실제 데이터를 기반으로 통계적 특성과 패턴을 모사해 인위적으로 생성한 데이터로, 개인정보 보호와 데이터 부족 문제를 해결하고 인공지능 모델 성능 향상에 활용된다. 자율주행 시뮬레이션, 의료·금융 데이터 분석 등 다양한 분야에서 활용되고 있으나, 데이터 품질과 편향 관리는 주요 과제로 지적되고 있다.
실제 데이터를 직접 수집하지 않고, 기존 데이터의 분포·구조·관계를 분석한 뒤 이를 모방하여 생성한 인공 데이터를 말한다. 이러한 데이터는 통계 모델이나 시뮬레이션 기법을 활용해 생성되거나, 생성적 적대 신경망(Generative Adversarial Network·GAN)과 같은 인공지능 기반 생성 모델을 통해 만들어지기도 한다.
대두 배경
합성데이터 개념은 개인정보 보호 규제가 강화되고 데이터 활용 수요가 증가하는 환경에서, 개인정보 보호와 데이터 부족 문제를 해결하고 데이터 다양성을 확보해 인공지능 모델의 성능을 향상시키기 위한 수단으로 주목받고 있다. 실제 개인정보를 포함한 데이터를 그대로 활용할 경우 법적·윤리적 제약이 따르지만, 합성데이터는 개인 식별 정보를 제거하거나 포함하지 않으면서도 유사한 분석 결과를 도출할 수 있어 데이터 활용과 보호를 동시에 달성할 수 있는 대안으로 평가되고 있다.
이와 함께 합성데이터는 현실에서 확보하기 어려운 데이터 부족 문제를 보완하는 데에도 활용된다. 예를 들어 자율주행 차량 개발에서는 다양한 교통 상황을 가상 환경에서 생성해 학습 데이터를 확보할 수 있으며, 의료 분야에서는 희귀 질환이나 특정 환자군 데이터 부족 문제를 보완하는 데 활용된다. 또한 금융 분야에서도 이상 거래 탐지나 신용평가 모델 개발을 위한 데이터 확충 수단으로 활용되고 있다.
구분
합성데이터는 생성 방식과 목적에 따라 부분 합성 데이터와 완전 합성 데이터로 구분되기도 한다. 부분 합성 데이터는 실제 데이터를 기반으로 하되 이름이나 주소 등 일부 민감 정보를 인공적으로 대체한 형태이며, 완전 합성 데이터는 실제 데이터를 직접 포함하지 않고 통계적 특성과 분포를 학습해 새로운 데이터를 생성한 것이다. 완전 합성 데이터의 경우 실제 개인정보를 포함하지 않는다는 점에서 상대적으로 보안성이 높은 것으로 평가된다.
한계
합성데이터는 실제 데이터의 편향이나 오류를 그대로 반영할 수 있으며, 생성 과정에서 품질이 낮을 경우 분석 결과의 신뢰성이 저하될 수 있다는 한계도 있다. 또한 합성데이터가 실제 데이터를 충분히 익명화하지 못할 경우 재식별 위험이 발생할 수 있어, 생성 방식의 투명성과 검증 체계 구축이 중요한 과제로 제기된다. 이에 따라 최근에는 각국 정부와 국제기구를 중심으로 합성데이터 활용 가이드라인과 표준화 논의가 진행되고 있으며, 데이터 경제 활성화와 인공지능 기술 발전을 위한 핵심 인프라로서 그 중요성이 확대되고 있다.
