Génération de données synthétiques

Nous produisons des données artificielles qui reproduisent la structure statistique de vos données réelles, sans reprendre aucun enregistrement individuel.

Un jeu de données déséquilibré fausse les analyses et les décisions qui en découlent. Quand une classe d’âge, un segment client ou un type de sinistre est sous-représenté, le modèle entraîné dessus se trompe sur cette population précise, et personne ne s’en aperçoit avant la mise en production. La génération synthétique corrige ce déséquilibre. Elle sert aussi à constituer des jeux de test, à partager des données entre équipes ou partenaires, et à augmenter un volume d’entraînement insuffisant.

NOS CONVICTIONS

Des données synthétiques mal évaluées coûtent plus cher que pas de données du tout. Un modèle entraîné sur une population qui n’existe pas produit des décisions qui paraissent fondées.

La plupart des évaluations se limitent à superposer des histogrammes. Une distribution marginale correcte ne dit rien des corrélations entre variables, ni de la distribution jointe, ni de l’utilité du jeu pour entraîner un modèle. Ces trois propriétés se dégradent indépendamment les unes des autres, et il faut donc les mesurer séparément.

Aucun modèle génératif ne gagne sur tous les axes. Un GAN conditionnel préserve bien les catégories et perd les corrélations. Un modèle de diffusion reproduit finement la distribution jointe pour un coût de calcul supérieur. Un VAE s’entraîne vite et lisse les queues de distribution. Le bon choix dépend de la structure de vos données et de l’usage que vous en ferez, ce qui interdit de présumer du gagnant avant de comparer.

L’anonymisation et la synthèse répondent enfin à deux questions différentes. L’anonymisation retire ou masque des informations dans des enregistrements réels. La génération synthétique crée des enregistrements qui n’ont jamais existé. Les deux réduisent le risque, à des endroits différents de la chaîne, et les confondre conduit à des arbitrages de conformité mal posés. Nous traitons ce sujet avec nos équipes Digital Integrity.

NOTRE PROPOSITION DE VALEUR

Notre proposition repose sur quatre leviers.

Qualifier le besoin avant de générer : Nous commençons par vérifier que la synthèse est la bonne réponse. Un déséquilibre se corrige parfois par un rééchantillonnage, une pondération ou une collecte ciblée, pour un coût très inférieur. Nous mesurons l’ampleur du déséquilibre, son effet sur les décisions concernées, et nous vous disons si le projet vaut d’être lancé.
Comparer plutôt que présumer : Notre outil interne synthetic-data-bench entraîne et compare seize modèles répartis en quatre familles : autoencodeurs variationnels, réseaux antagonistes génératifs, modèles de diffusion DDPM et modèles score-based. Chaque modèle est entraîné sur vos données, dans les mêmes conditions, avec la même graine aléatoire.
Mesurer sur six axes : Nous évaluons chaque jeu produit selon six critères indépendants, détaillés plus bas, puis nous les agrégeons en un score unique qui classe les seize modèles. Vous obtenez un classement chiffré, pas une recommandation d’expert.
Livrer un générateur, pas un fichier : Vous recevez le modèle retenu, son protocole d’évaluation et le rapport de benchmark. Vous pouvez régénérer des données quand vos données réelles évoluent, et vérifier la qualité du résultat avec les mêmes métriques.

CE QUE NOUS OPERONS

Rééquilibrage d’une population sous-représentée : Enquêtes de satisfaction, bases clients, historiques de sinistres : quand un segment pèse trop peu pour être analysé correctement, nous générons les observations manquantes en préservant les relations entre variables. C’est le cas d’usage sur lequel nous avons construit notre framework, à partir de données d’enquête où les répondants de 18 à 27 ans étaient nettement sous-représentés.
Jeux de test et environnements de développement : Vos équipes de développement travaillent souvent sur des extractions de production. Un jeu synthétique fournit des données réalistes sans exposer un seul client réel, ce qui simplifie les arbitrages de conformité et les accès.
Partage et mutualisation : Transmettre des données à un partenaire, un prestataire ou une équipe de recherche suppose des garanties. Un jeu synthétique conserve les propriétés statistiques utiles à l’analyse sans transmettre d’enregistrement individuel.
Augmentation d’un volume d’entraînement : Quand les données disponibles ne suffisent pas à entraîner un modèle, la synthèse complète le volume. Nous mesurons systématiquement si le gain est réel, par comparaison entre un modèle entraîné sur données réelles et un modèle entraîné sur données synthétiques.
Audit d’un générateur existant : Si vous produisez déjà des données synthétiques, nous appliquons notre cadre d’évaluation à votre générateur et vous disons où il tient et où il décroche.

