ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ແມ່ນຊຸດຂໍ້ມູນປອມທີ່ສ້າງຂຶ້ນໂດຍບໍ່ມີການນຳໃຊ້ຂໍ້ມູນສ່ວນບຸກຄົນຕົວຈິງເລີຍ, ແຕ່ສາມາດຈຳລອງຄຸນລັກສະນະທາງສະຖິຕິ ແລະ ຄວາມສຳພັນລະຫວ່າງຕົວແປຂອງຂໍ້ມູນຕົ້ນສະບັບໄດ້. ຈຸດເດັ່ນທີ່ສຳຄັນທີ່ສຸດຄື ການມີການກະຈາຍຕົວທີ່ແທ້ຈິງຈົນບໍ່ສາມາດແຍກອອກຈາກຂໍ້ມູນລູກຄ້າຕົວຈິງໄດ້, ໃນຂະນະທີ່ບໍ່ມີຂໍ້ມູນທີ່ເຊື່ອມໂຍງກັບບຸກຄົນໃດໜຶ່ງໂດຍສະເພາະ.

ຜູ້ອ່ານເປົ້າໝາຍຂອງບົດຄວາມນີ້ ແມ່ນຜູ້ຮັບຜິດຊອບ ແລະ ນັກວິທະຍາສາດຂໍ້ມູນ (Data Scientist) ທີ່ເຮັດວຽກດ້ານການພັດທະນາ ແລະ ດຳເນີນງານແບບຈຳລອງ AI ໃນສະຖາບັນການເງິນຈຸລະພາກ (MFI) ຫຼື ສະຖາບັນການເງິນຕ່າງໆ. ບົດຄວາມນີ້ມີຈຸດປະສົງສຳລັບຜູ້ທີ່ກຳລັງປະສົບກັບບັນຫາໃນການປະຕິບັດຕາມກົດລະບຽບຄວາມເປັນສ່ວນຕົວ ຫຼື ບັນຫາຂໍ້ມູນບໍ່ພຽງພໍ ໃນຂະນະທີ່ກຳລັງວາງແຜນສ້າງແບບຈຳລອງການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring).

ຫຼັງຈາກອ່ານບົດຄວາມນີ້ຈົບ, ທ່ານຈະເຂົ້າໃຈ 3 ປະເດັນດັ່ງຕໍ່ໄປນີ້:

ສະຫຼຸບ: ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ເປັນທາງເລືອກທີ່ມີປະສິດທິພາບສຳລັບການພັດທະນາ AI ທາງການເງິນ ເຊິ່ງສາມາດຕອບສະໜອງຕໍ່ກົດລະບຽບດ້ານຄວາມເປັນສ່ວນຕົວ ແລະ ແກ້ໄຂບັນຫາການຂາດແຄນຂໍ້ມູນໄດ້ໃນເວລາດຽວກັນ.

ໃນການພັດທະນາການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring), ຄວາມສ່ຽງທາງກົດໝາຍທີ່ກ່ຽວຂ້ອງກັບການໄດ້ມາ ແລະ ການນຳໃຊ້ຂໍ້ມູນຈິງ ລວມເຖິງຂໍ້ຈຳກັດດ້ານປະລິມານຂໍ້ມູນ ມັກຈະກາຍເປັນອຸປະສັກອັນໃຫຍ່ຫຼວງ. ຂໍ້ມູນສັງເຄາະໄດ້ຮັບຄວາມສົນໃຈໃນຖານະທີ່ສາມາດຜ່ອນຄາຍສອງສິ່ງທ້າທາຍນີ້ໄດ້ພ້ອມກັນ.

ໃນການພັດທະນາແບບຈຳລອງການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring Model), ຫຼາຍຄົນມັກຄິດວ່າ "ການໃຊ້ຂໍ້ມູນລູກຄ້າຕົວຈິງຈະຊ່ວຍເພີ່ມຄວາມແມ່ນຍຳໄດ້". ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ, ມີການລາຍງານກໍລະນີທີ່ການນຳໃຊ້ຂໍ້ມູນຕົວຈິງມາໃຊ້ໃນການຮຽນຮູ້ (Learning) ໂດຍກົງ ສົ່ງຜົນໃຫ້ເກີດການລະເມີດກົດລະບຽບ ແລະ ມີຄວາມສ່ຽງຕໍ່ການຮົ່ວໄຫຼຂອງຂໍ້ມູນ.

ຄວາມສ່ຽງຫຼັກທີ່ສະຖາບັນການເງິນຕ້ອງປະເຊີນເມື່ອຈັດການກັບຂໍ້ມູນຕົວຈິງ ມີດັ່ງນີ້:

• ຄວາມສ່ຽງໃນການລະບຸຕົວຕົນຄືນໃໝ່ (Re-identification risk): ເຖິງແມ່ນວ່າຈະລຶບຊື່ ຫຼື ເລກບັນຊີອອກແລ້ວ, ແຕ່ການປະສົມປະສານກັນຂອງອາຍຸ, ທີ່ຢູ່ອາໄສ ແລະ ປະຫວັດການເຮັດທຸລະກຳ ກໍອາດເຮັດໃຫ້ສາມາດລະບຸຕົວບຸກຄົນໄດ້.
• ຂໍ້ຈຳກັດທາງກົດລະບຽບ: GDPR (Regulation (EU) 2016/679) ຂໍ້ທີ 26 ໄດ້ກຳນົດວ່າ "ຂໍ້ມູນທີ່ຖືກເຮັດໃຫ້ບໍ່ສາມາດລະບຸຕົວຕົນໄດ້ (Anonymized data) ຈະບໍ່ຢູ່ໃນຂອບເຂດການບັງຄັບໃຊ້ຂອງ GDPR", ແຕ່ກໍມີຄວາມສ່ຽງທີ່ການເຮັດໃຫ້ບໍ່ສາມາດລະບຸຕົວຕົນໄດ້ຢ່າງບໍ່ສົມບູນນັ້ນ ອາດຈະບໍ່ຖືກຍົກເວັ້ນຈາກການປົກປ້ອງຂໍ້ມູນ.
• ການບໍລິຫານຄວາມສ່ຽງຂອງແບບຈຳລອງ (Model risk management): ໃນສະຫະລັດອາເມຣິກາ, SR 11-7 (Supervisory Guidance on Model Risk Management) ໄດ້ຮຽກຮ້ອງໃຫ້ມີການຈັດການ ແລະ ການກວດສອບຂໍ້ມູນທີ່ໃຊ້ໃນການຮຽນຮູ້ຢ່າງເໝາະສົມ, ເຊິ່ງການຂາດທາດາຕ້າກຳກັບດູແລ (Data governance) ທີ່ດີ ອາດກາຍເປັນອຸປະສັກຕໍ່ການອະນຸມັດແບບຈຳລອງໄດ້.
• ຕົ້ນທຶນໃນການເກັບກຳຂໍ້ມູນ: ສຳລັບ MFI (ສະຖາບັນການເງິນຈຸລະພາກ), ການຂໍຄວາມຍິນຍອມຈາກລູກຄ້າ ແລະ ການສ້າງສະພາບແວດລ້ອມໃນການຈັດເກັບຂໍ້ມູນທີ່ປອດໄພ ມັກຈະຕ້ອງໃຊ້ຕົ້ນທຶນ ແລະ ເວລາຢ່າງຫຼວງຫຼາຍ.

