20 May 2026 · 7 min
En generator som memorerer treningssettet reproduserer ekte mennesker. Måling er ikke valgfritt.
Syntetiske data selges ofte som en ren flukt fra personvernloven: generer kunstige poster som ser ekte ut, og fordi ingen ekte person er i dem, gjelder ikke reglene lenger. Den historien er forlokkende og, tatt bokstavelig, farlig. Syntetiske data kan være et genuint kraftig personvernverktøy — men bare når du måler hva de faktisk beskytter, i stedet for å anta at ordet «syntetisk» er en tryllestav.
Det ærlige bildet er mer interessant enn markedsføringen. Gjort nøye lar syntetiske data arbeid skje som personvernregler ellers ville blokkert. Gjort skjødesløst lekker de nettopp informasjonen de skulle skjule — og gir alle en falsk trygghetsfølelse.
Syntetiske data genereres av en modell som har lært den statistiske strukturen i et ekte datasett og så produserer nye poster fra den lærte fordelingen. Gjort godt bevarer det syntetiske settet korrelasjonene og mønstrene som gjør data nyttige — så en modell trent på det oppfører seg mye som en trent på ekte data — uten at noen rad tilsvarer et ekte individ.
I den siste setningen bor finessen. «Ingen rad tilsvarer et ekte individ» er en påstand om utdata, og påstander må verifiseres, ikke antas. Genereringsprosessen selv avgjør om den er sann.
En generativ modell kan memorere. Ved overtilpasning kan den reprodusere ekte poster nesten ordrett, eller produsere syntetiske punkter så nær ekte individer at de kan re-identifiseres. Det farlige er at utdata fortsatt ser syntetisk ut — den består øyetesten — mens den stille bærer ekte, sensitiv informasjon. Et team som genererte syntetiske data og antok dem automatisk trygge ville sende et usynlig personvernbrudd.
Nettopp denne modusen teller, og den er usynlig med mindre du bevisst måler for den. «Det ser falskt ut» er ikke bevis på at det er trygt.
Den ansvarlige tilnærmingen behandler personvern som et tall, ikke en antakelse. Vi måler hvor nær syntetiske poster ligger de ekte individene de ble avledet fra, og anvender differensiell personvern under generering der settingen krever det — en matematisk garanti som begrenser hvor mye et enkelt ekte individ kan påvirke utdata. Resultatet er en risiko du kan navngi, forsvare og skrive ned.
Differensiell personvern er ikke gratis: å skru opp garantien tåkelegger dataene. Men den gjør personvern fra en følelse til en knapp du setter bevisst, med avveiningen eksplisitt.
Personvern er bare halve ligningen. Perfekt private, men statistisk ubrukelige syntetiske data er verdiløse — det kunne du oppnådd med støy. Den andre målingen er nytte: presterer en modell trent på de syntetiske dataene faktisk mot ekte hold-out-data? Først når begge tall er gode gjør det syntetiske settet jobben sin.
Disse målene drar mot hverandre. Mer beskyttelse koster vanligvis nytte, mer tro data koster personvern. Ingeniørkunsten er å finne punktet på kurven som tilfredsstiller både lov og praksis — og det krever måling, ikke gjetting.
Ærlig brukt er syntetiske data ofte det som gjør et stoppet prosjekt mulig. Data som ikke lovlig kan krysse en grense, deles med en partner eller brukes i utvikling kan erstattes med en syntetisk stedfortreder som bærer det statistiske signalet uten de ekte postene. Vi har sett måneder frosne initiativer løse seg opp så snart designet ikke lenger rører ekte persondata i det hele tatt.
Nøkkelen: dette virker bare når personvernpåstanden er målt. Verdien er reell, men avhengig av målingen markedsføringen hopper over.
Syntetiske data er ikke alltid riktig verktøy. For noen oppgaver er tapet av troskap uakseptabelt; for andre løser enklere teknikker som nøye anonymisering eller tilgangskontroll problemet med mindre kompleksitet. Å gripe etter syntetisk generering fordi det høres sofistikert ut, når en enklere tilnærming holdt, er sin egen feil.
Vi er åpne om dette. Noen ganger er svaret syntetiske data med målte garantier; noen ganger en liten enhetsmodell så ekte data aldri flytter; noen ganger noe enklere. Riktig valg avhenger av dine data, begrensninger og risikotoleranse.
Den ene praksisen som skiller ansvarlige syntetiske data fra ønsketenkning er dokumentasjon: en skriftlig uttalelse om re-identifiseringsrisikoen, nytten målt mot ekte data, og differensiell-personvern-parameterne brukt for å komme dit. Det dokumentet lar juridisk team godkjenne med selvtillit i stedet for håp, og gjør «det er syntetisk, så det er greit» til en forsvarlig posisjon. Uten det har du en påstand; med det har du bevis.
Bestill en 30-minutters samtale. Vi sier ærlig om vi kan hjelpe.
Bestill samtale