原文刊于信报财经新闻「CEO AI⎹ EJ Tech——智情笔报」
「合成数据」（Synthetic Data）是指透过算法或人工智能（AI）模型，依照真实世界统计数据，生成更多虚构人工资料。它们并非直接取自任何真实人员，但在结构规律上高度近似真实数据。近年随着AI技术发展加速，训练数据需求激增，「合成数据」重要性日益提高。
采用小量真实资料建模
使用「合成数据」最大好处，在于符合保护私隐法规。真实数据涉及个人身份、财务交易或健康纪录等敏感资料，受到香港《个人资料（私隐）条例》、欧盟《通用数据保障条例》（GDPR）等法律框架的保护。「合成数据」表面不含此等资讯，故可在合规情况下自由使用。
况且在许多领域中，真实数据往往不易取得，例子有医疗领域的罕见病例、网安领域的攻击事件等，「合成数据」正好能够解决此一难题。透过小量真实样本建模，产生大量相似数据来扩增训练集；如此不仅能改善模型准确率，还能降低资料蒐集成本。
不过，「合成数据」并非万能，首要风险就是可能放大偏差（bias）。麻省理工学院「合成数据仓库」（SDV）计划创办人维拉马查内尼（Kalyan Veeramachaneni），日前提醒：「因为它是从小量真实资料生成，真实资料中存在的偏差，可能延续到合成数据中。」
另外，「合成数据」终究只是模拟生成，难以完全涵盖现实的复杂性。即使模型在「合成数据」上表现良好，亦不保证能在真实世界维持同等效能，这种落差在自动驾驶等领域尤其明显。不少用户、机构，也倾向质疑以「合成数据」为基础的模型，这又成为一些实验室隐瞒使用「合成数据」的诱因。
港宜制定统一评估指标
「合成数据」在本港应用早有一定进展，例如金管局2019年发表的《AI重塑银行业》报告，就提过可以用它协助金融业训练欺诈检测模型，到2021年推出「反洗钱合规科技实验室」（AMLab），亦有使用「合成数据」做实验，以识别可疑傀儡户口网络。
尽管如此，业界未来仍需要就「合成数据」建立标准化的评估指标，确保在私隐与效用之间，达到真正平衡。同时，为促进本地化的AI模型，香港院校也可以参考SDV计划，建设一套符合本地情况的公开「合成数据」集。
