합성 데이터

영어	Synthetic Data
분류	데이터 생성
목적	AI 학습, 프라이버시
생성 방법	시뮬레이션, AI 생성

'''합성 데이터'''(Synthetic Data)는 실제 데이터를 기반으로 인공적으로 생성된 데이터로, AI 학습과 테스트에 활용됩니다. == 개요 == 합성 데이터는 실제 데이터의 통계적 특성을 유지하면서 새롭게 생성된 데이터입니다. 프라이버시 보호, 데이터 부족 해결, 균형 잡힌 데이터셋 구축 등에 활용됩니다. Gartner는 2030년까지 AI 학습 데이터의 60%가 합성 데이터가 될 것으로 예측합니다. == 생성 방법 == === 통계적 방법 === * 확률 분포 샘플링 * 통계 모델 기반 * 전통적 방법 === 딥러닝 === * [[GAN]] (적대적 생성망) * VAE (변분 오토인코더) * Diffusion 모델 === 시뮬레이션 === * 물리 시뮬레이션 * 게임 엔진 * 3D 렌더링 === LLM 기반 === * [[ChatGPT]], [[Claude]] * 텍스트 데이터 생성 * 지시 데이터 생성 == 활용 분야 == === AI 학습 === * [[데이터 라벨링]] 비용 절감 * 희귀 케이스 생성 * 데이터 증강 === 프라이버시 === * 개인정보 없는 데이터 * GDPR 준수 * 의료/금융 데이터 === 자율주행 === * 위험 시나리오 * 다양한 날씨/조건 * 시뮬레이션 환경 === 금융 === * 사기 탐지 학습 * 리스크 모델링 * 규제 테스트 === 의료 === * 환자 데이터 대체 * 희귀 질환 데이터 * 임상 시험 == 장점 == * 프라이버시 보호 * 무한 데이터 생성 * 균형 잡힌 데이터셋 * 비용 절감 * 희귀 케이스 포함 == 한계 == * 현실과의 격차 * 분포 편향 가능 * 검증 어려움 * 품질 보장 필요 == 품질 평가 == * Fidelity (충실도) * Utility (유용성) * Privacy (프라이버시) == 관련 문서 == * [[GAN]] * [[데이터 라벨링]] * [[데이터 증강]] * [[인공지능]] [[분류:인공지능]] [[분류:데이터]] [[분류:기계학습]]