d'objets, de segmentation et d'estimation de pose à l'aide d'images avec des annotations générées automatiquement.
• Robotique Entraîner des robots à percevoir et à interagir avec des objets dans des environnements simulés avant le Deployment dans le monde réel, y compris via robotics simulation.
• Véhicules autonomes: Générer et tester des scénarios de conduite inhabituels ou dangereux qui peuvent être difficiles ou dangereux à capturer sur les routes réelles.
• Fabrication Utiliser des simulations d'usine et des Digital Twins pour générer des données d'entraînement pour l'inspection, l'automatisation et la collaboration homme-robot.
• Tests logiciels: Générer des données de test réalistes sans utiliser de dossiers clients réels.
• Soins de santé et finance: Générer des données pour les tests, la recherche ou le développement de modèles tout en réduisant l'exposition aux informations sensibles, en fonction de la manière dont les données synthétiques sont générées et validées.

Quels sont les avantages de la génération de données synthétiques?

• Mise à l'échelle sur demande: Générer de grandes quantités de données sans dépendre entièrement de la collecte de données réelles.
• Étiquetage automatisé: Générer automatiquement des annotations ou des métadonnées, en fonction de la méthode de génération, réduisant le besoin d'étiquetage manuel.
• Exposition réduite aux données sensibles: Les ensembles de données synthétiques peuvent réduire le besoin d'utiliser ou de partager des dossiers personnels ou sensibles réels.
• Couverture des cas limites: Générer ou simuler des scénarios inhabituels, dangereux ou coûteux qui peuvent être difficiles à capturer dans le monde réel.
• Diversité des ensembles de données: Ajouter des scénarios ou des conditions sous-représentés pour améliorer la couverture du jeu de données lorsque les données générées reflètent fidèlement la variation réelle pertinente.

Quels sont les défis de la génération de données synthétiques?

• L'écart sim-à-réel: Les modèles entraînés sur des données simulées peuvent avoir des difficultés lorsque les conditions réelles, telles que l'éclairage, les textures, la physique ou le bruit des capteurs, diffèrent de la simulation.
• Effort de validation: Les équipes doivent évaluer si les données synthétiques représentent adéquatement les conditions auxquelles le modèle sera confronté, souvent en testant sur des données réelles.
• Biais hérité: Les données synthétiques générées à partir de données sources biaisées ou d'hypothèses peuvent reproduire ou amplifier ces biais.
• La confidentialité n'est pas automatique: Les données synthétiques générées à partir d'enregistrements réels peuvent potentiellement reproduire des informations sensibles, il peut donc être nécessaire d'effectuer des tests appropriés de confidentialité et de réidentification.

Foire aux questions (FAQ)

Les données synthétiques sont-elles les mêmes que les données fausses?

Pas tout à fait. Les données synthétiques sont générées artificiellement pour reproduire les modèles ou les caractéristiques pertinentes des données du monde réel. Il peut être conçu pour des usages spécifiques, tels que l'entraînement de modèles d'IA, les tests de logiciels ou la simulation de conditions réelles. Les données factices sont généralement créées pour les tests ou le développement et n'ont pas nécessairement pour but de refléter des modèles du monde réel.

Les modèles d'IA peuvent-ils être entraînés uniquement sur des données synthétiques?

Dans certains cas, oui. La capacité d'un modèle à être entraîné efficacement en utilisant uniquement des données synthétiques dépend de la tâche, de la qualité et de la diversité des données, et de la manière dont elles représentent fidèlement les conditions auxquelles le modèle sera confronté. Combiner des données synthétiques et réelles peut aider à fournir une couverture plus large tout en permettant d'évaluer les modèles par rapport à des conditions réelles.

Les données synthétiques sont-elles toujours privées?

Pas automatiquement. Les données synthétiques générées à partir d'enregistrements réels peuvent potentiellement reproduire des informations sensibles si le processus de génération mémorise ou reproduit étroitement des exemples sources. Des tests de confidentialité appropriés peuvent aider à identifier ces risques avant que les données ne soient partagées. Les données générées par simulation à partir d'environnements virtuels ne proviennent pas de dossiers personnels, bien que leurs propriétés de confidentialité dépendent toujours de la manière dont le système et les actifs sont créés.