ໃນປະເທດຍີ່ປຸ່ນເອງ, ນັບຕັ້ງແຕ່ກົດໝາຍວ່າດ້ວຍການປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນສະບັບປັບປຸງມີຜົນບັງຄັບໃຊ້ຢ່າງເຕັມຮູບແບບ (30 ພຶດສະພາ 2017), ການໃຫ້ຂໍ້ມູນທີ່ໃຊ້ໃນການຮຽນຮູ້ແກ່ບຸກຄົນທີສາມທີ່ບໍ່ໄດ້ມາດຕະຖານຂໍ້ມູນທີ່ຜ່ານການປຸງແຕ່ງແບບບໍ່ລະບຸຕົວຕົນ (Anonymously processed information) ກໍຖືວ່າເປັນວັດຖຸທີ່ຖືກຄວບຄຸມ.

ເມື່ອພິຈາລະນາເຖິງຂໍ້ຈຳກັດເຫຼົ່ານີ້, ການພັດທະນາແບບຈຳລອງທີ່ອີງໃສ່ຂໍ້ມູນຕົວຈິງ ຈຶ່ງຕ້ອງແບກຮັບທັງຕົ້ນທຶນໃນການປະຕິບັດຕາມກົດລະບຽບ ແລະ ຄວາມສ່ຽງຕໍ່ການຮົ່ວໄຫຼຂອງຂໍ້ມູນໄປພ້ອມໆກັນ.

ສິ່ງທີ່ເປັນອຸປະສັກທຳອິດໃນການພັດທະນາແບບຈຳລອງການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring Model) ຄືບັນຫາການຂາດແຄນປະລິມານຂໍ້ມູນທີ່ໃຊ້ໃນການຮຽນຮູ້ ແລະ ບັນຫາຄວາມບໍ່ສົມດຸນຂອງຂໍ້ມູນ (Class Imbalance). ໃນ MFI, ຈຳນວນການປ່ອຍສິນເຊື່ອມີໜ້ອຍ, ໂດຍສະເພາະກໍລະນີການຜິດນັດຊຳລະໜີ້ທີ່ມີພຽງແຕ່ສອງສາມເປີເຊັນຂອງທັງໝົດເທົ່ານັ້ນ, ເຮັດໃຫ້ເກີດບັນຫາດ້ານໂຄງສ້າງທີ່ແບບຈຳລອງມີທ່າອ່ຽງຈະຕັດສິນໃຈໄປໃນທາງ "ຊຳລະໜີ້ປົກກະຕິ" ຫຼາຍກວ່າ.

ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ຈະເຂົ້າມາແກ້ໄຂບັນຫານີ້ດ້ວຍ 2 ແນວທາງດັ່ງນີ້:

• ການເສີມປະລິມານຂໍ້ມູນ: ເຖິງແມ່ນວ່າຂໍ້ມູນຈິງຈະມີພຽງແຕ່ຫຼັກຮ້ອຍ, ແຕ່ກໍສາມາດສ້າງຕົວຢ່າງສັງເຄາະທີ່ມີຄຸນລັກສະນະທາງສະຖິຕິຄົບຖ້ວນເພີ່ມຂຶ້ນໃນລະດັບຫຼັກພັນ ເພື່ອຮັບປະກັນປະລິມານຂໍ້ມູນທີ່ໃຊ້ໃນການຮຽນຮູ້ໃຫ້ແບບຈຳລອງສາມາດນຳໄປໃຊ້ງານໄດ້ຢ່າງກວ້າງຂວາງ (Generalization).
• ການເພີ່ມປະສິດທິພາບຂອງກຸ່ມຂໍ້ມູນສ່ວນໜ້ອຍ: ສາມາດປັບອັດຕາສ່ວນຂອງຂໍ້ມູນໄດ້ຢ່າງຕັ້ງໃຈ ໂດຍການສ້າງຂໍ້ມູນສັງເຄາະທີ່ເນັ້ນສະເພາະກໍລະນີການຜິດນັດຊຳລະໜີ້.

ສິ່ງທີ່ຄວນຈື່ໄວ້ເປັນຫຼັກໃນການຕັດສິນໃຈມີດັ່ງນີ້: ຖ້າມີຂໍ້ມູນຈິງໃນປະລິມານທີ່ພຽງພໍ ແລະ ບັນຫາຫຼັກຄືຄວາມບໍ່ສົມດຸນຂອງຂໍ້ມູນ, ການເພີ່ມຂໍ້ມູນສັງເຄາະສະເພາະກຸ່ມຂໍ້ມູນສ່ວນໜ້ອຍກໍອາດຈະພຽງພໍ. ໃນທາງກົງກັນຂ້າມ, ຖ້າຂໍ້ມູນຈິງມີໜ້ອຍຫຼາຍ, ການນຳໃຊ້ວິທີການເສີມປະລິມານຂໍ້ມູນໂດຍລວມຄວບຄູ່ໄປກັບການເພີ່ມຂໍ້ມູນສັງເຄາະໃນກຸ່ມຂໍ້ມູນສ່ວນໜ້ອຍຈະມີປະສິດທິຜົນຫຼາຍກວ່າ.

ຢ່າງໃດກໍຕາມ, ຖ້າຕົວຢ່າງທີ່ເພີ່ມຂຶ້ນດ້ວຍຂໍ້ມູນສັງເຄາະບໍ່ໄດ້ສະທ້ອນເຖິງການກະຈາຍຕົວຂອງຂໍ້ມູນຕົ້ນສະບັບຢ່າງຖືກຕ້ອງ, ຄວາມແມ່ນຍຳຂອງແບບຈຳລອງອາດຈະຫຼຸດລົງ. ດັ່ງນັ້ນ, ການກວດສອບຄຸນນະພາບຫຼັງຈາກການສ້າງຂໍ້ມູນຈຶ່ງເປັນເງື່ອນໄຂເບື້ອງຕົ້ນທີ່ຂາດບໍ່ໄດ້.

