Aller au contenu

Donnée synthétique

Un article de Wikipédia, l'encyclopédie libre.

Dans le champ de la science des données, une donnée synthétique (synthetic data en anglais) est une donnée (numérique et native dans le cas du domaine de l'intelligence artificielle) qui n'est pas issue d'une observation réelle, mais qui a été créée artificiellement via des simulations numériques. De plus en plus souvent, elle est produite par un « générateurs de données synthétiques » (qui est une IA).

Le but est souvent de générer des jeux de données structurées, aux propriétés statistiques et prédictives proches des données réelles. De telles données sont plus faciles ou moins coûteuses à acquérir, et/ou ne contiennent pas d'informations personnelles ni sensibles, ou ne nécessitent pas de mettre des biens ou personnes en danger à la suite de l'utilisation de données personnelles.

Dans le domaine de l'intelligence artificielle (IA), avec l'avènement du deep learning et des besoins d'apprentissage pour les IA ; l'option donnée synthétique a récemment (années 2020) pris une importance nouvelle, car ce type de donnée peut être créée par des IA pour entraîner ou améliorer des modèles d'intelligence artificielle générative (modèles pouvant créer de nouveaux contenus ou de nouvelles idées, comme des images, des textes, des musiques, etc.) ou encore pour le prototypage virtuel, l'enrichissement de données existantes, etc. Dans ces dernier cas, la donnée est synthétisée par les algorithmes d'une IA préalablement entraînée sur un corpus de données réelles.

Éléments de définition

[modifier | modifier le code]

Une donnée synthétique ne résulte pas directement d'une mesure ou d'une observation directe du monde réel ; elle est créée via un processus artificiel. Les données synthétiques ont souvent des caractéristiques identiques ou très proches des données réelles. Mais elles sont plus faciles à acquérir.

Elles permettent dans certains cas de ne pas révéler d'information sensible et/ou confidentielles ; d'éviter d'avoir à utiliser une donnée règlementée ou classifiée (ce qui génère des coûts d'anonymisation[1], un risque juridique et de coûts de protection contre le « cyber-risque », ou simplement une difficulté d'exploitation (gestion des accès, etc.). La donnée synthétique permet parfois d'éviter de mettre des observateurs ou expérimentateurs en danger, grâce à des simulations.

Le processus de production de ces données peut notamment s'appuyer sur des règles logiques, des modèles mathématiques, des algorithmes probabilistes, ou des techniques d'apprentissage automatique. Dans ce dernier cas, l'obtention de garanties de confidentialité par rapport aux données réelles utilisées pour apprendre à générer des données synthétiques repose en général sur la confidentialité différentielle[2].

La donnée synthétique ne doit pas être confondue avec la donnée issue du krigeage, ni avec la donnée augmentée (issue de techniques de « data augmentation » qui modifient ou recombinent des données existantes pour en créer de nouvelles afin d'en accroître la variété, tandis que les données synthétiques sont entièrement générées par un modèle et ne proviennent d'aucune observation réelle), les deux partageant toutefois l'objectif commun d'enrichir l'entraînement des modèles[3].

Classification des données synthétiques

[modifier | modifier le code]

Différents type de données synthétiques existent, chacun nécessitant des méthodes spécifiques pour être généré. Il existait déjà en 2023 plus d'une dizaine d'outils conçus pour générer de telles données aux fins d'entrainement d'IA[4].

Ces données peuvent aussi, et par exemple, être classées selon les critères suivant :

Degré de fidélité aux données réelles

[modifier | modifier le code]

Les données synthétiques peuvent être plus ou moins proches des données réelles en termes de distribution, de corrélation, de bruit, etc.

Un compromis entre la fidélité et la confidentialité doit souvent être trouvé[5] : par exemple dans le domaine de la santé, de la sexualité, de la consommation de drogues, d'eau potable ou d'énergie, plus les données synthétiques sont fidèles à la réalité, plus elles risquent de divulguer des informations privées. La production accélérée de vaccin lors de la pandémie de Covid-19 a bénéficié de l'utilisation de données synthétiques[6]

Type de données

[modifier | modifier le code]

Les données synthétiques peuvent être :

  • numériques (par exemple, des nombres) ;
  • catégorielles (par exemple, des labels) ;
  • textuelles (par exemple, des phrases) ;
  • visuelles (par exemple, des images) ;
  • sonores (par exemple, des sons), etc.

Type et modalité de génération

[modifier | modifier le code]

Les données synthétiques peuvent être générées mathématiquement à partir de rien (par exemple via un modèle aléatoire), ou à partir de données réelles (via une technique d'anonymisation ou de perturbation). Il est également possible de les générer à partir d'un mélange de données réelles et synthétiques (via des techniques d'augmentation ou d'enrichissement de la réalité).

Historique

[modifier | modifier le code]

Dans les années 1950, émergent des méthodes et théories d'imputation hot deck qui consiste à remplacer une valeur manquante par une valeur observée chez un autre individu réel partageant des caractéristiques similaires (Hansen, Hurwitz et Madow, 1953)[7]. Puis Fellegi et Sunter (1959) théorisent une méthode de « rapprochement probabiliste de fichiers » (où la fusion d'enregistrements provenant de sources différentes se fait en estimant la probabilité qu'ils correspondent à la même personne)[8]. Ces deux méthodes ont en commun l'idée de reconstruire ou compléter un fichier de données à partir d'un modèle ou d'une règle statistique, une étape qui préfigure conceptuellement la création de donnée synthétique, mais où l'on ne crée pas encore d'individus entièrement nouveaux (ces méthodes ne faisaient que réutiliser ou recombiner des valeurs réelle).

Dans les années 1960, des chercheurs utilisent déjà des modèles mathématiques pour simuler des phénomènes physiques ou biologiques. Ainsi le modèle de Lorenz a servi à créer des séries temporelles chaotiques utilisées pour étudier la météorologie. Le modèle de Lotka-Volterra a, lui, permis de générer des courbes simulant l'évolution de populations de proies et de prédateurs pour étudier la relation prédateurs-proies en écologie.

