小林啓倫のエマージング・テクノロジー論考

AI開発に黄色信号？　市場急成長で“学習用データ枯渇”の懸念　解決策といわれる「合成データ」とは何か（1/4 ページ）

　生成AIの普及が続く現在、ある調査によれば、2024年のAIの市場規模は全世界で1840億ドル（約28兆円）に達すると見られている。さらに市場の拡大は続き、30年までに8267億ドル（約127兆円）となる見込みだ。

　しかし、そんな生成AIの快進撃の裏側では、AIの普及・進化に必要な学習用データが枯渇する懸念があるという。

　その解決策として期待されているのが「合成データ」（synthetic data）と呼ばれるものだ。

合成データとは何か？

　まず合成データとは何か、なぜそれが注目されているかについて見て行こう。GPU分野のトップランナーである米NVIDIAは、公式ブログ上で合成データを次のように定義している。

合成データとは、コンピュータ・シミュレーションやアルゴリズムが、現実世界のデータの代替として生成する注釈付き情報のことである。別の言い方をすれば、合成データは、現実世界から収集されたり測定されたりするのではなく、デジタルの世界で作成される。

　「合成」という名前が示している通り合成データとは、コンピュータが生成したデータのことを指す。ただ現在の「データ」という言葉には「現実世界の情報をデジタル化したもの」の意味が含まれているので、あらゆるデータがコンピュータによって生成されたものと言えないこともない。

　にもかかわらず、あえて分けているのは、合成データが「現実の世界を参照することによって生み出されたものではない」ことを明確にするためである。ではどうやって生み出されるかというと、NVIDIAの定義が説明しているように、コンピュータのシミュレーションやアルゴリズムを通じてである。

　例えば、23年に発表された論文「マネーロンダリング防止手法のベンチマークとなる合成データセット」では、マネーロンダリング対策（AML）の方法を研究・比較するための公開データセットを提供することを目的に、合成データセット「SynthAML」を開発したことを解説している。

　論文では、この合成データは、デンマークのSpar Nord銀行の取引データ（実際に発生したもの）をベースに、シミュレーションを行うことで生成。ただしその際、プライバシー保護のために、さまざまな対策を実データに対して行っている。そうした前処理と生成後の後処理を行い、より安全で使いやすい合成データセットを完成させている。

　しかし、なぜそんな手間をかけて、コンピュータに新しいデータを生成させるのだろうか？　その理由こそ、AIの将来を大きく左右しかねないものなのである。

高品質のテキストデータは2年後に枯渇？　合成データが求められる理由

　まず挙げられるのは、データの不足と拡張の問題だ。AIの普及と用途の拡大が続くにつれ、AIモデルの開発に必要なデータの量と種類も拡大の一途をたどっている。複雑なAIモデルの学習には膨大な量のデータが必要だが、データは一朝一夕に生み出せるものではない。

　前述の通り、データとは「現実世界の情報をデジタル化したもの」だ。私たちの周囲には何匹もの犬や猫がいるが、それらを見分けるAIを開発するには、誰かがデジタルカメラで彼らを撮影し、画像や動画としてデータ化しなければならず、それには長い時間がかかる。いずれAI開発のスピードの方がこの作業に追い付き、データが枯渇するといわれている。

小林啓倫のエマージング・テクノロジー論考

生成AIやメタバース、新たなサイバー攻撃など、テクノロジーの進化が止まらない。少しずつ生活の中に浸透し、その恩恵を預かれることもある一方、思いもよらない問題を生み出すこともある。このコーナーでは、さまざまな分野の新興技術「エマージング・テクノロジー」について、小林啓倫氏が解説する。

この連載の記事をもっと見る

この記事の著者

関連記事

• 

  文章に“多重電子透かし”を入れる技術、日立が開発　書き手が「人間」or「AI」か区別可能に　その仕組みとは？

• 

  “HDMIケーブルから漏れる信号”を屋外から傍受→モニターの表示内容を盗み見るAI　ウルグアイチームが開発

• 

  生成AIが“AI生成コンテンツ”を学習し続けるとどうなる？→「モデル崩壊」が起こる　英国チームが発表

• 

  「Llama 3.1」の日本語追加学習モデル、サイバーエージェントが公開　SNSでは「爆速すぎる」の声

• 

  23個のAIツールを9カ月でスピード開発──ZOZO、生成AI活用に前のめり　大量展開のコツを聞いた