"ຂໍ້ມູນຜົນງານການພິຈາລະນາສິນເຊື່ອມີໜ້ອຍເກີນໄປ ຈົນເຮັດໃຫ້ການຮຽນຮູ້ຂອງແບບຈຳລອງ AI ບໍ່ຄືບໜ້າ" — ນີ້ຄືກຳແພງແຫ່ງຄວາມເປັນຈິງທີ່ເຈົ້າໜ້າທີ່ MFI ຫຼາຍຄົນຕ້ອງປະເຊີນໃນຕອນເລີ່ມຕົ້ນ. ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ຈະຊ່ວຍໃຫ້ເກີດຜົນປະໂຫຍດທີ່ເປັນຮູບປະທຳໃນທາງປະຕິບັດຕໍ່ກັບບັນຫານີ້ດັ່ງນີ້:

ການຫຼຸດຜ່ອນຕົ້ນທຶນໃນການປະຕິບັດຕາມກົດລະບຽບ ໃນກໍລະນີທີ່ນຳຂໍ້ມູນຈິງອອກໄປໃຫ້ຜູ້ໃຫ້ບໍລິການພາຍນອກ ຫຼື ນຳໄປໃຊ້ໃນສະພາບແວດລ້ອມການພັດທະນາ, ຈຳເປັນຕ້ອງມີການປະຕິບັດຕາມຂໍ້ກຳນົດການປົກປິດຊື່ (Pseudonymization) ຂອງ GDPR ແລະ ກົດລະບຽບການຈັດເກັບຂໍ້ມູນພາຍໃນປະເທດຂອງແຕ່ລະປະເທດ. ເນື່ອງຈາກຂໍ້ມູນສັງເຄາະບໍ່ມີຂໍ້ມູນທີ່ສາມາດລະບຸຕົວຕົນຂອງບຸກຄົນໄດ້ຕັ້ງແຕ່ຕົ້ນ, ຈຶ່ງມີແນວໂນ້ມທີ່ຈະຊ່ວຍຫຼຸດຜ່ອນຄວາມສ່ຽງທາງກົດໝາຍ ແລະ ຂັ້ນຕອນການກວດສອບໃນເວລາແບ່ງປັນຂໍ້ມູນໄດ້ຢ່າງຫຼວງຫຼາຍ.

ການເພີ່ມຈຳນວນກຸ່ມຂໍ້ມູນທີ່ມີໜ້ອຍ (ກໍລະນີຜິດນັດຊຳລະ) ໃນພອດໂຟລຽວສິນເຊື່ອຂອງ MFI, ມັກຈະພົບເຫັນກໍລະນີທີ່ຈຳນວນການຜິດນັດຊຳລະມີໜ້ອຍຫຼາຍເມື່ອທຽບກັບຈຳນວນການຊຳລະປົກກະຕິ. ການສ້າງຂໍ້ມູນສັງເຄາະເພື່ອເພີ່ມກໍລະນີການຜິດນັດຊຳລະຂຶ້ນມາແບບປອມໆ ຈະຊ່ວຍໃຫ້ແບບຈຳລອງສາມາດຮຽນຮູ້ຮູບແບບທີ່ຫາຍາກໄດ້ງ່າຍຂຶ້ນ.

ການຫຍໍ້ຮອບວຽນການພັດທະນາ ການເກັບກຳຂໍ້ມູນຈິງ, ການເຮັດໃຫ້ເປັນນາມມະທຳ (Anonymization) ແລະ ຂັ້ນຕອນການອະນຸມັດ ອາດຕ້ອງໃຊ້ເວລາຕັ້ງແຕ່ຫຼາຍອາທິດເຖິງຫຼາຍເດືອນ. ຖ້າຫາກນຳຂໍ້ມູນສັງເຄາະມາໃຊ້, ກໍສາມາດກຽມຊຸດຂໍ້ມູນທີ່ມີປະລິມານພຽງພໍໄດ້ຕັ້ງແຕ່ຂັ້ນຕອນການເຮັດຕົວແບບ (Prototype) ເຊິ່ງຈະຊ່ວຍໃຫ້ຮອບວຽນການກວດສອບແບບຈຳລອງໄວຂຶ້ນ.

ການເຮັດໃຫ້ການແບ່ງປັນຂໍ້ມູນລະຫວ່າງທີມງານມີຄວາມສະດວກສະບາຍ ເນື່ອງຈາກທີມງານວິທະຍາສາດຂໍ້ມູນ ແລະ ທີມງານພັດທະນາລະບົບສາມາດແບ່ງປັນຊຸດຂໍ້ມູນສັງເຄາະຊຸດດຽວກັນໄດ້ຢ່າງໝັ້ນໃຈ, ຈຶ່ງເຮັດໃຫ້ການແບ່ງແຍກວຽກງານເນື່ອງຈາກຂໍ້ຈຳກັດໃນການເຂົ້າເຖິງຂໍ້ມູນເກີດຂຶ້ນໄດ້ຍາກຂຶ້ນ.

ສະຫຼຸບ: ຄຸນນະພາບຂອງການສ້າງຂໍ້ມູນສັງເຄາະ (Synthetic Data) ແມ່ນຂຶ້ນຢູ່ກັບຂັ້ນຕອນການກຽມຄວາມພ້ອມກ່ອນເລີ່ມຕົ້ນເປັນຢ່າງຫຼາຍ. ການຈັດກຽມເງື່ອນໄຂເບື້ອງຕົ້ນ 3 ປະການ ຄື: ຄຸນນະພາບຂອງຂໍ້ມູນຕົ້ນສະບັບ, ຂໍ້ກຳນົດດ້ານຄວາມເປັນສ່ວນຕົວ, ແລະ ການເລືອກວິທີການສ້າງຂໍ້ມູນ ຈະນຳໄປສູ່ການຮັບປະກັນຄວາມໜ້າເຊື່ອຖືຂອງແບບຈຳລອງ.

ຄຸນນະພາບຂອງຂໍ້ມູນສັງເຄາະ (Synthetic Data) ແມ່ນຂຶ້ນກັບຄຸນນະພາບຂອງຂໍ້ມູນຕົ້ນສະບັບໂດຍກົງ. ຫຼາຍຄົນມັກຄິດວ່າ "ພຽງແຕ່ເອົາຂໍ້ມູນໃສ່ໃນເຄື່ອງມືສ້າງຂໍ້ມູນກໍໜ້າຈະໄດ້ຜົນ", ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ຫຼັກການ Garbage In, Garbage Out (ຂີ້ເຫຍື້ອເຂົ້າ, ຂີ້ເຫຍື້ອອອກ) ແມ່ນໃຊ້ໄດ້ຢ່າງເຂັ້ມງວດກັບຂໍ້ມູນສັງເຄາະເຊັ່ນກັນ. ຄວາມລະອຽດຂອງການກຽມຂໍ້ມູນເບື້ອງຕົ້ນ (Pre-processing) ຈະສົ່ງຜົນຕໍ່ປະສິດທິພາບຂອງຕົວແບບໃນຂະບວນການຕໍ່ໄປຢ່າງຫຼວງຫຼາຍ.

