Onze wereld wordt steeds meer aangestuurd door data en kunstmatige intelligentie (AI). Grote hoeveelheden hoogwaardige data zijn daarom steeds belangrijker, ook voor de ontwikkeling van AI-modellen. Maar wat gebeurt er als er onvoldoende data beschikbaar is? En hoe kunnen we onze privacy blijven beschermen? Synthetische data bieden een veelbelovende oplossing voor deze uitdagingen. Volgens Gartner zullen AI-modellen tegen 2030 grotendeels worden getraind met synthetische data, een trend waarop techbedrijven inspelen met grote investeringen.
Synthetische data bootsen de statistische eigenschappen van echte datasets na, zonder privacygevoelige informatie te bevatten. Grote taalmodellen (LLM's), zoals GPT-4, maken het genereren van synthetische data sneller, efficiënter en goedkoper dan traditionele, op regels gebaseerde methoden. Echter, wanneer LLM’s data genereren, bestaat het risico dat statistische eigenschappen niet volledig behouden blijven. Dit komt doordat deze modellen de neiging hebben om veelvoorkomende patronen uit de originele data te versterken, terwijl zeldzamere patronen kunnen worden verzwakt.
De nieuwe Europese AI-wetgeving (AI Act) speelt in op deze ontwikkelingen door transparantieverplichtingen in te voeren voor AI-systemen die data genereren. Denk bijvoorbeeld aan het watermerken van door AI-gegenereerde afbeeldingen. In deze blog leggen wij uit hoe deze transparantieverplichtingen praktische problemen op kunnen lossen voor AI-ontwikkelaars, waarom deze essentieel zijn in het opbouwen van meer vertrouwen en hoe ze ons kunnen beschermen tegen misbruik. Zo kunnen we verantwoord en effectief omgaan met AI-ontwikkelingen en de potentie van synthetische data maximaal benutten.