Sentetik Veri Nedir? Makine Öğrenimi ve Gizliliğe Yönelik Türleri, Kullanım Durumları ve Uygulamaları

Veri Bilimi ve Makine Öğrenimi alanı her geçen gün büyüyor. Zamanla yeni modeller ve algoritmalar önerildiğinden, bu yeni algoritmalar ve modellerin eğitim ve test için çok büyük verilere ihtiyacı vardır. Derin Öğrenme modelleri günümüzde çok fazla popülerlik kazanıyor ve bu modeller aynı zamanda veriye aç. Farklı sorun ifadeleri bağlamında bu kadar büyük miktarda veri elde etmek oldukça çirkin, zaman alıcı ve pahalı bir süreçtir. Veriler, güvenlik yükümlülüklerini ve gizlilik endişelerini artıran gerçek hayattaki senaryolardan toplanmıştır. Verilerin çoğu özeldir ve gizlilik yasaları ve düzenlemeleri tarafından korunmaktadır; bu durum, verilerin kuruluşlar arasında veya bazen tek bir kuruluşun farklı departmanları arasında paylaşılmasını ve taşınmasını engellemekte, bu da ürünlerin deneylerinin ve testlerinin gecikmesine neden olmaktadır. Peki bu sorun nasıl çözülebilir sorusu ortaya çıkıyor? Veriler, birinin mahremiyetiyle ilgili endişeleri dile getirmeden nasıl daha erişilebilir ve açık hale getirilebilir?  

Bu sorunun çözümü olarak bilinen bir şeydir. Sentetik veriler. 

Peki Sentetik Veri Nedir?

Tanım gereği, sentetik veriler yapay veya algoritmik olarak üretilir ve gerçek verinin temel yapısına ve özelliğine çok benzer. Sentezlenen veriler iyiyse gerçek verilerden ayırt edilemez.

Kaç Farklı Türde Sentetik Veri Olabilir?

Veriler birçok biçime sahip olabileceğinden bu sorunun cevabı oldukça açık uçludur, ancak esas olarak elimizde 

1. Metin verileri
2. Sesli veya Görsel veriler (örneğin, Resimler, videolar ve ses)
3. Tablo verileri

Makine öğrenimi için sentetik veri örneklerini kullanma

Yukarıda belirtildiği gibi yalnızca üç tür sentetik verinin kullanım durumlarını tartışacağız.

• NLP modellerinin eğitimi için sentetik metin verilerinin kullanılması

Sentetik verilerin doğal dil işleme alanında uygulamaları vardır. Örneğin, Amazon'daki Alexa AI ekibi, NLU sistemlerine (doğal dil anlama) yönelik eğitim setini tamamlamak için sentetik verileri kullanıyor. Onlara, mevcut veya yeterli tüketici etkileşimi verisi olmadan yeni dilleri eğitmek için sağlam bir temel sağlar.

• Görme algoritmalarını eğitmek için sentetik verileri kullanma

   Burada yaygın bir kullanım durumunu tartışalım. Bir görüntüdeki yüzlerin sayısını tespit etmek veya saymak için bir algoritma geliştirmek istediğimizi varsayalım. Modeli eğitmek amacıyla gerçekçi insan yüzleri, yani gerçek dünyada var olmayan yüzler oluşturmak için bir GAN veya başka bir üretken ağ kullanabiliriz. Bir diğer avantajımız ise kimsenin mahremiyetini ihlal etmeden bu algoritmalardan istediğimiz kadar veri üretebiliyoruz. Ancak bazı kişilerin yüzlerini içerdiğinden gerçek verileri kullanamıyoruz, dolayısıyla bazı gizlilik politikaları bu verilerin kullanımını kısıtlıyor.

