Synthetic Data

케이스 1NVIDIA — Omniverse Replicator로 학습용 합성데이터 생성

NVIDIA는 2021년 11월 물리 시뮬레이션 기반 합성데이터 생성 엔진 Omniverse Replicator를 공개했습니다 ^[3]. 사람이 라벨하기 어려운 정답값과 악천후·희귀 상황을 가상으로 만들어 신경망을 학습시킵니다 ^[3]. 자율주행용 DRIVE Sim과 로봇용 Isaac Sim에 적용했습니다 ^[3]. 데이터를 직접 모으기 어려운 상황을 시뮬레이션으로 채우는 대표 사례입니다.
도입효과: 합성데이터로 센서 설치 즉시 배포 가능한 신경망 확보, 개발 기간 수개월 단축 (NVIDIA 정성 보고, 정량 수치 비공개) ^[3]

케이스 2웨이모 — 시뮬레이션 합성 센서데이터로 검증

웨이모는 2020년 4월 시뮬레이션으로 겪지 않은 상황을 만들어 자율주행 소프트웨어를 학습·검증한다고 밝혔습니다 ^[4]. 새 위치의 차량에 대한 사실적 센서데이터를 합성하는 방식입니다 ^[4]. 공식 블로그는 누적 시뮬레이션 주행이 150억 마일을 넘었다고 적었습니다 ^[4]. 실제 도로 주행으로는 채우기 힘든 규모를 합성으로 보강한 사례입니다.
도입효과: 누적 시뮬레이션 주행 150억 마일 이상 (웨이모 공식, 실제 공공도로 주행 대비 대규모 보강) ^[4]

케이스 3MOSTLY AI — 표형 합성데이터 정확도 벤치마크

합성데이터 기업 MOSTLY AI는 자사 플랫폼을 공개 데이터셋으로 벤치마크했습니다 ^[5]. 실데이터(홀드아웃) 대비 통계적 거리 오차를 지표로 삼았습니다 ^[5]. 원문은 자사 합성데이터가 홀드아웃 성능에서 통상 L1D 1.5% 미만, TVD 1% 미만으로 벗어난다고 보고했습니다 ^[5]. 경쟁 모델은 10~45%포인트까지 벌어졌다고 적었습니다 ^[5].
도입효과: 실데이터 대비 통계적 거리 오차 L1D 1.5% 미만·TVD 1% 미만 (경쟁 모델 10~45%p 대비) ^[5]

케이스 4금융보안원 — 금융 합성데이터 생성 서비스 [한국]

한국 금융보안원이 운영하는 금융데이터거래소에는 금융 합성데이터 생성 서비스가 등재돼 있습니다 ^[8]. 제공사 더블인이 AI 알고리즘과 모델로 원본과 유사한 고품질 합성데이터를 만든다고 소개돼 있습니다 ^[8]. 핀테크나 일반 AI 전문가도 개인정보 제약 없이 금융 학습용 데이터로 쓸 수 있게 하는 구성입니다 ^[8]. 금융보안원은 은행권 합성데이터 상용화와 익명성 평가 방안을 추진 중이라고 밝혔습니다 ^[7].
도입효과: 개인정보 제약 없는 금융 학습 데이터 확보 (원본 대체용 합성데이터 거래소 등재, 정량 도입 수치 비공개) ^[7][8]

오늘 바로 해보기
01. 자사에서 개인정보 때문에 못 쓰고 묵혀 둔 데이터가 무엇인지 목록을 만듭니다.
02. 그중 하나를 골라, 분석에 꼭 필요한 통계 특성 세 가지를 적습니다.
03. MIT Sloan 자료에서 합성데이터의 정의와 한계를 훑습니다 ^[1].
04. 오픈소스 합성데이터 도구로 표 하나를 생성해, 원본과 분포를 나란히 비교합니다.
05. 합성 데이터로만 재학습할 때 생기는 위험을 팀 회의 안건에 올립니다 ^[6].

합성데이터에도 함정이 있습니다. 2024년 Nature 논문은 모델이 만든 데이터로 재귀 학습을 반복하면 원본 분포의 꼬리가 사라지며 모델이 되돌릴 수 없이 나빠지는 모델 붕괴를 보고했습니다 ^[6]. 세대를 거듭할수록 희귀한 사례가 먼저 지워진다는 경고입니다 ^[6]. 그래서 합성만으로 학습하기보다 실데이터와 섞어 관리하라는 권고가 뒤따릅니다 ^[6]. 합성이 곧 프라이버시 안전이라는 것도 오해입니다. 왕립학회는 합성데이터가 자동으로 사생활을 보호하지는 않으며, 모델이 학습 입력을 외워 노출할 수 있다고 지적했습니다 ^[2]. 프라이버시를 보장하면 데이터가 왜곡되고, 소수 집단이 이상치처럼 과소 대표되는 문제도 남습니다 ^[2]. 충실도와 프라이버시가 서로 당기는 관계라는 뜻입니다 ^[2]. 생성 모델이 원본의 통계를 얼마나 잘 재현하느냐도 품질을 좌우합니다 ^[5]. 규제 산업에서는 합성이라도 재식별 위험이 없는지 별도 검증이 요구됩니다 ^[7].

진화 방향은 두 갈래입니다.

1. 차등 프라이버시처럼 노출 정보량을 조절하는 프라이버시 보장형으로 발전하고 있습니다 ^[2]. 생성 과정을 통제해 공개되는 사적 정보의 양을 조정하는 방식입니다 ^[2]. 국내에서는 금융보안원이 은행권 합성데이터 상용화와 익명성 평가 방안을 함께 추진하고 있습니다 ^[7]. MOSTLY AI 같은 전문 기업은 표형 합성데이터의 통계적 정확도를 실데이터 대비 오차로 공개하며 신뢰도를 겨룹니다 ^[5]. NVIDIA는 사람이 라벨하기 어려운 상황을 시뮬레이션으로 만들어 자율주행·로봇 학습에 합성데이터를 공급합니다 ^[3]. 웨이모도 시뮬레이션 주행으로 부족한 실주행 데이터를 보강했습니다 ^[4].
2. 생성형 AI 확산으로 학습 데이터의 상당수가 합성으로 옮겨가고 있습니다 ^[1]. 가트너는 2021년에 2024년까지 AI·분석 프로젝트에 쓰이는 데이터의 60%가 합성으로 생성될 것이라 예측했습니다 ^[1]. 다만 모델 붕괴를 피하려면 실데이터와 섞어 관리하는 일이 과제로 남습니다 ^[6].