ສິ່ງທີ່ຄວນກວດສອບເປັນອັນດັບທຳອິດໃນການປະເມີນຄຸນນະພາບ ຄືການກະຈາຍຕົວຂອງຄ່າທີ່ຂາດຫາຍໄປ (Missing Values). ຖ້າບໍ່ແຍກໃຫ້ອອກວ່າເປັນການຂາດຫາຍແບບສຸ່ມ (MAR) ຫຼື ການຂາດຫາຍທີ່ອຽງໄປຫາຄຸນລັກສະນະໃດໜຶ່ງໂດຍສະເພາະ (MNAR), ເມື່ອສັງເຄາະຂໍ້ມູນໂດຍທີ່ຍັງມີ MNAR ຢູ່, ການກະຈາຍຕົວທີ່ບໍ່ສົມດູນນັ້ນກໍຈະຖືກສືບທອດຕໍ່ໄປ. ພ້ອມດຽວກັນນີ້, ຕ້ອງກຳຈັດຂໍ້ຜິດພາດໃນການປ້ອນຂໍ້ມູນ ຫຼື ຄ່າຜິດປົກກະຕິຊົ່ວຄາວທີ່ປົນຢູ່ໃນບັນທຶກການຊຳລະໜີ້ ຫຼື ຍອດເງິນທຸລະກຳອອກໄປກ່ອນລ່ວງໜ້າ ເພາະຕົວແບບສັງເຄາະຈະຮຽນຮູ້ຄ່າຜິດປົກກະຕິເຫຼົ່ານີ້ວ່າເປັນ "ຮູບແບບທີ່ຖືກຕ້ອງ". ບັນຫາສະເພາະຂອງການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring) ຄືຄວາມບໍ່ສົມດູນຂອງກຸ່ມຂໍ້ມູນ (Class Imbalance) ເຊິ່ງກໍລະນີຜິດນັດຊຳລະມີພຽງແຕ່ສອງສາມເປີເຊັນຂອງທັງໝົດ ເຊິ່ງມັກຈະຖືກມອງຂ້າມໄດ້ງ່າຍ. ຖ້າເລີ່ມສັງເຄາະຂໍ້ມູນໂດຍບໍ່ໄດ້ກຳນົດລະດັບຄວາມບໍ່ສົມດູນຢ່າງເປັນປະລິມານ, ຄວາມສາມາດໃນການສ້າງຂໍ້ມູນກຸ່ມນ້ອຍຄືນມາໃໝ່ຈະຫຼຸດລົງຢ່າງເຫັນໄດ້ຊັດ. ນອກຈາກນີ້, ການບັນທຶກໂຄງສ້າງຄວາມສຳພັນລະຫວ່າງຕົວປ່ຽນຕ່າງໆ ເຊັ່ນ: ລາຍໄດ້, ຍອດເງິນກູ້ຢືມຄົງຄ້າງ, ແລະ ປະຫວັດການຊຳລະໜີ້ ໄວ້ໃນຮູບແບບເມທຣິກຄວາມສຳພັນ (Correlation Matrix) ຈະສາມາດໃຊ້ເປັນຄ່າອ້າງອີງເພື່ອຢືນຢັນໄດ້ວ່າ "ໂຄງສ້າງບໍ່ໄດ້ຖືກທຳລາຍ" ຫຼັງຈາກການສັງເຄາະຂໍ້ມູນແລ້ວ.

ສິ່ງທີ່ຕ້ອງເຮັດຢ່າງລະອຽດໃນການກຽມຂໍ້ມູນເບື້ອງຕົ້ນ ຄືການເຮັດໃຫ້ຮູບແບບວັນທີ ຫຼື ໜ່ວຍເງິນຕາ (ເຊັ່ນ: ຄວາມແຕກຕ່າງໃນການຂຽນສະກຸນເງິນກີບລາວ (LAK)) ເປັນມາດຕະຖານດຽວກັນ, ການຕັດສິນໃຈນະໂຍບາຍການຕື່ມຂໍ້ມູນທີ່ຂາດຫາຍໄປສຳລັບແຕ່ລະຕົວປ່ຽນ (ວ່າຈະໃຊ້ຄ່າສະເລ່ຍ, ຄ່າມັດທະຍະຖານ, ຫຼື ແບບອີງຕາມຕົວແບບ ແມ່ນຂຶ້ນກັບລັກສະນະຂອງຕົວປ່ຽນນັ້ນໆ), ແລະ ການເລືອກວ່າຈະລຶບຄ່າຜິດປົກກະຕິອອກ ຫຼື ຈະປັບໃຫ້ຢູ່ໃນຂອບເຂດທີ່ກຳນົດ (Clipping) ໂດຍອີງຕາມກົດລະບຽບທາງທຸລະກິດ. ຖ້າປ່ອຍໃຫ້ການຕັດສິນໃຈເຫຼົ່ານີ້ບໍ່ຊັດເຈນ, ບັນຫາຈະບໍ່ປາກົດຂຶ້ນໃນຂັ້ນຕອນການສັງເຄາະຂໍ້ມູນ ແຕ່ຈະໄປສະແດງອອກໃນຮູບແບບຂອງປະສິດທິພາບທີ່ຫຼຸດລົງໂດຍບໍ່ຮູ້ສາເຫດໃນຂັ້ນຕອນການປະເມີນຕົວແບບຂັ້ນສຸດທ້າຍ.

ກ່ອນທີ່ຈະເລີ່ມຕົ້ນການສ້າງຂໍ້ມູນສັງເຄາະ (Synthetic Data), ມັນເປັນສິ່ງສຳຄັນທີ່ຈະຕ້ອງມີຄວາມຊັດເຈນກ່ຽວກັບລະດັບການປົກປ້ອງຄວາມເປັນສ່ວນຕົວທີ່ຈຳເປັນຕ້ອງໄດ້ຮັບການຕອບສະໜອງ. ຖ້າຫາກປ່ອຍໃຫ້ການກຳນົດຄວາມຕ້ອງການ (Requirement Definition) ໄວ້ພາຍຫຼັງ, ທ່ານອາດຈະມີຄວາມສ່ຽງທີ່ຈະຕ້ອງໄດ້ເຮັດວຽກໃໝ່ ຫຼັງຈາກທີ່ພົບວ່າຂໍ້ມູນທີ່ສ້າງຂຶ້ນນັ້ນ "ບໍ່ໄດ້ມາດຕະຖານຕາມຂໍ້ກຳນົດ".

ໃຫ້ຈື່ຈຳວິທີການປົກປ້ອງຫຼັກໆ 2 ຢ່າງດັ່ງນີ້:

• k-Anonymity (k-ການປິດບັງຕົວຕົນ): ແມ່ນວິທີການປຸງແຕ່ງຂໍ້ມູນເພື່ອໃຫ້ບັນທຶກທີ່ມີການປະສົມປະສານຂອງຄຸນລັກສະນະດຽວກັນມີຈຳນວນຕັ້ງແຕ່ k ລາຍການຂຶ້ນໄປ. ຖ້າ k=5, ມັນຈະຖືກປັບໃຫ້ການປະສົມປະສານຂອງອາຍຸ, ອາຊີບ ແລະ ພື້ນທີ່ສະເພາະໃດໜຶ່ງບໍ່ໃຫ້ມີໜ້ອຍກວ່າ 5 ລາຍການ. ວິທີນີ້ຈັດຕັ້ງປະຕິບັດໄດ້ຂ້ອນຂ້າງງ່າຍ ແລະ ເໝາະສົມສຳລັບການນຳໃຊ້ພາຍໃນຂອງສະຖາບັນການເງິນ.
• Differential Privacy (ຄວາມເປັນສ່ວນຕົວແບບແຕກຕ່າງ): ແມ່ນວິທີການທີ່ເຮັດໃຫ້ບໍ່ສາມາດຈຳແນກໄດ້ທາງສະຖິຕິວ່າຂໍ້ມູນຂອງບຸກຄົນໃດໜຶ່ງຖືກລວມຢູ່ໃນຊຸດຂໍ້ມູນນັ້ນຫຼືບໍ່ ໂດຍການເພີ່ມສຽງລົບກວນ (Noise) ເຂົ້າໄປ. ໃນ NIST SP 800-226 ໄດ້ກຳນົດວິທີການປະເມີນຜົນໂດຍໃຊ້ສຳປະສິດຄວາມເປັນສ່ວນຕົວ ε (epsilon), ເຊິ່ງຖ້າ ε ມີຄ່ານ້ອຍເທົ່າໃດ ຄວາມເຂັ້ມງວດໃນການປົກປ້ອງກໍຈະຍິ່ງສູງຂຶ້ນເທົ່ານັ້ນ.