Başka bir kullanım durumu, simüle edilmiş bir ortamda takviyeli öğrenme yapmaktır. Bir nesneyi yakalayıp bir kutuya yerleştirmek üzere tasarlanmış bir robot kolunu test etmek istediğimizi varsayalım. Bu amaçla takviyeli öğrenme algoritması tasarlanmıştır. Bunu test etmek için deneyler yapmamız gerekiyor çünkü takviyeli öğrenme algoritması bu şekilde öğreniyor. Gerçek hayat senaryosunda bir deney oluşturmak oldukça pahalı ve zaman alıcıdır, bu da gerçekleştirebileceğimiz farklı deneylerin sayısını sınırlamaktadır. Ancak deneyleri simüle edilmiş ortamda yaparsak, robotik kol prototipi gerektirmeyeceği için deneyi kurmak nispeten ucuzdur.

• Tablo verilerinin kullanımları

Tablo şeklindeki sentetik veriler, tablolarda depolanan gerçek dünya verilerini taklit eden yapay olarak oluşturulmuş verilerdir. Bu veriler satırlar ve sütunlar halinde yapılandırılmıştır. Bu tablolar, müzik çalma listesi gibi herhangi bir veriyi içerebilir. Müzik çalarınız her şarkı için bir dizi bilgiyi tutar: şarkının adı, şarkıcısı, uzunluğu, türü vb. Ayrıca banka işlemleri, hisse senedi fiyatları vb. gibi bir finans kaydı da olabilir.

Banka işlemleriyle ilgili sentetik tablo verileri, sahtekarlık işlemlerini tespit edecek modelleri eğitmek ve algoritmalar tasarlamak için kullanılıyor. Geçmişteki hisse senedi fiyatı verileri, hisse senetlerinin gelecekteki fiyatlarını tahmin etmeye yönelik modelleri eğitmek ve test etmek için kullanılabilir.

Makine öğreniminde sentetik veri kullanmanın önemli avantajlarından biri geliştiricinin veriler üzerinde kontrole sahip olmasıdır; herhangi bir fikri test etme ve bununla deneme yapma ihtiyacına göre verilerde değişiklik yapabilir. Bu arada bir geliştirici, modeli sentezlenmiş veriler üzerinde test edebilir ve bu, modelin gerçek hayattaki veriler üzerinde nasıl performans göstereceğine dair çok net bir fikir verecektir. Bir geliştirici bir modeli denemek istiyor ve gerçek verileri bekliyorsa, verinin elde edilmesi haftalar, hatta aylar sürebilir. Dolayısıyla teknolojinin gelişmesi ve yenilenmesi gecikiyor.

Artık sentetik verilerin veri gizliliğiyle ilgili sorunların çözümüne nasıl yardımcı olduğunu tartışmaya hazırız.

Pek çok endüstri, yenilik ve gelişme için müşterileri tarafından oluşturulan verilere bağımlıdır, ancak bu veriler Kişisel Olarak Tanımlanabilir Bilgiler (PII) içerir ve gizlilik yasaları, bu tür verilerin işlenmesini sıkı bir şekilde düzenler. Örneğin, Genel Veri Koruma Yönetmeliği (GDPR), kuruluş verileri toplarken açıkça izin verilmeyen kullanımları yasaklar.‍ Sentetik veriler, gerçek verilerin temel yapısına çok yakın olduğundan ve aynı zamanda hiçbir verinin Gerçek veride bulunan birey, sentetik veriden yeniden tanımlanabilmektedir. Sonuç olarak, sentetik verilerin işlenmesi ve paylaşılması konusunda çok daha az düzenlemeye ihtiyaç duyulmakta, bu da daha hızlı gelişme ve yeniliklere ve verilere daha kolay erişime olanak sağlamaktadır.

Sonuç

Sentetik verilerin birçok önemli avantajı vardır. ML geliştiricilerine deneyler üzerinde kontrol sağlar ve veriler artık daha erişilebilir olduğundan geliştirme hızını artırır. Veriler serbestçe paylaşılabilir olduğundan, daha büyük ölçekte işbirliğini teşvik eder. Ayrıca sentetik veriler, bireylerin mahremiyetinin gerçek verilerden korunmasını garanti eder.

<!–

->