Dans les années 1980, des chercheurs ont, dans le domaine statistique, développé diverses techniques de création de corpus de données synthétiques, à partir de données réelles, par exemple pour la protection de la vie privée de personnes.
Ainsi, la méthode dite du micro-agrégat permet de regrouper les individus en petits groupes homogènes et à remplacer leurs valeurs par la moyenne du groupe. La méthode du masquage aléatoire ajoute, elle, du bruit aléatoire aux valeurs concernant des individus.

En 1993, le statisticien américain Donald Rubin parle de « microdonnées synthétiques », aptes à être diffusées publiquement, car non-"sensibles" ; ces jeux de données sont artificiels (ils décrivent des infividus qui n'existent pas dans le réel, mais aux caractéristiques globalement statistiquement similaires à celles issues des jeux de données réelles)[9]. La notion de donnée synthétique a été popularisée par les progrès, vers 2023 de l'IA générative (Google Trends montre une forte hausse des recherches sur « données synthétiques » entre 2022 et 2025[10]).

À partir des années 2000, des chercheurs ont développé des techniques d'intelligence artificielle pour générer des données synthétiques plus réalistes et plus variés.
Des réseaux de neurones ont permis de créer des images, des textes, ou des musiques à partir de données non réelles, mais ils doivent être préalablement entrainés sur de grands jeux de données ; ces données peuvent théoriquement être, pour tout ou partie, synthétiques à fin notamment d'en diminuer les coûts, mieux les calibrer et les contrôler, etc.
Dans le même temps et dans d'autres domaines, l'IA crée des données synthétiques complexes qui rendent certains jeux vidéos plus immersifs et réalistes (tels que Cyberpunk 2077, Assassin's Creed Valhalla, Left 4 Dead, Alien: Isolation, The Last of Us ou Ghost of Tsushima…)[11] ou encore dans les simulateurs de vol, professionnels, civils ou militaires ou de jeux vidéo, ou dans les simulateurs de conduite de réacteurs nucléaire qui utilisent des données synthétiques (simulations de phénomènes physiques et de réactions du réacteur) pour tester les réactions des techniciens en situations normales ou accidentelles, sans mise en péril les utilisateurs et des installations (par exemple grâce à un « Réacteur Numérique », jumeau numérique d'un vrai réacteur) ; de même pour certains systèmes de crash-test, mais aussi pour modéliser des territoires à l'aide de population synthétique à base d'activités.

Au début des années 2020, les réseaux antagonistes génératifs ont permis de créer des données synthétiques de plus en plus difficiles à distinguer des données réelles qu'elles simulent de mieux en mieux[12].

Comment sont produites les données synthétiques ?

[modifier | modifier le code]

Plusieurs méthodes permettent de les produire, variant selon le type de données et le mode de génération, dont, à titre d'exemple :

  1. des méthodes d'échantillonnage, qui génèrent des données en échantillonnant une distribution de probabilité connue ;
  2. des méthodes de modélisation, qui génèrent des données en appliquant un modèle statistique à un ensemble de données d'entraînement ;
  3. des méthodes de transformation de données réelles ;
  4. des méthodes de création pure (à partir de zéro, voir ci-dessous).

Données produites à partir de rien de réel

[modifier | modifier le code]

Des modèles aléatoires (ex. : loi normale, loi uniforme, loi binomiale, etc.) permettent générer des données numériques ou catégorielles à partir de rien de réel. On peut aussi pour cela utiliser des modèles mathématiques (ex. : équations différentielles, les systèmes dynamiques, les automates cellulaires, etc.).

Données produites à partir du réel

[modifier | modifier le code]

Pour générer des données numériques ou catégorielles synthétisées à partir de données réelles, on utilise traditionnellement des techniques d'anonymisation ou de perturbation, comme le micro-agrégat, le masquage aléatoire et des techniques algorithmiques de remplacement de données réelles par des données synthétiques dans un ensemble de données d'entraînement comme le swapping ou le rank swapping qui permettent d'entraîner des modèles d'IA sans avoir à collecter de données personnelles sensibles et/ou de protéger les données réelles contre un accès non autorisé. Depuis peu, des techniques d'apprentissage automatique, (ex. : méthodes par noyau (résolvant des problèmes de classification et de régression non linéaires en transformant les données dans un espace de dimension supérieure, où les relations non linéaires entre les données peuvent être plus facilement identifiées), méthodes par arbre de décision, méthodes par réseau neuronal, etc.) sont apparues ;