NOTRE CADRE D’EVALUATION

Six mesures, chacune répondant à une question distincte.

Axe	Question posée	Métriques
Fidélité colonne par colonne	Chaque variable a-t-elle la bonne distribution ?	Total Variation Distance, test de Kolmogorov-Smirnov pour les variables continues
Fidélité par paires	Les liens entre variables sont-ils conservés ?	Écart entre matrices de corrélation de Pearson, V de Cramér pour les variables catégorielles
Distribution jointe	Le nuage synthétique couvre-t-il le nuage réel ?	β-Recall, Coverage, Density
Indiscernabilité	Un classifieur sait-il distinguer le vrai du synthétique ?	pMSE, régression logistique et Random Forest, validation croisée 5-fold
Utilité pour l’apprentissage	Un modèle entraîné sur le synthétique fonctionne-t-il sur le réel ?	TSTR comparé au TRTR, ratio d’utilité
Similarité des histogrammes	À quel point les distributions se superposent-elles ?	Somme des erreurs absolues

Chaque métrique a ses seuils d’interprétation. Une Total Variation Distance inférieure à 0,1 est excellente, au-delà de 0,2 elle demande correction. Un pMSE inférieur à 0,05 signifie qu’un classifieur ne fait pas mieux que le hasard, donc que les données sont indiscernables. Un ratio d’utilité supérieur à 0,95 indique que le jeu synthétique conserve la valeur prédictive du jeu réel.

Les six axes sont ensuite agrégés en un score composite, plus bas étant meilleur, qui pondère l’indiscernabilité à 30 %, la fidélité à 30 %, l’utilité ML à 20 %, la similarité des histogrammes et la distribution jointe à 10 % chacune. C’est ce score qui classe les seize modèles.

Nos limites, telles que nous les documentons. Le benchmark utilise les hyperparamètres par défaut de chaque modèle, sans optimisation fine. Les variables ordinales sont traitées comme catégorielles, ce qui perd l’information d’ordre. Les dépendances temporelles ne sont pas prises en compte. Et le cadre ne mesure pas encore le risque de ré-identification, que nous évaluons séparément lorsque le contexte l’exige.

NOTRE APPROCHE

Cadrer et décider si le projet vaut d’être mené : Nous mesurons le déséquilibre, identifions les décisions qu’il fausse et estimons le gain attendu. Si un rééchantillonnage suffit, nous vous le disons. Décision de poursuite à l’issue de cette phase.
Préparer les données et fixer le protocole : Nettoyage, imputation, séparation des variables d’entrée et des variables à générer, constitution des jeux d’entraînement et de test. Le protocole d’évaluation est arrêté avant toute génération, pour qu’aucun seuil ne soit ajusté après coup.
Entraîner et comparer : Les seize modèles sont entraînés dans des conditions identiques, puis évalués sur les six axes. Le rapport de benchmark présente le classement et le détail métrique par métrique.
Livrer et transmettre : Nous livrons le générateur retenu, le protocole d’évaluation et la documentation. Vos équipes peuvent régénérer et vérifier sans nous. Sur les projets qui vont jusqu’à la mise en production, nos équipes AI Solutions Engineering prennent le relais.

Chaque phase se termine par une décision de poursuite. Vous pouvez arrêter après le cadrage si le diagnostic ne justifie pas la suite.

PARLONS DE VOS DONNEES

Décrivez-nous le déséquilibre que vous constatez, ou la contrainte qui vous empêche de partager vos données. Nous vous dirons si la génération synthétique y répond, et ce qu’elle coûterait.