ການເລືອກວິທີການປົກປ້ອງຈະຂຶ້ນຢູ່ກັບກໍລະນີການນຳໃຊ້ (Use Case). ຖ້າຫາກຄາດການວ່າຈະມີການສະໜອງຂໍ້ມູນສັງເຄາະໃຫ້ພາຍນອກ ຫຼື ແບ່ງປັນກັບສະຖາບັນຄົ້ນຄວ້າ, ວິທີ Differential Privacy ຈະເໝາະສົມກວ່າ, ສ່ວນໃນກໍລະນີທີ່ຈຳກັດການນຳໃຊ້ພຽງແຕ່ການຝຶກຝົນແບບຈຳລອງພາຍໃນບໍລິສັດ, ບາງຄັ້ງວິທີ k-Anonymity ກໍສາມາດຕອບສະໜອງໄດ້.

ນອກຈາກນີ້, ໃນ GDPR Recital 26 ໄດ້ລະບຸວ່າ "ຂໍ້ມູນທີ່ຖືກເຮັດໃຫ້ບໍ່ສາມາດລະບຸຕົວຕົນໄດ້ (Anonymized data) ຈະບໍ່ຢູ່ໃນຂອບເຂດການບັງຄັບໃຊ້ຂອງ GDPR". ແນວໃດກໍຕາມ, ຕ້ອງລະວັງວ່າເກນມາດຕະຖານຂອງ "ການເຮັດໃຫ້ບໍ່ສາມາດລະບຸຕົວຕົນໄດ້" ນັ້ນແມ່ນສູງຫຼາຍ, ແລະ ການເຮັດໃຫ້ເປັນນາມແຝງ (Pseudonymisation) ຈະບໍ່ຖືວ່າຢູ່ນອກຂອບເຂດການບັງຄັບໃຊ້.

ຄຳຖາມທີ່ວ່າ "ບໍ່ຮູ້ວ່າຄວນເລືອກວິທີການສ້າງແບບໃດ" ແມ່ນໜຶ່ງໃນອຸປະສັກທຳອິດທີ່ພົບໃນໜ້າວຽກການນຳໃຊ້ຂໍ້ມູນສັງເຄາະ (Synthetic Data). ເນື່ອງຈາກວິທີການແຕ່ລະຢ່າງມີເງື່ອນໄຂເບື້ອງຕົ້ນ ແລະ ຂອບເຂດຄວາມຖະໜັດທີ່ແຕກຕ່າງກັນ, ການຄັດເລືອກໂດຍອີງຕາມຄວາມຕ້ອງການຂອງໂຄງການຈຶ່ງເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້.

ວິທີການຫຼັກໆ ແລະ ເກນໃນການຄັດເລືອກມີດັ່ງນີ້:

• ແບບຈຳລອງທາງສະຖິຕິ (Copula, Bayesian Network, ແລະ ອື່ນໆ): ເຂົ້າກັນໄດ້ດີກັບຂໍ້ມູນທາງການເງິນໃນຮູບແບບຕາຕະລາງ ແລະ ມີຕົ້ນທຶນໃນການນຳໄປໃຊ້ງານຕໍ່າ. ເໝາະສົມສຳລັບໄລຍະເລີ່ມຕົ້ນຂອງ MFI ທີ່ມີຂໍ້ມູນໃນການຮຽນຮູ້ໜ້ອຍ.
• VAE (Variational Autoencoder): ງ່າຍຕໍ່ການຮອງຮັບຂໍ້ມູນທີ່ມີທັງຕົວແປຕໍ່ເນື່ອງ ແລະ ຕົວແປແບບບໍ່ຕໍ່ເນື່ອງປະສົມກັນ, ສາມາດສ້າງຕົວຢ່າງທີ່ຫຼາກຫຼາຍໄດ້ໂດຍການແຊກແຊງໃນພື້ນທີ່ແຝງ (Latent Space).
• GAN (Generative Adversarial Network): ໃນຂະນະທີ່ຄາດຫວັງຄວາມຊື່ສັດຂອງຂໍ້ມູນໄດ້ສູງ, ແຕ່ກໍມີແນວໂນ້ມທີ່ຈະເກີດຄວາມບໍ່ສະຖຽນໃນການຮຽນຮູ້ (Mode Collapse) ໄດ້ງ່າຍ ເຮັດໃຫ້ຕົ້ນທຶນໃນການປັບແຕ່ງ (Tuning) ສູງຂຶ້ນ.

ແກນຫຼັກໃນການຕັດສິນໃຈທີ່ຄວນກວດສອບໃນເວລາຄັດເລືອກມີ 3 ຢ່າງດັ່ງນີ້:

1. ຂະໜາດຂອງຂໍ້ມູນ: ໃນກໍລະນີທີ່ຂໍ້ມູນຕົ້ນສະບັບມີບໍ່ເຖິງພັນລາຍການ, ການຮຽນຮູ້ຂອງ GAN ຈະບໍ່ສະຖຽນໄດ້ງ່າຍ, ສະນັ້ນ ແບບຈຳລອງທາງສະຖິຕິ ຫຼື VAE ຈຶ່ງເປັນທາງເລືອກທີ່ເປັນໄປໄດ້ຫຼາຍກວ່າ.
2. ຄວາມຕ້ອງການດ້ານຄວາມເປັນສ່ວນຕົວ: ຖ້າຈຳເປັນຕ້ອງລວມເອົາ Differential Privacy (ການຕັ້ງຄ່າຄ່າ ε) ເຂົ້າໄປນຳ, ໃຫ້ບຸລິມະສິດວິທີການທີ່ມີຫ້ອງສະໝຸດ (Library) ຮອງຮັບ (ຕົວຢ່າງ: VAE / GAN ທີ່ສາມາດນຳໄປໃຊ້ຮ່ວມກັບ DP-SGD). NIST SP 800-226 ໄດ້ສະແດງແນວທາງການປະເມີນຄ່າສຳປະສິດຄວາມເປັນສ່ວນຕົວ ε ເຊິ່ງສາມາດນຳໄປໃຊ້ເປັນເອກະສານອ້າງອີງໃນການກຳນົດຄວາມຕ້ອງການໄດ້.

ສະຫຼຸບ: ການສ້າງຂໍ້ມູນສັງເຄາະ (Synthetic Data) ຈະດຳເນີນການຕາມ 3 ຂັ້ນຕອນ ຄື: "ວິເຄາະຂໍ້ມູນຕົ້ນສະບັບ → ເລືອກໂມເດວ → ກວດສອບຄຸນນະພາບ".