  • Pour générer des données textuelles synthétiques à partir de données réelles, on peut utiliser des techniques d'anonymisation ou de « perturbation », comme :
    • le « remplacement par synonyme » (qui consiste à remplacer des données réelles par des données synthétiques similaires aux données réelles ; ces données synthétiques sont générées via un dictionnaire de synonymes pour trouver des mots ou des expressions au sens similaire aux données réelles. Ceci permet notamment de créer des ensembles de données synthétiques de grande taille pour créer un corpus de données plus complet et représentatif, sans besoin de collecter de données personnelles sensibles) ;
    • le remplacement par entité nommée (remplacement, au sein d'un corpus de données, d'« entités nommées » telles que des personnes, des organisations ou des lieux par d'autres entités nommées, jugées similaires. Ceci nécessite de disposer d'un dictionnaire d'entités nommées, à jour, contenant des métadonnées sur les entités nommées, telles que leur nom, leur type et leurs relations avec d'autres entités nommées ; ceci induit aussi une perte d'information, car les « entités nommées synthétiques » diffèrent des entités nommées réelles, avec en outre des biais possibles si le dictionnaire d'entités nommées est peu représentatif de la réalité) ;
    • le « remplacement par masque » (le masque étant ici une matrice indiquant au système quelles données réelles remplacer par une données synthétiques [qui sera générées via un modèle statistique de type « modèle de génération de texte » ou « modèle de génération d'images »…]). Le « remplacement par masque » a comme inconvénient une perte d'information, la donnée synthétique différant un peu de la donnée réelle, avec en outre un risque de biais si le modèle statistique utilisé pour générer les données synthétiques est lui-même biaisé.
    • On peut aussi utiliser des techniques d'apprentissage automatique tels que les modèles de paraphrase, les modèles de résumé, les modèles de traduction, avec un risque de perte d'information et de biais quand ces modèles ont été entraînés sur des corpus de données eux-mêmes biaisés ;
  • Pour générer des données visuelles plus « anonymes » à partir de données visuelles réelles, on peut utiliser des techniques de perturbation, comme le floutage, le pixelisation, le « recouvrement », etc. On peut aussi utiliser des techniques d'apprentissage automatique, comme les modèles de super-résolution, les modèles de style transfer, les modèles de colorisation, etc. ;
  • Pour générer des données sonores anonymisées à partir de données réelles, on peut utiliser des techniques de perturbation telles que le filtrage, la distorsion, le changement de fréquence, etc. On peut aussi utiliser des techniques d'apprentissage automatique, comme les modèles de synthèse vocale, de transformation vocale, de séparation de sources, etc.
  • Pour générer des données numériques ou catégorielles à partir d'un mélange de données réelles et synthétiques, on peut utiliser des techniques d'augmentation ou d'enrichissement, comme différentes méthodes de lissage des données (smoothing), chacune ayant ses avantages et limites ; le bootstrapping, le sampling, etc. On peut aussi utiliser des techniques d'apprentissage automatique, comme les méthodes d'interpolation, d'extrapolation, d'imputation, etc. ;
  • Pour générer des données textuelles à partir d'un mélange de données réelles et synthétiques, on peut utiliser des techniques d'augmentation ou d'enrichissement, comme le mélange de textes, le remplacement par synonyme contextuel, ou par une entité nommée contextuelle, etc. On peut aussi utiliser des techniques d'apprentissage automatique, comme les modèles de fusion de textes, les modèles de génération conditionnelle, les modèles de génération interactive, etc. ;
  • Pour générer des données visuelles à partir d'un mélange de données réelles et synthétiques, on peut utiliser des techniques d'augmentation ou d'enrichissement, comme la rotation, le zooming, le cropping, etc. On peut aussi utiliser des techniques d'apprentissage automatique, comme les modèles de fusion d'images, les modèles de génération conditionnelle ou interactive, etc. ;
  • Pour générer des données sonores à partir d'un mélange de données réelles et synthétiques, on peut utiliser des techniques d'augmentation ou d'enrichissement, comme le mixing, le pitch shifting, le time stretching, etc. On peut aussi utiliser des techniques d'apprentissage automatique, comme les modèles de fusion de sons, les modèles de génération conditionnelle ou interactive, etc.

Techniquement, la génération est faite par une IA générative (et souvent par des réseaux neuronaux profonds[13].

Enjeux et risques

[modifier | modifier le code]

Les données synthétiques peuvent étendre, diversifier ou structurer l'expérience d'apprentissage des modèles d'IA, ce qui contribue à leur amélioration : elles permettent un apprentissage continu (car on peut souvent générer de nouvelles données à volonté). L'IA contribuant de plus en plus à produire ces données, elle est ainsi mise au service de sa propre amélioration et évolution, mais le caractère de ces données artificiellement créées présentent des avantages et inconvénients, encore discutés, par rapport aux données réelles :

Avantages

[modifier | modifier le code]
  • Protection de la vie et/ou de la vie privée des individus (pas d'utilisation d'informations personnelles ou sensibles), en respectant les principes du Règlement général sur la protection des données (RGPD qui impose aux organisations de garantir la confidentialité des données qu'elles collectent, traitent, ou partagent) ;

Des données synthétiques sont aussi utilisées pour trouver de nouveaux médicaments contre les maladies rares.

  • Elles permettent de pallier le coût, le manque ou la rareté de données réelles, en créant des données supplémentaires ou alternatives ; dans le domaine du Marketing algorithmique un article (2022) a montré que certaines études de marché basées sur l'IA « peuvent être appliquées pour répondre à des questions plus nuancées basées sur des variables démographiques ou des variations contextuelles qui sont prohibitives ou irréalisables avec des répondants humains »[14]. Des images synthétiques peuvent permettre à des modèles d'IA à s'entrainer (à la reconnaissance et interprétation d'image, jusqu'à la conduite autonome par exemple)[15] ; des animations de jeux vidéo peuvent entrainer des systèmes de vision d'IA[16].
  • Elles ont grandement amélioré et facilité l'entraînement ou l'amélioration (de la sécurité, de la rapidité et de la scalabilité dans le domaine de l'IA)[17], notamment dans certains modèles d'IA qui nécessitent souvent de grandes quantités de données variées et de qualité[3].
  • Elles facilitent la création de jumeaux numériques expérimentables, surtout dans les domaines où les scénarii doivent être multipliés au‑delà des données réelles disponibles (par exemple pour la modélisation urbaine ou les infrastructures et la sécurité routières où depuis le milieu des années 2020, des outils tels que SynthRoads enrichissent le processus scan‑to‑twin (technique de capture la réalité — par scanner, lidar, photogrammétrie — pour générer automatiquement un jumeau numérique 2D ou 3D fidèle et exploitable en créant et utilisant des données synthétiques, qui s'avèrent renforcer la performance des modèles, tout en permettant de générer rapidement des scènes routières annotées, puis des jumeaux numériques routiers plus automatisés et plus fiables[18]. Dans l'industrie, des données synthétiques peuvent aider à créer un jumeau numérique d'usine où l'on peut alors par exemple simuler une ligne de production même quand on n'a pas encore de vraies données, afin de repérer des points de blocage afin d'optimiser le fonctionnement des machines[19]. Autre exemple : le système SYNTHUA‑DT fabrique des images urbaines artificielles à partir d'un jumeau numérique de ville, pour aider des algorithmes à mieux détecter les personnes à mobilité réduite et les difficultés d'accessibilité dans des environnements complexes (où les situations réelles sont difficiles à capturer)[20].
  • Elles facilitent et stimulent l'émergence d'idées et de contenus originaux et créatifs, dont dans les domaines du design, de l'art, la musique, des jeux vidéos, etc., car elles permettent de générer ou recombiner des formes, motifs ou sons, avec des variations inédites à partir de modèles génératifs entraînés sur des données réelles, comme l'illustrent par exemple les travaux sur la génération d'images artistiques par GANs (réseaux antagonists génératifs)[21]. Elles sont notamment utilisées pour créer des environnements virtuels réalistes via des moteurs de jeu vidéo et d'autres environnements interactifs (par exemple utilisés dans les simulateurs de vol, de conduite, de chirurgie, etc.) ou dans les systèmes d'apprentissage de la conduite autonome[22], où des données synthétiques permettent d'enrichir les scènes d'entraînement et d'améliorer la robustesse des modèles de perception (un système d'IA qui transforme des stimuli externes — images, sons, scènes — en « représentations internes » permettant l'interprétation et la compréhension de l'environnement ; ou autrement dit, un modèle qui — à sa manière — « comprend ce qu'il voit ») ; techniquement parlant, le modèle peut « mapper », c'est-à-dire convertir ou projeter des données physiques du monde réel (lumière, sons, positions, textures, relief...) vers des représentations internes que l'IA pourra comprendre et utiliser pour optimiser sa compréhension et le raisonnement dans les systèmes multimodaux. En utilisant des données synthétiques, il peut créer des mondes imaginaires où les lois de la physique (gravité, collisions, dynamique) s'appliquent, comme un moteur de jeu où des règles physiques stables sont initialement définies par les développeurs.

