20 May 2026 · 7 min
En generator, der husker sit træningssæt, reproducerer reelle mennesker. Måling er ikke valgfri.
Syntetiske data sælges ofte som en ren flugt fra privatlivsloven: generér kunstige poster, der ser ægte ud, og fordi ingen ægte person er i dem, gælder reglerne ikke længere. Den historie er forlokkende og, taget bogstaveligt, farlig. Syntetiske data kan være et genuint kraftfuldt privatlivsværktøj — men kun når du måler, hvad de faktisk beskytter, i stedet for at antage, at ordet "syntetisk" er en tryllestav.
Det ærlige billede er mere interessant end markedsføringen. Gjort omhyggeligt lader syntetiske data arbejde ske, som privatlivsregler ellers ville blokere. Gjort skødesløst lækker de netop den information, de skulle skjule — og giver alle en falsk tryghedsfølelse.
Syntetiske data genereres af en model, der har lært den statistiske struktur i et ægte datasæt og så producerer nye poster fra den lærte fordeling. Gjort godt bevarer det syntetiske sæt korrelationerne og mønstrene, der gør data nyttige — så en model trænet på det opfører sig meget som en trænet på ægte data — uden at nogen række svarer til et ægte individ.
I den sidste sætning bor finessen. "Ingen række svarer til et ægte individ" er en påstand om output, og påstande skal verificeres, ikke antages. Genereringsprocessen selv afgør, om den er sand.
En generativ model kan memorere. Ved overtilpasning kan den reproducere ægte poster næsten ordret eller producere syntetiske punkter så tæt på ægte individer, at de kan re-identificeres. Det farlige er, at output stadig ser syntetisk ud — den består øjentesten — mens den stille bærer ægte, følsom information. Et team, der genererede syntetiske data og antog dem automatisk sikre, ville sende et usynligt privatlivsbrud.
Netop denne tilstand tæller, og den er usynlig, medmindre du bevidst måler for den. "Det ser falsk ud" er ikke bevis på, at det er sikkert.
Den ansvarlige tilgang behandler privatliv som et tal, ikke en antagelse. Vi måler, hvor tæt syntetiske poster ligger de ægte individer, de blev afledt fra, og anvender differentiel privatliv under generering, hvor situationen kræver det — en matematisk garanti, der begrænser, hvor meget et enkelt ægte individ kan påvirke output. Resultatet er en risiko, du kan navngive, forsvare og skrive ned.
Differentiel privatliv er ikke gratis: at skrue op for garantien slører dataene. Men den gør privatliv fra en fornemmelse til en knap, du sætter bevidst, med afvejningen eksplicit.
Privatliv er kun halvdelen af ligningen. Perfekt private, men statistisk ubrugelige syntetiske data er værdiløse — det kunne du opnå med støj. Den anden måling er nytte: præsterer en model trænet på de syntetiske data faktisk mod ægte hold-out-data? Først når begge tal er gode, gør det syntetiske sæt sit arbejde.
Disse mål trækker mod hinanden. Mere beskyttelse koster som regel nytte, mere tro data koster privatliv. Ingeniørkunsten er at finde punktet på kurven, der tilfredsstiller både lov og praksis — og det kræver måling, ikke gætteri.
Ærligt brugt er syntetiske data ofte det, der gør et stoppet projekt muligt. Data, der ikke lovligt kan krydse en grænse, deles med en partner eller bruges i udvikling, kan erstattes med en syntetisk stedfortræder, der bærer det statistiske signal uden de ægte poster. Vi har set måneder frosne initiativer opløse sig, så snart designet ikke længere rører ægte persondata overhovedet.
Nøglen: dette virker kun, når privatlivspåstanden er målt. Værdien er reel, men afhængig af den måling, markedsføringen springer over.
Syntetiske data er ikke altid det rigtige værktøj. For nogle opgaver er tabet af troskab uacceptabelt; for andre løser enklere teknikker som omhyggelig anonymisering eller adgangskontrol problemet med mindre kompleksitet. At gribe efter syntetisk generering, fordi det lyder sofistikeret, når en enklere tilgang rakte, er sin egen fejl.
Vi er åbne om dette. Nogle gange er svaret syntetiske data med målte garantier; nogle gange en lille enhedsmodel, så ægte data aldrig flytter; nogle gange noget enklere. Det rigtige valg afhænger af dine data, begrænsninger og risikotolerance.
Den ene praksis, der skiller ansvarlige syntetiske data fra ønsketænkning, er dokumentation: en skriftlig erklæring om re-identifikationsrisikoen, nytten målt mod ægte data, og de differentiel-privatliv-parametre, der blev brugt. Det dokument lader dit juridiske team godkende med selvtillid i stedet for håb og gør "det er syntetisk, så det er fint" til en forsvarlig position. Uden det har du en påstand; med det har du bevis.
Book et 30-minutters opkald. Vi siger ærligt, om vi kan hjælpe.
Book et opkald