ຫຼັງຈາກທີ່ໄດ້ທຳຄວາມເຂົ້າໃຈກ່ຽວກັບຄຸນລັກສະນະທາງສະຖິຕິຂອງຂໍ້ມູນຕົ້ນສະບັບຢ່າງຖືກຕ້ອງແລ້ວ, ໃຫ້ເລືອກວິທີການທີ່ເໝາະສົມຈາກ GAN, VAE ຫຼື ໂມເດວທາງສະຖິຕິ, ແລະ ຫຼັງຈາກສ້າງຂໍ້ມູນແລ້ວ ໃຫ້ກວດສອບຄຸນນະພາບທັງໃນດ້ານຄວາມຖືກຕ້ອງ ແລະ ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ.

ວິທີການ "ເລີ່ມຕົ້ນໄປກ່ອນ" ໃນການສ້າງຂໍ້ມູນສັງເຄາະ (Synthetic Data) ມັກຈະປະສົບກັບຄວາມລົ້ມເຫຼວ, ໃນຄວາມເປັນຈິງແລ້ວ ການສຶກສາຄຸນລັກສະນະທາງສະຖິຕິຂອງຂໍ້ມູນຕົ້ນສະບັບຢ່າງລະອຽດກ່ອນທີ່ຈະກ້າວໄປສູ່ຂັ້ນຕອນການສ້າງ ຈະເຮັດໃຫ້ຄຸນນະພາບສຸດທ້າຍສູງຂຶ້ນຢ່າງເຫັນໄດ້ຊັດ.

ຕໍ່ໄປນີ້ແມ່ນລາຍການທີ່ຄວນກວດສອບກ່ອນ:

• ຮູບແບບການກະຈາຍຕົວຂອງຕົວແປ (Variable distribution): ກວດສອບວ່າຕົວແປຕໍ່ເນື່ອງ (ຍອດເງິນກູ້ຄົງຄ້າງ, ຈຳນວນເງິນຜ່ອນຕໍ່ເດືອນ, ແລະ ອື່ນໆ) ເປັນການແຈກຢາຍແບບປົກກະຕິ (Normal distribution) ຫຼື ການແຈກຢາຍແບບເບ້ (Skewed distribution) ແລະ ລວມຍອດຄວາມຖີ່ຂອງຄລາສສຳລັບຕົວແປປະເພດ (ໝວດອາຊີບ, ປະເພດຫຼັກຊັບຄ້ຳປະກັນ, ແລະ ອື່ນໆ).
• ຮູບແບບຂໍ້ມູນທີ່ຂາດຫາຍໄປ (Missing patterns): ການອອກແບບຕົວແບບການສ້າງຂໍ້ມູນຈະປ່ຽນໄປຕາມລັກສະນະຂອງຂໍ້ມູນທີ່ຂາດຫາຍໄປວ່າເປັນແບບສຸ່ມສົມບູນ (MCAR) ຫຼື ເປັນການຂາດຫາຍທີ່ອຽງໄປຫາຄຸນລັກສະນະສະເພາະ (MAR/MNAR).
• ໂຄງສ້າງຄວາມສຳພັນລະຫວ່າງຕົວແປ (Correlation structure): ເຮັດໃຫ້ຄວາມສຳພັນລະຫວ່າງຕົວເລກ ແລະ ຕົວແປປະເພດເຫັນພາບໄດ້ຊັດເຈນໂດຍໃຊ້ Spearman correlation ຫຼື Cramer's V.
• ລະດັບຄວາມບໍ່ສົມດຸນຂອງຄລາສ (Class imbalance): ໃນຂໍ້ມູນ MFI ທີ່ມີອັດຕາການຜິດນັດຊຳລະໜີ້ຕ່ຳ, ຕ້ອງກວດສອບອັດຕາສ່ວນ ແລະ ຈຳນວນຂອງຄລາສສ່ວນນ້ອຍໃຫ້ແນ່ນອນ.
• ຄວາມຂຶ້ນຕໍ່ກັນຂອງອະນຸກົມເວລາ (Time-series dependency): ສຳລັບຕົວແປທີ່ມີແກນເວລາເຊັ່ນ: ປະຫວັດການຊຳລະໜີ້, ໃຫ້ບັນທຶກຄວາມສຳພັນແບບ Lag correlation ແລະ ແນວໂນ້ມ (Trend) ໄວ້ດ້ວຍ.

ການສ້າງ "ໃບຂໍ້ມູນໂປຣໄຟລ໌ (Data profile sheet)" ທີ່ລວມເອົາຂໍ້ມູນເຫຼົ່ານີ້ໄວ້ ຈະເຮັດໜ້າທີ່ເປັນມາດຖານໃນການຕັດສິນໃຈເມື່ອເລືອກຕົວແບບການສ້າງຂໍ້ມູນໃນຂັ້ນຕອນທີ 2.

ສິ່ງທີ່ຄວນລະວັງເປັນພິເສດຄື ການຈັດການກັບໂຄງສ້າງຄວາມສຳພັນ. ຖ້າຫາກຈັດການຕົວແປແບບອິດສະຫຼະ ແລະ ພະຍາຍາມສ້າງການກະຈາຍຕົວແຍກກັນ, ຂໍ້ມູນທີ່ສ້າງຂຶ້ນມັກຈະກາຍເປັນຕົວຢ່າງທີ່ບິດເບືອນ ເຊິ່ງບໍ່ສະທ້ອນເຖິງເຫດຜົນການຕັດສິນໃຈໃຫ້ກູ້ຢືມຕົວຈິງ. ການໃຊ້ Pair plot ຫຼື Correlation matrix ເພື່ອລວມລາຍການຄູ່ຕົວແປທີ່ມີຄວາມສຳພັນກັນຢ່າງແໜ້ນແຟ້ນໄວ້ລ່ວງໜ້າ ແມ່ນມີຄວາມສຳຄັນຫຼາຍ.

ສຸດທ້າຍ, ໃນກໍລະນີທີ່ຈຳນວນຂໍ້ມູນຕົ້ນສະບັບມີໜ້ອຍ, ຄວາມຖືກຕ້ອງໃນການຄາດຄະເນຄຸນລັກສະນະທາງສະຖິຕິເອງກໍຈະຕ່ຳລົງ, ດັ່ງນັ້ນການບັນທຶກ "ຄວາມບໍ່ແນ່ນອນຂອງການຄາດຄະເນ (Estimation uncertainty)" ໄວ້ດ້ວຍ ຈະເປັນປະໂຫຍດໃນການປະເມີນຄຸນນະພາບຫຼັງຈາກການສ້າງຂໍ້ມູນ.

ການເລືອກວິທີການສ້າງຂໍ້ມູນແມ່ນຂຶ້ນກັບຂະໜາດ ແລະ ຄຸນລັກສະນະຂອງຂໍ້ມູນທີ່ມີຢູ່. ໂດຍແບ່ງອອກເປັນ 3 ລະບົບຫຼັກ ຄື: GAN, VAE ແລະ ແບບຈຳລອງທາງສະຖິຕິ.