Risques et limites des données synthétiques

[modifier | modifier le code]

Les données synthétiques ne sont pas exemptes de risques et de limites.

En 2024, concernant la Recherche, Lin Long et al. (2024) estiment dans une revue d'étude que face au dilemme persistant entre quantité et qualité des données en apprentissage profond, les LLM permettent d'utilement générer des corpus synthétiques. Cependant, à cette date, cette activité manque encore d'un cadre unifié. Les auteurs appellent à organiser plus systématiquement les études selon un workflow générique de génération de données synthétiques, pour mieux cerner les lacunes de la recherche et mieux orienter les communautés académique et industrielle vers des investigations plus rigoureuses et approfondies sur les capacités des LLM dans ce domaine[23].

Les données synthétiques peuvent ne pas être assez représentatives de la réalité, et in fine alors rendre les modèles d'IA qui se sont entrainés sur ces données, non-performants dans le monde réel[24].

Selon Seoyeon Choi et al. (2026), des textes générés par GPT comme ressource d'entraînement en apprentissage supervisé, peuvent utilement améliorer la performance d'une IA, mais uniquement dans des contextes de rareté ou de déséquilibre des donnée quand elles complètent les classes minoritaires ; sinon, elles dégradent nettement les quand elles remplacent entièrement les données réelles (notamment pour des distinctions sémantiques fines)[25].

Risques de biais

[modifier | modifier le code]

Les données synthétiques sont des données « secondaires », issues de corpus qui peuvent eux-mêmes avoir intégré des biais ou induire des erreurs dans les modèles d'IA, si elles ne reflètent pas correctement la réalité, ou si elles sont mal calibrées.

Une étude (2019) publiée par la Harvard Business Review a rappelé que la plupart des progrès de l'IA sont le fait d'un groupe socialement et culturellement homogène de chercheurs et techniciens de haut niveau, presque toujours des hommes ayant le même type de formation, qui ont donc une vision limitée du monde. Et Les biais présents dans les données (naturelles ou synthétiques) — qu'ils proviennent de décisions humaines passées, de corpus historiques ou de jeux de données mal échantillonnés — peuvent être absorbés et amplifiés par les systèmes d'IA, même quand les variables sensibles sont retirées. Ces biais peuvent conduire les modèles à reproduire des stéréotypes, à discriminer certains groupes et à dégrader la fiabilité des décisions automatisées, ce qui rend indispensable la mise en place de méthodes de détection, de correction et de définition rigoureuse de la fairness ( c'est-à-dire d'une exigence d'équité algorithmique, qui implique de détecter, mesurer et corriger les biais pour que les résultats soient aussi justes que possible pour toutes les personnes concernées)[26],[27]. De tels biais peuvent aussi exister plus en amont chez ceux qui collectent certaines données, ainsi que chez ceux qui conçoivent les modèles d'IA et leur entrainement. Ce risque de biais doit être évalué en amont, et mieux pris en compte lors de l'utilisation de données synthétiques pour l'entraînement de l'IA ; des mécanismes d'audit et de correction sont testés[28]. Selon Chowdhury & Mulani (2018), le concept de « voile d'ignorance », tel que reconceptualisé par le philosophe américain John Rawls en 1971, montre que l'IA ne peut être vraiment impartiales ; pour remédier à ce défaut Rumman décrit un outil de fairness capable de détecter l'impact caché de variables sensibles, d'analyser les erreurs différenciées entre groupes et d'ajuster les modèles afin de réduire les disparités et d'assurer des décisions plus équitables ; de tels outils devraient selon lui être mis en place pour lutter contre la perpétuation des biais (de genre, sexisme, racisme... plus ou moins inconsciemment introduit dans les recueils de données réelles)[29].

La revue ACM Computing Surveys a publié, en 2022, une revue de la littérature sur le biais des données synthétiques (« Bias in Synthetic Data: A Survey »), qui liste quatre principaux types de biais : biais de représentation, biais de distribution, biais de modèle et biais d'utilisation[30].

Vers le milieu des années 2020, les modèles d'IA entraînés sur des données synthétiques biaisées peuvent être biaisés eux-mêmes. Une expérience a montré comment l'utilisation de données synthétiques biaisées sur le genre a entraîné un modèle d'IA biaisé en défaveur des femmes.

Dans le domaine médical

[modifier | modifier le code]

