Données synthétiques

Comment ça marche

On demande à un modèle de produire des données qui ressemblent aux vraies : des factures plausibles, des e-mails de clients fictifs, des comptes rendus inventés, des dossiers réalistes mais imaginaires. Le modèle s’appuie sur une description (le format, les règles, les cas à couvrir) et parfois sur des exemples réels anonymisés. Le résultat est un jeu de données qui a la forme, le vocabulaire et la variété du réel, sans en être.

Ces données servent partout où le réel est trop sensible, trop rare, ou pas encore disponible. On construit et on teste un outil sur du synthétique, puis on le valide sur du réel dans un bac à sable. On ajuste un modèle sur du synthétique quand les données réelles ne peuvent pas sortir. On forme les équipes sur des dossiers fictifs. Et on complète un jeu d’évaluation avec des cas rares que le réel ne fournit pas assez. Avec une limite : le synthétique est aussi bon que la description qui l’a produit.

Un exemple concret

1. Le problème : les réclamations réelles contiennent des données de santé. Impossible de les donner à un prestataire ni de les utiliser pour développer sans précautions lourdes.
2. La génération : à partir d’une description des dix types de réclamations, de leurs tournures typiques et des cas limites, un modèle produit 600 réclamations fictives, variées, avec des noms et des situations inventés.
3. Le développement : le prestataire construit et teste l’outil de tri sur ces 600 cas. L’outil atteint 94 % de bonnes classifications sur le synthétique.
4. La validation : en interne, dans un environnement isolé, l’outil est testé sur 200 réclamations réelles anonymisées. 88 %. Les écarts viennent de formulations réelles que le synthétique n’avait pas imaginées.
5. L’ajustement : 30 formulations réelles anonymisées sont ajoutées aux consignes. 93 % sur le réel. Mise en production.

Le synthétique a permis 80 % du travail sans exposer une seule donnée de santé. Le réel a fait les 20 % restants, chez la mutuelle.

Ce que ça change pour une équipe

• Les projets sensibles démarrent. Ce qui était bloqué par la confidentialité des données avance sur du synthétique.
• Les prestataires travaillent sans vos données. Le développement se fait dehors, la validation dedans.
• Les formations et les démonstrations sont sûres. Des dossiers réalistes, aucune personne réelle.
• Les cas rares se testent. Une fraude, une erreur, une situation exceptionnelle : générés en nombre, là où le réel n’en offre que trois par an.

Les limites et les erreurs fréquentes

• Valider uniquement sur du synthétique. L’outil marche sur ce que le modèle a imaginé, pas forcément sur ce que les clients écrivent. La validation finale est sur du réel.
• Un synthétique trop propre. Sans fautes, sans ambiguïtés, sans bizarreries. On demande explicitement du désordre.
• Oublier les biais du générateur. Le modèle reproduit ses propres régularités, et peut sous-représenter des situations. On relit la variété du jeu.
• Croire que c’est forcément anonyme. Généré à partir de données réelles, le synthétique peut en recopier des morceaux. On vérifie, surtout sur les cas rares.