Données synthétiques

Comment les données synthétiques sont-elles créées ?

Les données synthétiques peuvent être générées à l'aide de différentes techniques, en fonction de la complexité et de la fidélité souhaitées :

• Modélisation statistique : Utilisation de méthodes statistiques telles que l'échantillonnage à partir de distributions qui correspondent aux caractéristiques des données réelles.
• Simulation : Création d'environnements ou de modèles virtuels pour générer des données en fonction de règles et d'interactions prédéfinies. Cette méthode est courante dans des domaines tels que la robotique et les systèmes autonomes. Des plateformes comme NVIDIA Omniverse sont souvent utilisées pour générer des simulations réalistes.
• Modèles génératifs : Employer des techniques d'apprentissage profond (DL), telles que les réseaux adversoriels génératifs (GAN) ou les autoencodeurs variationnels (VAE), pour apprendre les modèles sous-jacents des données réelles et générer de nouveaux points de données similaires. L'article original sur les GAN a introduit un cadre puissant pour cela.

Importance dans l'IA et la vision par ordinateur

Les données synthétiques offrent plusieurs avantages pour le développement de l'IA :

• Surmonter la pénurie de données : Fournit de grands ensembles de données nécessaires à l'entraînement de modèles complexes tels que Ultralytics YOLO lorsque les données réelles sont limitées.
• Améliorer la confidentialité des données : Permet la formation de modèles sans exposer les informations sensibles du monde réel, ce qui est crucial dans des domaines tels que la santé et la finance. Les techniques peuvent parfois intégrer des concepts tels que la confidentialité différentielle.
• Couvrir les cas limites : Permet de créer des données pour des scénarios rares ou critiques (par exemple, des situations d'urgence pour les voitures auto-conduites) qui sont difficiles à saisir dans le monde réel.
• Réduction des biais : peut potentiellement aider à atténuer les biais des ensembles de données en générant des ensembles de données équilibrés, bien qu'il faille veiller à ne pas introduire de nouveaux biais.
• Efficacité en termes de coûts et de temps : La génération de données synthétiques peut être plus rapide et moins coûteuse que la collecte et l'annotation extensive de données du monde réel.

Dans le domaine de la vision par ordinateur, les images synthétiques sont utilisées pour former des modèles pour des tâches telles que la détection d'objets et la segmentation d'images dans diverses conditions (éclairage, conditions météorologiques, points de vue).

Applications dans le monde réel

1. Véhicules autonomes : L'entraînement des systèmes de perception pour les voitures autonomes nécessite de grandes quantités de données couvrant diverses conditions de conduite et des événements rares (comme des accidents ou des obstacles inhabituels). Les entreprises utilisent des simulateurs comme Unity Simulation ou des plateformes propriétaires comme l'environnement de simulation de Waymo pour générer des données de conduite synthétiques réalistes, améliorant ainsi la robustesse et la sécurité des modèles pour l'IA dans l'automobile.
2. Santé : Les réglementations relatives à la confidentialité des patients (comme l'HIPAA) limitent l'utilisation de données médicales réelles. Les données synthétiques permettent aux chercheurs et aux développeurs d'entraîner des modèles d'IA pour l'analyse d'images médicales (par exemple, la détection de tumeurs) ou l'analyse de dossiers médicaux électroniques sans compromettre la confidentialité des patients. Des projets comme Synthea génèrent des dossiers de patients synthétiques pour la recherche dans le domaine de l'IA dans les soins de santé.

Données synthétiques et augmentation des données

Bien que les données synthétiques et l'augmentation des données visent toutes deux à accroître la diversité et le volume des données d'entraînement, il s'agit de concepts distincts :

• Augmentation des données : Implique l'application de transformations (comme la rotation, la mise à l'échelle, le recadrage, les changements de couleur) à des données réelles existantes pour créer des versions légèrement modifiées. Elle élargit l'ensemble de données mais repose sur un ensemble initial de données réelles. Des outils comme Albumentations peuvent être intégrés à cette fin.
• Données synthétiques : Implique la création de points de données entièrement nouveaux à partir de zéro, souvent à l'aide de modèles ou de simulations, sans nécessairement partir d'exemples réels (bien que les modèles soient généralement formés sur des données réelles au départ).

Les données synthétiques peuvent combler des lacunes que l'augmentation ne peut pas combler, comme la création d'exemples de scénarios entièrement inédits ou la génération de données lorsque les données réelles sont complètement indisponibles ou inutilisables en raison de contraintes liées à la protection de la vie privée. Cependant, s'assurer que les données synthétiques reflètent fidèlement la complexité du monde réel reste un défi, conduisant potentiellement à des problèmes tels que l'ajustement excessif à la distribution synthétique s'il n'est pas géré avec soin. Des plateformes comme Ultralytics HUB permettent d'entraîner des modèles sur divers ensembles de données, y compris potentiellement des données synthétiques.