Dans ce domaine, où l'erreur peut être fatale ou grave, les données synthétiques offrent une solution prometteuse au machine Learning pour pallier le manque de données médicales réelles notamment en cas d'échantillons ou d'effectifs limités ou en cas de distribution déséquilibrée des items ; elles sont produites à partir de registres cliniques, dossiers électroniques ou imagerie au moyen de modèles génératifs (GAN, CTGAN), de méthodes d'oversampling comme SMOTE (Synthetic Minority Oversampling Technique) qui consiste à augmenter artificiellement le nombre d'exemples dans une classe minoritaire pour corriger un déséquilibre dans les données) ; ou de simulations bayésiennes, pour enrichir artificiellement des jeux de données rares ou déséquilibrés et d'améliorer l'entraînement, l'évaluation et la robustesse des modèles prédictifs[31], mais alors avec des limites tenant notamment à la difficulté de garantir une fidélité clinique, une évaluation rigoureuse et un cadre réglementaire adapté[32],[33]. Selon I-Hsien Kuo (2026), les donnés synthétiques en santé sont souvent jugées sur leur seule similarité statistique, ne garantissent pas une validité clinique, comme le montre une évaluation multidimensionnelle révélant que les modèles génératifs reproduisent les distributions mais échouent à préserver les structures causales et les sous‑groupes. Ces limites entraînent un étalonnage dégradé et des inférences peu fiables, ce qui justifie des cadres d'évaluation fondés sur la capacité à soutenir des conclusions cliniques robustes[33]. Dans la recherche médicale, un risque est celui de la ré‑identification de patients théoriquement protégés par l'anonymisation notamment dans le cas de petits effectifs ou d'événements rares (en épidémiologie par exemple). Ceci rend la publication de cartes ou de tableaux potentiellement sensible. Les données synthétiques réduisent ce risque mais doivent suffisamment préserver la structure spatiotemporelle locale, et les relations avec les déterminants territoriaux, pour rester utiles aux analyses épidémiologiques[34]. Dans The Lancet, Génin et al. (2026) alertent sur le risque de confiance excessive dans des modèles médicaux trop entraînés sur des données artificielles, qui peuvent manquer de validité clinique ou démographique. Ils proposent des garde‑fous concrets (normes de qualité des données, tests de fragilité et transparence sur l'origine synthétique) pour garantir l'intégrité, la robustesse et l'équité des systèmes d'IA en santé[34].

Des données synthétiques trop parfaites ou trop homogènes peuvent entraîner un surapprentissage ou un sous-apprentissage des modèles.

Protection des personnes ou de groupes vulnérables

[modifier | modifier le code]

Dans bien d'autres domaines que la médecine, et notamment dans des régimes autoritaires, les données synthétiques peuvent encore compromettre la vie privée des individus, si elles contiennent encore des traces ou des indices de certaines données réelles, susceptibles de permettre une ré-identification ou une inférence d'informations personnelles ou « sensibles » ce qui devient plus facile avec l'IA. Même conformes à la réglementation, elles peuvent poser des problèmes éthiques et/ou juridiques, si elles sont utilisées à des fins malveillantes ou frauduleuses (deep fakes et autres types de fausses nouvelles, usurpations d'identité, etc.).

Dans le domaine des sciences humaines et sociales

[modifier | modifier le code]

Selon A. Kulal (2026), dans les sciences humaines et sociales, les données synthétiques imitent parfois assez bien les résultats d'une vraie enquête (surtout pour des éléments statistiques simples comme les moyennes ou les corrélations), mais elles ne suffisent plus quand le travail porte sur des relations plus complexes entre les variables. Toutefois que les jeux de données “reconstruits” à partir de résultats SPSS (Statistical Package for the Social Sciences) bien que d'abord peu fiables, sont de mieux en mieux reproduit par des versions récentes de l'IA. L'étude propose des règles pour utiliser ces outils au mieux en sciences sociales[35].

Prompt synthétique

[modifier | modifier le code]

Le « prompting synthétique » (« synthetic prompting ») est une famille de méthodes d'apprentissage automatique, où un LLM est utilisé pour générer lui-même de nouveaux exemples de « prompts » ou de démonstrations de raisonnement, à partir d'un petit nombre d'exemples rédigés manuellement, pour améliorer les propres performances d'une IA sur des tâches de Raisonnement automatisé.

Le terme semble avoir été introduit par Shao et al. (2023), qui décrivent une procédure alternant un processus « inverse » (générer une question cohérente à partir d'une chaîne de raisonnement échantillonnée ) et un processus « direct » (produire une chaîne de raisonnement détaillée répondant à cette question) afin de produire automatiquement des démonstrations de type « chaîne de pensée » (chain-of-thought) de meilleure qualité que celles composées à la main, et moins coûteuses à produire à grande échelle[36].

Le synthetic prompting s'inscrit ainsi dans le champ plus large de la donnée synthétique (synthetic data), c'est-à-dire des données produites artificiellement, le plus souvent par un modèle génératif lui-même, pour entraîner, affiner ou évaluer d'autres modèles, en substitution ou en complément de données collectées auprès d'humains. La différence entre les deux notions est principalement une différence d'échelle et de finalité : le synthetic prompting vise essentiellement à produire, à la volée et en petit nombre, des exemples de sollicitation efficaces pour guider un modèle au moment de l'inférence, tandis que la donnée synthétique au sens large recouvre la génération, souvent massive, de jeux de données complets (textes, dialogues, paires question-réponse, code, données tabulaires) destinés à l'entraînement ou au réglage fin de modèles[37]. Ces deux approches partagent cependant un même principe : utiliser la capacité générative d'un modèle pour réduire le coût et augmenter le volume des données d'entraînement ou de sollicitation normalement produites par des annotateurs humains, une pratique dont Liu et al. (2024), chez Google DeepMind, ont formalisé les bonnes pratiques et les limites (risque d'amplification de biais, de perte de diversité linguistique, ou de « collapse » du modèle en cas de réentraînement répété sur ses propres sorties)[38].

Données synthétiques de test

[modifier | modifier le code]

Les « données de test synthétiques » sont des jeux de données artificiellement générés pour tester des modèles d'IA. Ces corpus de données servent à évaluer la performance, la robustesse et l'équité des modèles d'apprentissage automatique testés, en conditions contrôlées[39],[40].

Ils servent surtout à tester des systèmes d'IA sur des sous‑groupes rares, des scénarios extrêmes ou des décalages de distribution difficiles à capturer dans les jeux de test traditionnels, ou quand les données réelles de test sont limitées, biaisées ou non représentatives[41].

Ces données doivent reproduisent les propriétés statistiques (et éventuellement psychométriques)[42] les relations structurelles et les contraintes métier des données réelles (ces données synthétiques ne doivent donc pas seulement être “statistiquement plausibles”, mais aussi être cohérentes avec les règles du monde réel dans lequel elles sont censées être utilisées) ; et elles doivent aussi ne pas contenir d'informations sensibles ni identifiantes[43] pour notamment respecter le RGPD en Europe[44]. Selon Pan et al. (2026), les modèles entraînés sur d'immenses ensembles de données synthétiques semblent obtenir de meilleurs scores de robustesse, mais ces gains sont en partie dus à une forte similarité entre ces données générées et les images des benchmarks comme RobustBench. Cette proximité crée un avantage implicite car les modèles s'entraînent sur des quasi‑doublons des images de test, ce qui gonfle artificiellement les performances. Pan et ses collègues appellent à revoir les protocoles d'évaluation dans ce type de contexte[45].

