합성 데이터 (Synthetic Data)

1. AI 학습 데이터 부족 문제 해결, 합성 데이터의 개요

(1) 합성 데이터의 개념

개념도
개념	개인정보 보호 및 고품질의 충분한 학습 데이터 확보를 위해 실제 데이터의 생성 모형 및 패턴을 모방하여 실제 데이터와 유사한 통계 속성을 가지고 생성된 모의 데이터

(2) 합성 데이터의 필요성

실제 데이터 사용 시 제약사항	합성 데이터의 필요
– 개인정보 보호 등의 이유로 데이터 접근 제한 – 데이터 정제(노이즈 제거)에 시간/노력 소요 – 정확성, 완전성 등 고품질 데이터 수집 어려움 – 불충분데이터는 AI 모델 과소/과대 적합초래	– 임의 생성 데이터로 개인정보 규제 미적용 – 모집단의 통계 특성 유지, 민감정보 유출 방지 – 완전한 데이터 생성으로 정제 과정 불필요 – 충분한 양의 고품질 데이터 확보 가능

• 데이터는 원유에 비유될 정도로 중요하며 인공지능 기반 혁신 달성 위해 합성 데이터가 반드시 필요

 

2. 합성 데이터 생성 방법 및 품질 평가 방안

(1) 합성 데이터 생성 방법

구분	생성 방법	생성 원리
실제 데이터 유무 측면	실제 데이터 없이 생성	– 기존 개발된 모델 또는 분석가 지식 기반 생성 – 통계적 모델, 설문조사, 기타 데이터 수집 메커니즘
	실제 데이터 기반 생성	– 데이터를 설명하는 생성 모델 기반 합성 데이터 생성 – 소스데이터 → 설명모델 → 모델적용 → 합성 데이터
신경망 활용 측면	임베딩 기반 생성	– 인코더(원본 압축) → 디코더(데이터 세트 출력) – 시스템 학습은 입출력 데이터 간 상관관계를 최대화
	GAN 기반 생성	– 생성자는 실제와 유사한 데이터 생성, 판별자는 실제 데이터와 구별 시도 기반 고품질 합성 데이터 생성

• 변수 별 데이터 세트 변수를 합성하는 순차적 합성(Sequential synthesis) 등의 생성 방법도 존재

(2) 합성 데이터 품질 평가 방안

구분	품질 평가 방안	품질 평가 방법
데이터 비교 측면	분산 비교	실제와 합성 데이터 간 분산 비교, 변수별 대표성 비교
	식별력 활용	개발된 모델에서 데이터가 실제/합성 결정 척도 활용
성능 비교 측면	예측 정확도 확인	실제/합성 데이터 예측 분석 성능 비교, 모방 가능성 확인
	AUROC 측정	다양한 임계값에서 합성/실제 데이터 세트 분류 성능 측정
데이터 간 관계 활용 측면	헬링거 거리 측정	실제 데이터 세트와 합성 데이터 세트 사이의 거리 측정
	이변량 상관관계	서로 다른 두 변수 간 관계 확인

• 앞으로 합성 데이터가 인공지능 학습용 데이터의 대부분을 차지할 것으로 예상되며, 다양한 산업 및 업무 현장에서 학습, 연구 및 테스트 목적으로 합성 데이터 활용

 

3. 합성 데이터의 활용 분야

(1) 산업 활용 측면 합성 데이터 활용 분야

활용 분야	세부 활용 분야	활용 사례 및 효과
의료 산업	환자 기밀 유지 의료 연구/테스트	– 환자 기밀 유지하면서 기록 데이터의 내/외부 사용 – 실제 의료 데이터 미존재 시 연구/테스트 목적 사용
보험 산업	리스크 관리 기반 보험 서비스 개선	– 청구 데이터, 판매, 시장/설문 조사에 합성 데이터 사용 – 고객 여정 개선, 리스크 관리, 언더라이팅 정확도 향상
금융 산업	프라이버시 보호 사기탐지 고도화 등	– 데이터 프라이버시 보호, 사기탐지 테스트 및 효과 평가 – 금융 고객 행동 이해 위해 합성 고객 거래 데이터 사용

(2) 업무현장 활용 측면 합성 데이터 활용 분야

활용 분야	세부 활용 분야	활용 사례 및 효과
머신러닝	머신러닝 기술 평가 및 비교	– 비용 수반 없이 빅데이터 생성, 학습, 검증, 테스트 – 실제 데이터의 수집과 라벨링 소요 시간/비용 절감
	프라이버시 공격 방어	– 데이터 세트 내 과소 표현 모집단 강화 시 활용 – 탐색 강화, 학습, 검증, 테스트, 프라이버시 위험 완화
교육/ 테스트	내부 소프트웨어 테스트	– sub-standard 데이터 기반 불량률 감소, 신뢰성 테스트 – 개인 데이터 없이 개별 고객/환자 수준 데이터 테스트
	교육, 훈련, 해커톤	– 개인 데이터 처리 시 개인 정보 접속 없이 효과적 교육 – 인재 유지, 교육, 개발, 문제 해결에 유용
조직 외부 공유	규제 문제 완화	– 특정용도 개인데이터의 타 목적 사용 규제 문제 완화 – 개인 데이터 처리에 있어 법적 문제 해결 사례로 기록
	데이터 접근성 강화	– 개인정보 비식별화 불필요, 신속한 데이터 공유 가능 – 정확성, 완전성 등 고품질 데이터 확보

• 합성 데이터는 프라이버시 이슈에서 자유로운 많은 양의 데이터를 효율적으로 생성 가능하게 하며, 인공지능 모델 성능을 향상하는 데에 기여
• 그러나 합성 데이터에도 데이터 생성 방법 결정에 대한 전문성이 요구되며, 프라이버시 이슈, 데이터 편향에서 완전히 자유롭지 못하다는 점에서 신중한 접근이 필요

 

4. 합성 데이터의 한계점 및 극복 방안

구분	한계점	극복 방안
시간 및 숙련성 필요	– 합성 데이터 생성 방법 개발 및 적용 시 많은 시간과 노력 소요	– 다양한 데이터 생성 방법 개발 시도 – 유사 업무에 합성 데이터 활용
프라이버시 이슈 해소 노력 필요	– 민감한 개인 정보 재식별 가능성이 감소하지만 여전히 이슈	– 개인 재식별 방지위해 비즈니스 프로세스, 개인정보 규정 숙련 전문가 필요
데이터 편향 해소 노력 필	– 기초 데이터에 숨겨진 편향을 그대로 반영할 위험 존재	– 합성/원래 데이터 세트 간 유사성을 지속 모니터링, 데이터 유용성 확보

• 합성 데이터는 개인 정보 보호 문제를 줄이면서 적은 노력과 비용으로 무제한 데이터를 생성할 수 있다는 장점을 가지고 중요한 인공지능 학습 데이터로 부상하고 있음
• 합성 데이터를 활용하기 위해 여전히 고려할 이슈가 존재하므로 데이터 유용성 모니터링, 데이터 전문가 참여 등 지속적인 노력 필요

[참고]

• 정보통신정책연구원(KISDI), 합성 데이터(Synthetic data)의 부상
• 한국신용정보원, 합성데이터(Synthetic Data)를 통한 금용 AI 활성화 방안