Симулятор ИИ: синтетические данные для быстрого и безопасного обучения моделей

Рынок синтетических данных — искусственно созданных датасетов для ИИ — опережает большинство других сегментов индустрии искусственного интеллекта. Аналитики Precedence Research оценили его объём в 584,5 млн долларов в 2025 году с потенциалом увеличения до 10,8 млрд долларов к 2035-му при темпах роста почти на 34% ежегодно. При этом рынок ИИ в целом прибавляет 19–26% в год в зависимости от направлений. В России, по прогнозам Б1, доля «синтетики» общем объёме данных, используемых для обучения ИИ, может составить 60% к 2028 году.

Разбираемся, почему синтетические данные становятся основным источником обучения генеративных нейросетевых моделей, компьютерного зрения и автономных систем.

Объём мирового рынка генерации синтетических данных, млрд долларов

* CAGR (Compound Annual Growth Rate) — совокупный среднегодовой темп роста.

Источник: Precedence Research

Содержание:

• Для чего нужны синтетические данные
• Сценарии использования альтернативных датасетов
• Риски обучения ИИ на искусственных наборах данных
• Главное по тексту

Для чего нужны синтетические данные

Синтетические данные — это искусственно созданные наборы информации: они смоделированы на реальных закономерностях, но не содержат фактических сведений о людях, событиях или объектах. «Для ряда задач это отличный инструмент, например, для обучения автоматически пилотируемых транспортных средств, — говорит руководитель лаборатории инноваций „Норбит“ Дмитрий Демидов. — Виртуальная среда позволяет без натурных испытаний отработать ситуации, очень приближенные к реальным за счёт создания синтетических данных и целой синтетической среды. Можно симулировать такие обстоятельства и условия, которые практически невозможны в жизни».

Эксперты отмечают большой интерес к синтетическим данным в обучении генеративного ИИ, а также в системах на базе компьютерного зрения. Речь идёт обо всех видах детектирования аномалий, распознавания лиц и объектов. Искусственно созданные данные могут использоваться и в более узких областях, например в распознавании голоса или удалении шумов, поясняет Дмитрий Демидов.

Согласно статистике, львиная доля времени (60–80%) в проектах машинного обучения уходит на подготовку, очистку и разметку данных. Это существенно замедляет внедрение ИИ-решений и увеличивает их стоимость. Проблему создаёт и доступность данных: многие наборы (медицинские записи, финансовые транзакции) содержат персональную информацию и подпадают под строгие регуляторные ограничения, поэтому компании не всегда могут использовать их для обучения моделей.

Синтетические данные позволяют обойти эти ограничения: такие датасеты создаются алгоритмами и лишь воспроизводят статистические закономерности исходных данных. Это даёт возможность обучать модели и тестировать решения во внешних средах без риска утечек. Например, банк может генерировать синтетические транзакции для тестирования моделей обнаружения мошенничества без использования реальных клиентских счетов.

Ещё одна причина востребованности синтетических данных — дефицит редких событий и состояний, необходимых для обучения моделей. Это особенно заметно в медицине, где для обучения нейросетей уже используются сгенерированные изображения с различными патологиями. Реальные данные по редким заболеваниям ограничены и не всегда доступны в нужном объёме. В России эта проблема выделена на уровне всей системы здравоохранения: Минздрав ведёт официальный перечень орфанных заболеваний, а российские ИИ-сервисы обучают на тысячах подтверждённых кейсов для их выявления. В таких задачах синтетические данные позволяют расширять обучающие выборки там, где реальных примеров по определению мало.

При этом качество искусственных данных может быть близким к реальными. Эксперименты показали, что прогнозные модели, построенные на синтетических данных, уступают моделям на реальных данных всего 2–3% точности.

Обеспечение качества синтетических данных — сложная и ресурсоёмкая задача, объясняет Алексей Нейман. В России уже разрабатывается стандарт, который обеспечит безопасность и качество синтетических данных для ИИ. «В проекте национального стандарта синтеза данных выделены три ключевых и независимых критерия качества: соответствие статистическим свойствам реальных данных, утилитарность (пригодность для обучения моделей), а также приватность — невозможность восстановления или идентификации реальных наблюдений. Ключевая задача при синтезе данных — найти баланс между этими критериями».

Сценарии использования альтернативных датасетов

Улучшение качества промышленных датасетов

Синтетические данные позволяют дополнять реальные датасеты в задачах компьютерного зрения. Для обучения таких моделей требуется большое количество размеченных изображений, включая редкие дефекты и нестандартные состояния продукции. В реальности такие случаи встречаются нечасто, поэтому сгенерированные изображения могут использоваться для расширения наборов данных и повышения точности распознавания. В российских проектах такие подходы чаще всего используются для контроля качества продукции.

• На металлургическом комбинате внедрена система, способная распознавать более 20 типов дефектов стали с точностью около 97%, включая микротрещины размером от 0,3 мм. Однако для обучения таких моделей требуется большое количество примеров брака, которые в реальном производстве накапливаются медленно.
• В пищевой промышленности системы компьютерного зрения с точностью до 99% выявляют типичные дефекты продукции (от повреждений до загрязнений). Но редкие случаи брака сложно собрать в достаточном объёме, поэтому их часто приходится моделировать или дополнять искусственно.