Prospective et perspectives

[modifier | modifier le code]

Ce domaine est en pleine expansion et en évolution rapide, avec dans les années 2020 diverses pistes de recherche et de développement, dont :

Amélioration de la qualité et la diversité des données synthétiques, via des techniques d'IA plus avancées et plus robustes, comme :

  1. les réseaux antagonistes génératifs progressifs (Progressive GAN),
  2. les réseaux antagonistes style-based (StyleGAN),
  3. les réseaux antagonistes auto-encodeurs variationnels (VAE-GAN)[46] , etc.
  4. En 2024, A. Boivin propose de générer les données synthétiques (DA‑MI), combinant :
  • imputation (le fait de remplir ou recréer des valeurs manquantes à partir d'un modèle statistique) et masquage de données sensibles, pour contrôler explicitement la proximité aux données originales, et optimiser l'équilibre entre utilité statistique et protection de la confidentialité. Selon les auteurs, la protection dépasse celle d'approches classiques comme synthpop. Et la remise en question des métriques traditionnelles de divulgation d'attributs (qui peuvent confondre relations statistiques et risques réels de ré‑identification, et l'identification de comportements de protection imprévisibles) ouvrent la voie à des cadres plus robustes pour quantifier le risque de divulgation[47].
  • Évaluation affinée de la fidélité, de la capacité à prédire et de la confidentialité des données synthétiques, via des mesures quantitatives et qualitatives, comme le score FID (Fréchet Inception Distance), le score PPL (Perceptual Path Length), le score DP-SGD (Differential Privacy Stochastic Gradient Descent), etc.
  • Exploration d'applications potentielles et des impacts sociétaux des données synthétiques, en impliquant les parties prenantes et les utilisateurs finaux, en respectant les principes éthiques et juridiques, en sensibilisant et en éduquant le public, etc.

Selon Tim Davidson et al., la génération de données synthétiques reste en 2026 limitées par sa dépendance à des prompts manuels, à des algorithmes évolutifs ou à des jeux de données initiaux, ce qui freine sa scalabilité et son contrôle. Davidson et ses collègues proposent Simula, un cadre de génération raisonné et sans données de départ, capable de produire des jeux de données synthétiques explicables, contrôlables et massifs ...pour concevoir, évaluer et déployer des systèmes d'IA dans des contextes de pénurie ou de forte contrainte de confidentialité[48].

