Синтетические данные, еще несколько лет назад воспринимавшиеся скорее как экзотический инструмент для узких лабораторных экспериментов, стремительно превращаются в фундаментальный слой цифровой экономики. Эти искусственно сгенерированные массивы информации, созданные алгоритмами, а не собранные из реального мира, сегодня становятся тем невидимым топливом, на котором работают самые передовые модели искусственного интеллекта. По оценкам аналитиков Global Market Insights, в 2024 году мировой рынок генерации синтетических данных достиг отметки в 310,5 миллиона долларов, и это лишь начало: прогнозируемый среднегодовой темп роста до 2034 года превышает 35%. Однако, как справедливо отмечают эксперты, ценность этой технологии измеряется не столько объемом ее собственного рынка, сколько тем колоссальным количеством ИИ-проектов, которые без нее оказались бы на грани невозможности.

Артем Егоров, руководитель лаборатории иммерсивных технологий в образовании Московской школы управления «Сколково», предлагает очень точную метафору: «Как электропроводка: ее собственный рынок и рынок всего, что от нее работает, несопоставимы». Действительно, синтетические данные выступают в роли универсального проводника, через который энергия инноваций доходит до конкретных прикладных задач. Они используются в ситуациях, когда реальных данных катастрофически не хватает, их сбор обходится непозволительно дорого или их обработка ограничена жесткими законодательными нормами. Особенно остро эта проблема стоит в отраслях с высокой чувствительностью информации, таких как медицина и финансы.

Главный конструктор ВЭБ.РФ Денис Кузьмин подчеркивает, что синтетические данные помогают решать сразу несколько критических задач одновременно: закрывать дефицит реальной информации, защищать персональные данные от утечек, создавать редкие и даже опасные сценарии в практически неограниченном объеме, а также значительно ускорять обучение моделей и повышать их робастность — способность сохранять работоспособность в нестандартных ситуациях, противостоять шумам и нетипичным входным данным. Это особенно важно для систем, которые в будущем столкнутся с хаосом реального мира: беспилотные автомобили, медицинские диагностические алгоритмы или системы прогнозирования стихийных бедствий требуют тренировки на тысячах редких событий, которые в реальности происходят раз в десятилетие, если происходят вообще.

Один из самых ярких примеров триумфального внедрения синтетики связан с большими языковыми моделями (LLM). Руководитель лаборатории ИИ в медицине университета «Иннополис» Илья Першин обращает внимание на переломный 2023 год, когда нейросети внезапно начали выдавать содержательные, связанные и удивительно «человечные» ответы. Секрет этого качественного скачка заключался не в увеличении объема «сырых» текстов из интернета, а в технологии обучения с подкреплением на основе обратной связи от человека. На первом этапе эксперты оценивали варианты ответов алгоритма, выбирая лучшие. Затем на этих оценках обучили вспомогательную модель, которая научилась предсказывать, что бы предпочли люди. И уже на втором этапе эта промежуточная нейросеть сгенерировала колоссальный массив синтетических данных, на котором и была донатренирована основная модель. Получился классический «эффект снежного кома»: ИИ учится у людей, а затем в геометрической прогрессии масштабирует это знание через собственные синтетические плоды.

В России, как отмечают участники рынка, синтетические данные переходят из раздела точечных экспериментов в плоскость встраивания в реальные бизнес-процессы. Директор консалтинговой компании «Яков и Партнеры» Марина Дорохова характеризует текущий этап как промежуточный: «Это уже не единичные кейсы, но и не массовый тренд. Активнее всего здесь действуют крупные технологические игроки и финансовый сектор». Примечательно, что спрос на синтетику в нашей стране начал формироваться относительно рано по мировым меркам. Это связано с объективными ограничениями: санкционное давление закрыло доступ ко многим зарубежным датасетам, а накопленного объема качественного русскоязычного контента в открытом интернете катастрофически не хватает для обучения современных гигантских моделей.

Ярким подтверждением этого тезиса служит опыт разработки модели GigaChat 3 Ultra от «Сбера». По словам Артема Егорова, при обучении этой нейросети было использовано около 14 триллионов токенов, из которых примерно 5,5 триллиона, или почти 40% корпуса, были синтетическими. «По оценкам «Сбера», это больше, чем доступно качественных русскоязычных текстов в открытом интернете», — подчеркивает эксперт. Этот факт переворачивает традиционное представление о том, что модели учатся только на том, что создано людьми: сегодня львиная доля знаний, передаваемых ИИ, уже порождена самим ИИ, и этот цикл замыкается, порождая новые возможности, но и новые вызовы для верификации и качества.

Интерес бизнеса к синтетическим данным не случаен и объясняется практическими требованиями. Во-первых, жесткие требования по защите персональных данных заставляют компании искать анонимизированные альтернативы. Во-вторых, наблюдается острый дефицит качественных размеченных выборок, а ручная разметка (аннотирование объектов на изображениях или присвоение категорий текстам) стоит огромных денег и занимает месяцы. В-третьих, синтетика незаменима для моделирования редких событий, которые невозможно воспроизвести в реальных условиях без риска для жизни или финансов. «Наиболее зрелый спрос — в финансовом секторе, здравоохранении и промышленности, и это не случайно: именно там пересекаются высокая чувствительность данных, жесткая регуляторика и потребность в больших объемах для обучения моделей», — поясняет Марина Дорохова.

Например, в финансовом секторе синтетические данные используются для стресс-тестирования банковских систем при моделировании экономических кризисов, которые в реальности случаются раз в десятилетие. В медицине синтетика помогает генерировать снимки редких патологий, чтобы нейросеть научилась их распознавать, даже если таких пациентов в клинике отродясь не было. В промышленности цифровые двойники и синтетические сценарии позволяют тестировать роботов и автоматизированные линии без остановки производства и риска поломок. Технология перестает быть чем-то далеким — она становится кровью и кислородом цифровой трансформации, и игнорировать ее сегодня означает заведомо проиграть гонку интеллектуальных решений.