GAN (Generative Adversarial Networks) ແມ່ນການທີ່ Generator ແລະ Discriminator ແຂ່ງຂັນກັນໃນການຮຽນຮູ້ ເພື່ອສ້າງຕົວຢ່າງທີ່ໃກ້ຄຽງກັບການກະຈາຍຕົວຂອງຂໍ້ມູນຕົ້ນສະບັບ. ສຳລັບຂໍ້ມູນທາງການເງິນໃນຮູບແບບຕາຕະລາງ, CTGAN ແລະ TVAE ແມ່ນມີຜົນງານທີ່ໄດ້ຮັບການຍອມຮັບ. VAE (Variational Autoencoder) ມີໂຄງສ້າງໃນການບີບອັດ ແລະ ກູ້ຄືນຂໍ້ມູນໄປສູ່ພື້ນທີ່ແຝງ (Latent space) ເຮັດໃຫ້ສາມາດສ້າງການກະຈາຍຕົວຂອງຂໍ້ມູນທີ່ຕໍ່ເນື່ອງໄດ້ຢ່າງລຽບງ່າຍ, ຈຶ່ງຖືວ່າມີຄວາມເໝາະສົມກັບຂໍ້ມູນການໃຫ້ຄະແນນສິນເຊື່ອທີ່ມີຄ່າທີ່ຂາດຫາຍໄປຫຼາຍ. ແບບຈຳລອງທາງສະຖິຕິ (Copula, Bayesian Network ແລະ ອື່ນໆ) ແມ່ນວິທີການສ້າງແບບຈຳລອງໂຄງສ້າງການເພິ່ງພາອາໄສກັນລະຫວ່າງຕົວແປຢ່າງຈະແຈ້ງ, ເຊິ່ງມີຄວາມສາມາດໃນການຕີຄວາມໝາຍສູງ ແລະ ເໝາະສົມກັບ MFI ທີ່ຕ້ອງການເອກະສານອະທິບາຍເພື່ອຕອບສະໜອງຕໍ່ກົດລະບຽບ.

ການຈະເລືອກວິທີໃດນັ້ນ ແມ່ນຂຶ້ນກັບປະລິມານຂໍ້ມູນ ແລະ ສະພາບແວດລ້ອມ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທີ່ຕັດສິນ. ຖ້າມີຕົວຢ່າງການຮຽນຮູ້ຫຼາຍກວ່າໝື່ນລາຍການ ແລະ ມີສະພາບແວດລ້ອມ GPU ທີ່ພ້ອມ, ລະບົບ GAN ຈະສະແດງໃຫ້ເຫັນເຖິງຄວາມຊື່ສັດຂອງຂໍ້ມູນໄດ້ດີກວ່າ, ແຕ່ຖ້າມີຂໍ້ມູນບໍ່ເຖິງພັນລາຍການ ແລະ ໃຫ້ຄວາມສຳຄັນກັບຄວາມສາມາດໃນການຕີຄວາມໝາຍ, ແບບຈຳລອງທາງສະຖິຕິເຊັ່ນ Copula ຈະໃຫ້ຜົນລັດທີ່ໝັ້ນຄົງກວ່າ.

ໃນດ້ານການນຳໄປໃຊ້ງານ, ຫ້ອງສະໝຸດ Python ຢ່າງ SDV (Synthetic Data Vault) ຫຼື Gretel.ai ສະບັບ Open Source ໄດ້ໃຫ້ບໍລິການ CTGAN, TVAE ແລະ GaussianCopula ແບບຄົບວົງຈອນໃນບ່ອນດຽວ, ເຊິ່ງເປັນທາງເລືອກທີ່ງ່າຍຕໍ່ການນຳມາໃຊ້ງານສຳລັບທີມຂະໜາດນ້ອຍເຊັ່ນ MFI.

"ຂໍ້ມູນສັງເຄາະທີ່ສ້າງຂຶ້ນມາສາມາດນຳໃຊ້ໄດ້ແທ້ຫຼືບໍ່, ຈະມີວິທີກວດສອບແນວໃດ?" —— ໃນການເຮັດວຽກຕົວຈິງ, ຫຼາຍຄົນມັກຈະພົບກັບຄຳຖາມນີ້ຢູ່ເລື້ອຍໆ. ການກວດສອບຄຸນນະພາບໂດຍພື້ນຖານແລ້ວຈະດຳເນີນການຜ່ານ 3 ແກນຫຼັກ ຄື: ຄວາມຊັດເຈນ (Fidelity), ຄວາມຫຼາກຫຼາຍ (Diversity) ແລະ ຄວາມເປັນສ່ວນຕົວ (Privacy).

ການກວດສອບຄວາມຊັດເຈນ (Fidelity)

ກວດສອບວ່າຄຸນລັກສະນະທາງສະຖິຕິຂອງຂໍ້ມູນຕົ້ນສະບັບ ແລະ ຂໍ້ມູນສັງເຄາະມີຄວາມສອດຄ່ອງກັນຫຼືບໍ່.

• ປຽບທຽບຄ່າສະເລ່ຍ (Mean), ຄ່າຜັນຜວນ (Variance) ແລະ ຄ່າຄວາມເບ້ (Skewness) ຂອງແຕ່ລະຄຸນລັກສະນະ.
• ປະເມີນຄວາມແຕກຕ່າງຂອງການກະຈາຍຕົວຂອງຂໍ້ມູນໂດຍໃຊ້ Kolmogorov–Smirnov test ຫຼື Jensen–Shannon divergence.
• ວາງຕາຕະລາງຄວາມສຳພັນ (Correlation matrix) ລະຫວ່າງຄຸນລັກສະນະຕ່າງໆ ເພື່ອກວດສອບດ້ວຍສາຍຕາວ່າໂຄງສ້າງຄວາມສຳພັນຖືກນຳມາສ້າງໃໝ່ໄດ້ຢ່າງຖືກຕ້ອງຫຼືບໍ່.

ການກວດສອບຄວາມຫຼາກຫຼາຍ (Diversity)

ກວດສອບວ່າຂໍ້ມູນສັງເຄາະສາມາດກວມເອົາກຸ່ມຂໍ້ມູນຍ່ອຍ (Minority class) ຫຼື ຄ່າທີ່ຜິດປົກກະຕິ (Outliers) ຂອງຂໍ້ມູນຕົ້ນສະບັບໄດ້ຢ່າງເໝາະສົມຫຼືບໍ່.

• ກວດສອບວ່າອັດຕາສ່ວນຕົວຢ່າງຂອງກໍລະນີເລີ່ມຕົ້ນ (Minority class) ເປັນໄປຕາມຄ່າເປົ້າໝາຍທີ່ກຳນົດໄວ້ຫຼືບໍ່.
• ເຮັດໃຫ້ການກະຈາຍຕົວຂອງຂໍ້ມູນຕົ້ນສະບັບ ແລະ ຂໍ້ມູນສັງເຄາະເຫັນພາບໄດ້ຊັດເຈນຂຶ້ນ ໂດຍການຫຼຸດມິຕິຂອງຂໍ້ມູນ (Dimensionality reduction) ເຊັ່ນ: t-SNE ຫຼື UMAP.
• ປະເມີນແບບຈຳລອງທີ່ຝຶກສອນດ້ວຍຂໍ້ມູນສັງເຄາະໂດຍໃຊ້ຂໍ້ມູນຈິງ, ແລ້ວກວດສອບວ່າຄ່າ AUC ທີ່ແຕກຕ່າງກັນນັ້ນຢູ່ໃນຂອບເຂດທີ່ຍອມຮັບໄດ້ຫຼືບໍ່ (Train on Synthetic, Test on Real).