Notes et références

[modifier | modifier le code]
  1. ↑ Pascal Jutras-Dubé, Génération de données : de l'anonymisation à la construction de populations synthétiques (mémoire de maîtrise en informatique), Montréal, Université de Montréal, , 79 p. (OCLC 1381013722, hdl 1866/27945).
  2. ↑ Differential Privacy, « What is Synthetic Data? », sur differentialprivacy.org (consulté le ).
  3. 1 2 Valentin Defour, « Réconcilier IA et privacy grâce aux données synthétiques », sur Rhapsodies Conseil, (consulté le ).
  4. ↑ Anesu Kafesu, « 13 Outils de génération de données synthétiques pour l'entraînement de modèles d'apprentissage automatique », sur Geekflare, (consulté le ).
  5. ↑ (en) James Jordon, Lukasz Szpruch, Florimond Houssiau et Mirko Bottarelli, « Synthetic Data -- what, why and how? », ..
  6. ↑ (en) Hari Prasanna Das, Ryan Tran, Japjot Singh et Xiangyu Yue, « Conditional Synthetic Data Generation for Robust Machine Learning Applications with Limited Pandemic Data », Proceedings of the AAAI Conference on Artificial Intelligence, vol. 36, no 11,‎ , p. 11792–11800 (ISSN 2374-3468 et 2159-5399, DOI 10.1609/aaai.v36i11.21435, lire en ligne, consulté le ).
  7. ↑ Hansen, M.H., Hurwitz, W.N. & Madow, W.G. (1953). Sample Survey Methods And Theory. Wiley |url=https://psycnet.apa.org/record/1954-05855-000 |consulté le=2026-08-01
  8. ↑ Fellegi, I. P. & Sunter, A. B. (1969). A theory for record linkage. Journal of the American Statistical Association, 64(328), 1183-1210| url=https://www.tandfonline.com/doi/abs/10.1080/01621459.1969.10501049 |consulté le=2026-08-01
  9. ↑ https://cnam.hal.science/hal-05618932/document
  10. ↑ Moreau, A., & Saporta, G. (2026). Les données synthétiques: promesses et réalités. Variances. eu.|url=https://cnam.hal.science/hal-05618932/document
  11. ↑ Elisa Rahouadj, « L'IA rend les jeux vidéo plus vrais que jamais », sur Journal du Geek, (consulté le ).
  12. ↑ (en) Josh Tobin, Rachel Fong, Alex Ray et Jonas Schneider, « Domain randomization for transferring deep neural networks from simulation to the real world », 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE,‎ (DOI 10.1109/iros.2017.8202133, lire en ligne, consulté le ).
  13. ↑ Yingzhou Lu, Lulu Chen, Yuanyuan Zhang et Minjie Shen, Machine Learning for Synthetic Data Generation: A Review (DOI 10.48550/ARXIV.2302.04062, lire en ligne).
  14. ↑ (en) Peiyao Li, Noah Castelo, Zsolt Katona et Miklos Sarvary, « Language Models for Automated Market Research: A New Way to Generate Perceptual Maps », SSRN Electronic Journal,‎ (ISSN 1556-5068, DOI 10.2139/ssrn.4241291, lire en ligne, consulté le ).
  15. ↑ (en) German Ros, Laura Sellart, Joanna Materzynska et David Vazquez, « The SYNTHIA Dataset: A Large Collection of Synthetic Images for Semantic Segmentation of Urban Scenes », 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE,‎ (DOI 10.1109/cvpr.2016.352, lire en ligne, consulté le ).
  16. ↑ (en) Alireza Shafaei, James Little et Mark Schmidt, « Play and Learn: Using Video Games to Train Computer Vision Models », Procedings of the British Machine Vision Conference 2016, British Machine Vision Association,‎ (DOI 10.5244/c.30.26, lire en ligne, consulté le ).
  17. ↑ « Qu'est-ce que les données synthétiques et l'IA ? », sur Accenture, (consulté le ).
  18. ↑ (en) David Crampen, Marcel Hein et Jörg Blankenbach, « SynthRoads: A framework for comprehensive enrichment of the Scan-to-Twin process for road space modeling with synthetic data », Advanced science, vol. 71,‎ , p. 104410 (DOI 10.1016/j.aei.2026.104410, lire en ligne, consulté le ).
  19. ↑ (en) Paulo Victor Lopes, Leonardo Silveira, Roberto Douglas Guimaraes Aquino et Carlos Henrique Ribeiro, « Synthetic data generation for digital twins: enabling production systems analysis in the absence of data », International Journal of Computer Integrated Manufacturing, vol. 37, nos 10-11,‎ , p. 1252–1269 (ISSN 0951-192X et 1362-3052, DOI 10.1080/0951192X.2024.2322981).
  20. ↑ (en) Santiago Felipe Luna Romero, Mauren Abreu de Souza et Luis Serpa Andrade, « SYNTHUA-DT: A Methodological Framework for Synthetic Dataset Generation and Automatic Annotation from Digital Twins in Urban Accessibility Applications », Technologies, vol. 13, no 8,‎ , p. 359 (ISSN 2227-7080, DOI 10.3390/technologies13080359).
  21. ↑ Tero Karras, Samuli Laine et Timo Aila, A Style-Based Generator Architecture for Generative Adversarial Networks (DOI 10.48550/ARXIV.1812.04948, lire en ligne).
  22. ↑ Alexey Dosovitskiy, German Ros, Felipe Codevilla et Antonio Lopez, CARLA: An Open Urban Driving Simulator, (DOI 10.48550/arXiv.1711.03938, lire en ligne).
  23. ↑ (en) Lin Long, Rui Wang, Ruixuan Xiao et Junbo Zhao, « On LLMs-Driven Synthetic Data Generation, Curation, and Evaluation: A Survey », dans Findings of the Association for Computational Linguistics: ACL 2024, Association for Computational Linguistics, 11065–11082 p. (DOI 10.18653/v1/2024.findings-acl.658);
  24. ↑ (en) Nicholas I-Hsien Kuo, Blanca Gallego et Louisa Jorm, Synthetic but Not Realistic: The Evaluation Challenge in Generative Modelling for Structured Electronic Medical Records (DOI 10.48550/ARXIV.2606.08903, lire en ligne).
  25. ↑ (en) Seoyeon Choi, Jaein Sim et Guebin Choi, « Synthetic Text as Data: On Usefulness and Limitations », Applied sciences, vol. 15, no 10,‎ , p. 5460 (ISSN 2076-3417, DOI 10.3390/app15105460, lire en ligne, consulté le ).
  26. ↑ (en) J. Manyika, J. Silberg et B. Presten, « What do we do about the biases in AI », Harvard business review, 25, 2019 [lire en ligne], consulté le .
  27. ↑ Davenport T.H, Brynjolfsson E, McAfee A & Wilson H.J (2019) Artificial intelligence: The insights you need from Harvard Business Review. Harvard Business Press.|url=https://books.google.fr/books?id=m1mEDwAAQBAJ&printsec=frontcover&hl=fr#v=onepage&q&f=false
  28. ↑ (en) Ajay M. Patrikar, Arjuna Mahenthiran et Ahmad Said, « Leveraging synthetic data for AI bias mitigation », Synthetic Data for Artificial Intelligence and Machine Learning: Tools, Techniques, and Applications, SPIE, vol. 12529,‎ , p. 185–190 (DOI 10.1117/12.2662276, lire en ligne, consulté le ).
  29. ↑ Chowdhury R & Mulani N (2018) Auditing algorithms for bias. Harvard Business Review, 24 ||url=https://academichelptoday.com/assets/documents/Auditing_Algorithms_for_Bias_-_HBR.pdf.
  30. ↑ (en) Khaled El Emam, Thomas J. Brunner, Daniel E. Rubinstein et Michael I. Jordan, « Bias in Synthetic Data: A Survey », ACM Computing Surveys,‎ .
  31. ↑ (en) Morgane Swital, Tiphaine Porte, Nathanaël Sedmak et Clara Bouvard, « Génération de données de patients synthétiques pour pallier les limites du Machine Learning en recherche en santé : une revue systématique des méthodes, performances et cas d'usage », Journal of Epidemiology and Population Health, vol. 74,‎ , p. 203178 (DOI 10.1016/j.jeph.2026.203178, lire en ligne, consulté le ).
  32. ↑ Alaedine Benani, Julien Vibert et Stanislas Demuth, « Données synthétiques en médecine : génération, évaluation et limites », Med Sci, vol. 40, nos 8-9,‎ , p. 661–664 (ISSN 0767-0974 et 1958-5381, DOI 10.1051/medsci/2024091).
  33. 1 2 Nicholas I-Hsien Kuo, Blanca Gallego et Louisa Jorm, Synthetic but Not Realistic: The Evaluation Challenge in Generative Modelling for Structured Electronic Medical Records, (DOI 10.48550/ARXIV.2606.08903, lire en ligne).
  34. 1 2 (en) M. Génin, C. Ternynck, C. Frévent et A. Niang, « Génération de données synthétiques spatio-temporelles pour l'épidémiologie environnementale », Journal of Epidemiology and Population Health, vol. 74,‎ , p. 203554 (DOI 10.1016/j.jeph.2026.203554, lire en ligne, consulté le ).
  35. ↑ (en) Abhinandan Kulal, « Reproducibility and credibility in computational social science: Testing the fidelity of GenAI-generated data », Journal of Open Innovation: Technology, Market, and Complexity, vol. 12, no 2,‎ , p. 100792 (DOI 10.1016/j.joitmc.2026.100792, lire en ligne, consulté le ).
  36. ↑ Shao, Z., Gong, Y., Shen, Y., Huang, M., Duan, N. & Chen, W. (2023). Synthetic Prompting: Generating Chain-of-Thought Demonstrations for Large Language Models. arXiv:2302.00618. https://arxiv.org/abs/2302.00618
  37. ↑ Long, L., Wang, R., Xiao, R., Zhao, J., Ding, X., Chen, G. & Wang, H. (2024). On LLM-Generated Data Generation, Curation, and Evaluation: A Survey. arXiv:2406.15126. https://arxiv.org/abs/2406.15126
  38. ↑ Liu, R., Wei, J., Liu, F., Si, C., Zhang, Y., Rao, J., Zheng, S., Peng, D., Yang, D., Zhou, D. & Dai, A. M. (2024). Best Practices and Lessons Learned on Synthetic Data for Language Models. Conference on Language Modeling (COLM 2024) ; arXiv:2404.07503. https://arxiv.org/abs/2404.07503
  39. ↑ Ghanem Soltana, Mehrdad Sabetzadeh et Lionel C. Briand, « Synthetic data generation for statistical testing », IEEE International Conference on Automated Software Engineering (ASE), IEEE,‎ , p. 872–882 (ISBN 978-1-5386-2684-9, DOI 10.1109/ASE.2017.8115698).
  40. ↑ Anderson, C. L., Willner, M. R., Patsolic, H. G., Brem, L., Aboye, G., Smolyak, D., & Crowley, K. (2025, May). A comparison of LLMs for use in generating synthetic test data for automated testing of a patient-focused, survey-based system. In AMIA Annual Symposium Proceedings (Vol. 2024, p. 142)|url=https://pmc.ncbi.nlm.nih.gov/articles/PMC12099342/.
  41. ↑ Ahmad, N., Feroz, I., & Ahmad, F. (2024, January). Creating synthetic test data by generative adversarial networks (gans) for mobile health (mhealth) applications. In International conference on forthcoming networks and sustainability in the AIoT Era (pp. 322-332). Cham: Springer Nature Switzerland. |url=https://link.springer.com/chapter/10.1007/978-3-031-62871-9_25
  42. ↑ (en) Juyoung Jung, Minho Lee et Won-Chan Lee, « Neural Network Copulas for Generating Synthetic Test Data Preserving Psychometric Properties », Journal of Intelligence, vol. 14, no 5,‎ , p. 77 (ISSN 2079-3200, PMID 42188263, PMCID 13208229, DOI 10.3390/jintelligence14050077).
  43. ↑ (en) Maj‐Annika Tammisto, Faiz Ali Shah, Daniel Rodriguez et Dietmar Pfahl, « The Challenge of Generating and Evolving Real‐Life Like Synthetic Test Data Without Accessing Real‐World Raw Data—A Systematic Review », Expert Systems, vol. 42, no 12,‎ (ISSN 0266-4720 et 1468-0394, DOI 10.1111/exsy.70164).
  44. ↑ (en) Chao Tan, Razieh Behjati et Erik Arisholm, « Enhancing Synthetic Test Data Generation with Language Models Using a More Expressive Domain-Specific Language », dans Testing Software and Systems, vol. 14131, Lecture Notes in Computer Science, 21–39 p. (ISBN 978-3-031-43239-2, DOI 10.1007/978-3-031-43240-8_2).
  45. ↑ (en) Chao Pan, Ke Tang, Qing Li et Xin Yao, « Rethinking RobustBench: Is High Synthetic-Test Data Similarity an Implicit Information Advantage Inflating Robustness Scores? », International Conference on Data Science and Advanced Analytics (DSAA), IEEE,‎ , p. 1–10 (ISBN 979-8-3315-1179-1, DOI 10.1109/DSAA65442.2025.11248007)
  46. ↑ (en) Mandeep Goyal et Qusay H. Mahmoud, « A Systematic Review of Synthetic Data Generation Techniques Using Generative AI », Electronics, vol. 13, no 17,‎ , p. 3509 (ISSN 2079-9292, DOI 10.3390/electronics13173509).
  47. ↑ Ariane Boivin, « Étude de l'applicabilité d'une méthode alliant masquage et imputation pour la génération de données complètement synthétiques ; mémoire de maîtrise / Corpus Université de Laval », sur corpus.ulaval.ca, (consulté le ).
  48. ↑ (en) Tim R. Davidson, Benoit Seguin, Enrico Bacis et Cesar Ilharco, Reasoning-Driven Synthetic Data Generation and Evaluation (DOI 10.48550/ARXIV.2603.29791).