Работа с чувствительными данными

Синтетические данные становятся ключевым инструментом в отраслях, где работа с персональной информацией строго регулируется, в первую очередь в здравоохранении. В России уже десятки ИИ-систем анализируют медицинские изображения и электронные медицинские карты: в качестве примера можно привести платформы для обработки снимков компьютерной томографии (КТ) и магнитно-резонансной терапии (МРТ), а также сервисы поддержки врачебных решений. Такие решения требуют больших массивов клинических данных, однако доступ к ним ограничен из-за врачебной тайны. В этих условиях синтетические датасеты позволяют воспроизводить структуру медицинских данных (от изображений до записей пациентов) и использовать их для обучения моделей, тестирования алгоритмов и обмена данными между организациями без риска раскрытия персональной информации. Это делает возможным масштабирование ИИ-решений в медицине без нарушения регуляторных требований.

Тестирование и отладка ИИ-систем

Синтетические данные позволяют создавать тестовые сценарии для проверки алгоритмов без использования реальных пользовательских данных. Это особенно важно на этапах разработки, когда модели и цифровые сервисы тестируются во внешних или изолированных контурах. В российской практике такой подход применяется, например, при разработке банковских и ИТ-систем. Сгенерированные датасеты воспроизводят структуру и поведение «боевых» данных, что позволяет выявлять ошибки до вывода решений в промышленную эксплуатацию и снижать риски сбоев.

«Для всего, что касается симуляции объектов реального мира, синтетические данные отлично подходят и могут использоваться для валидации моделей и определения метрик качества. Это отличный тест перед выпуском модели в реальный мир», — считает Дмитрий Демидов.

Моделирование будущих или гипотетических сценариев

С помощью искусственно сгенерированных данных можно моделировать ситуации, которые ещё не произошли, — от поведения рынков до климатических изменений. Это особенно важно в задачах, где реальные наблюдения ограничены или не покрывают все возможные сценарии.

Один из наиболее показательных примеров — метеорология. Например, модель GraphCast с высокой точностью прогнозирует погоду на срок до 10 дней быстрее традиционных численных моделей. Такие системы фактически генерируют множество возможных сценариев развития атмосферы (изменение температуры, давления, осадков) и выбирают наиболее вероятные. А значит, можно предсказывать редкие и экстремальные явления, которые слабо представлены в исторических данных. В России аналогичные подходы используются в научных и прикладных задачах для прогнозирования паводков или оценки климатических рисков (пишет «Росгидромет»).

Другой пример — автономные системы. «Разработчики автопилотов или embodied AI (искусственного интеллекта, встроенного в физические объекты) не могут заранее собрать достаточное количество данных, покрывающих все возможные „худшие“ аварийные сценарии (разные вариации освещённости, ракурсов, окружения), и синтетика тут здорово помогает. Какие-то вещи происходят крайне редко, а тут можно сконструировать аномалию с заданными свойствами», — рассказывает Александр Диденко.

Перспективное направление — разработка и тестирование цифровых двойников городов и инфраструктуры. Синтетические данные используются для моделирования транспортных потоков, поведения людей в городской среде и сценариев чрезвычайных ситуаций, что помогает планировать развитие городской инфраструктуры и систем безопасности.

Риски обучения ИИ на искусственных наборах данных

Несмотря на все преимущества синтетических данных, их использование имеет ряд ограничений. Один из ключевых рисков — искажение статистических закономерностей. Если алгоритмы генерации данных неправильно воспроизводят структуру исходных наборов, то модель может обучаться на упрощённой или неполной картине мира, что снижает точность и надёжность результатов.

Другая проблема — накопление ошибок и предвзятостей. Синтетические данные часто создаются на основе реальных датасетов, поэтому существующие в них перекосы могут воспроизводиться и даже усиливаться при генерации новых данных. Это может привести к явлению, которое исследователи называют «вырождение», или «коллапс» модели (model collapse). «Если ИИ-система обучается на синтетике, созданной другой ИИ-системой без якорения на реальность, она начинает „забывать“ детали реальности и сваливаться в статистический шум. Исследования показывают, что уже к 20–30-му поколению такой рекурсии данные становятся бессмысленными», — объясняет Александр Диденко.

Заключение. Синтетические данные постепенно превращаются из вспомогательного инструмента в один из ключевых элементов развития ИИ. Их применение в разработке ИИ-систем помогает решать несколько ключевых задач: снижать стоимость подготовки датасетов, обходить ограничения на использование чувствительной информации и восполнять нехватку редких сценариев, необходимых для обучения моделей. Их роль будет расти по мере усложнения моделей и расширения сфер применения ИИ. В ближайшие годы синтетические датасеты, вероятно, станут стандартом для разработки и тестирования ИИ-систем, а конкуренция на рынке будет всё больше зависеть не от объёма данных, а от умения эффективно их генерировать и использовать.

Кроме того, появится всё больше инструментов для генерации синтетических данных, в перспективе их стоимость будет падать, говорит Дмитрий Демидов. Это облегчит создание синтетических данных и процессы обучения моделей. «Синтетические данные не заменят реальные, но будут отличным помощником в процессах обучения и валидации моделей», — отмечает эксперт.

Редакция СберПро

Автор

• Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.