Voir aussi

[modifier | modifier le code]

Articles connexes

[modifier | modifier le code]

Liens externes

[modifier | modifier le code]
  • Synthetic Data Vault, une plateforme open source pour la génération de données synthétiques
  • Synthetic Data Generator, une solution cloud pour la création de données synthétiques
  • Synthetic Data Meetup, un groupe de discussion sur les données synthétiques

Bibliographie

[modifier | modifier le code]
  • (en) Zhang, Zhiwei, Synthetic Data for Deep Learning, Springer, (ISBN 978-3-030-30490-4).
  • (en) IGI Global, Synthetic Data: Concepts, Methodologies, Tools and Applications, IGI Global, (ISBN 978-1-7998-2460-2).
  • (en) Gupta, Brij B. et Agrawal, Dharma P., Handbook of Research on Modern Cryptographic Solutions for Computer and Cyber Security, IGI Global, , 221-243 p. (ISBN 978-1-5225-0105-3), « Synthetic Data Generation Techniques for Privacy Preserving Data Publishing ».
  • (en) Alvaro Figueira et Bruno Vaz, « Survey on Synthetic Data Generation, Evaluation Methods and GANs », Mathematics, vol. 10, no 15,‎ , p. 2733 (ISSN 2227-7390, DOI 10.3390/math10152733, lire en ligne, consulté le ).
  • (en) Jonathan Tremblay, Aayush Prakash, David Acuna et Mark Brophy, « Training Deep Networks with Synthetic Data: Bridging the Reality Gap by Domain Randomization », 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), IEEE,‎ (DOI 10.1109/cvprw.2018.00143, lire en ligne, consulté le ).
  • Figueira A & Vaz B (2022) Survey on synthetic data generation, evaluation methods and GANs. Mathematics, 10(15), 2733 |url=https://www.mdpi.com/2227-7390/10/15/2733.
Ce document provient de « https://fr.wikipedia.org/w/index.php?title=Donnée_synthétique&oldid=238400788 ».