ການກວດສອບຄວາມເປັນສ່ວນຕົວ (Privacy)

NIST SP 800-226 ແນະນຳໃຫ້ມີການປະເມີນປະລິມານຂອງຄ່າສຳປະສິດຄວາມເປັນສ່ວນຕົວ ε (epsilon) ເມື່ອປະເມີນການຮັບປະກັນດ້ານ Differential Privacy. ກະລຸນາກວດສອບຄວາມສ່ຽງໂດຍອີງຕາມມຸມມອງດັ່ງຕໍ່ໄປນີ້:

ສະຫຼຸບ: ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ບໍ່ແມ່ນສ້າງຂຶ້ນແລ້ວຈົບໄປ ແຕ່ການປະສົມປະສານກັບຂໍ້ມູນຈິງ ແລະ ການເລືອກຮູບແບບ (Model) ທີ່ເໝາະສົມ ແມ່ນປັດໄຈທີ່ຕັດສິນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໃນຂັ້ນສຸດທ້າຍ.

ໃນການຝຶກສອນຮູບແບບການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring Model) ໂດຍໃຊ້ຂໍ້ມູນສັງເຄາະ, ການອອກແບບຄຸນລັກສະນະ (Feature Engineering), ອັດຕາສ່ວນການປະສົມຂໍ້ມູນ ແລະ ການເລືອກອະລະກໍຣິດ (Algorithm) ແມ່ນສາມປັດໄຈທີ່ເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ. ຂໍອະທິບາຍແຕ່ລະຂັ້ນຕອນຕາມລຳດັບດັ່ງນີ້.

ຫຼາຍຄົນມັກຄິດວ່າການນຳເອົາຂໍ້ມູນສັງເຄາະ (Synthetic data) ໃສ່ເຂົ້າໃນໂມເດວໂດຍກົງຈະຊ່ວຍເພີ່ມຄວາມແມ່ນຍຳໄດ້, ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ການຈັດລະບຽບວິທີການນຳໃຊ້ຂໍ້ມູນສັງເຄາະຕັ້ງແຕ່ຂັ້ນຕອນການອອກແບບ Feature ຈະມີປະສິດທິຜົນຫຼາຍກວ່າ. ເຖິງແມ່ນວ່າຂໍ້ມູນທີ່ສ້າງຂຶ້ນຈະສາມາດຈຳລອງການກະຈາຍຕົວຂອງຂໍ້ມູນເດີມໄດ້ຢ່າງຖືກຕ້ອງ, ແຕ່ຖ້າຫາກເປັນການປະສົມປະສານທີ່ລະເລີຍຄວາມໝາຍຂອງ Feature ກໍມີແນວໂນ້ມທີ່ປະສິດທິພາບໃນການນຳໃຊ້ກັບຂໍ້ມູນໃໝ່ (Generalization performance) ຂອງໂມເດວຈະບໍ່ເພີ່ມຂຶ້ນ.

ຂັ້ນຕອນພື້ນຖານໃນການເຮັດ Feature Engineering ມີດັ່ງນີ້:

• ກຳນົດ Feature ຈາກຂໍ້ມູນຕົ້ນສະບັບ: Feature ທີ່ກ່ຽວຂ້ອງກັບຄວາມສ່ຽງດ້ານສິນເຊື່ອ ເຊັ່ນ: ຈຳນວນຄັ້ງທີ່ຊຳລະຊ້າ, ອັດຕາສ່ວນໜີ້ສິນຕໍ່ລາຍໄດ້ (DTI), ຄວາມຖີ່ໃນການເຮັດທຸລະກຳ ແລະ ອື່ນໆ ຄວນຖືກສະກັດອອກມາຈາກຂໍ້ມູນຈິງກ່ອນ.
• ຂະຫຍາຍພື້ນທີ່ຂອງ Feature ດ້ວຍຂໍ້ມູນສັງເຄາະ: ນຳໃຊ້ຂໍ້ມູນສັງເຄາະເພື່ອເສີມຂໍ້ມູນໃນຮູບແບບທີ່ຫາຍາກ ເຊິ່ງຂໍ້ມູນຈິງບໍ່ສາມາດກວມເອົາໄດ້ (ຕົວຢ່າງ: ກໍລະນີທີ່ມີການຂໍສິນເຊື່ອຫຼາຍແຫ່ງພາຍໃນໄລຍະເວລາສັ້ນໆ) ເພື່ອເພີ່ມກໍລະນີຕົວຢ່າງໃຫ້ໂມເດວສາມາດຮຽນຮູ້ໄດ້.
• ປັບມາດຕະຖານ (Scaling) ແລະ ການແປງຂໍ້ມູນ (Transformation) ໃຫ້ເປັນເອກະພາບ: ຖ້າບໍ່ນຳໃຊ້ຂະບວນການ ຫຼື Pipeline ໃນການກຽມຂໍ້ມູນແບບດຽວກັນ (ເຊັ່ນ: ການເຮັດ Normalization ຫຼື Log transformation) ທັງກັບຂໍ້ມູນຈິງ ແລະ ຂໍ້ມູນສັງເຄາະ, ຄວາມແຕກຕ່າງຂອງການກະຈາຍຕົວຂອງຂໍ້ມູນຈະສົ່ງຜົນກະທົບທາງລົບຕໍ່ໂມເດວ.
• ລະມັດລະວັງໃນການເຮັດ Encoding ຕົວແປປະເພດ Category: ສຳລັບຕົວແປປະເພດ Category ເຊັ່ນ: ປະເພດອາຊີບ ຫຼື ລະຫັດພື້ນທີ່, ຄວນກວດສອບໃຫ້ແນ່ໃຈວ່າຂໍ້ມູນສັງເຄາະໄດ້ສືບທອດການກະຈາຍຕົວຂອງຄວາມຖີ່ເດີມກ່ອນທີ່ຈະດຳເນີນການ Encoding.

ໃນບໍລິບົດຂອງ MFI, ການນຳໃຊ້ຂໍ້ມູນທາງເລືອກ (Alternative data) ເຊັ່ນ: ປະຫວັດການຊຳລະຄ່າໂທລະສັບມືຖື, ບັນທຶກການຊຳລະສິນເຊື່ອແບບກຸ່ມ ແລະ ອື່ນໆ ຂອງລູກຄ້າທີ່ບໍ່ມີບັນຊີທະນາຄານຢ່າງເປັນທາງການ ມາປະກອບເປັນ Feature ນັ້ນມີຈຳນວນເພີ່ມຂຶ້ນ. Feature ທາງເລືອກເຫຼົ່ານີ້ເປັນຂົງເຂດທີ່ມີປະສິດທິຜົນສູງໃນການນຳໃຊ້ຂໍ້ມູນສັງເຄາະມາເສີມ ເນື່ອງຈາກຈຳນວນຕົວຢ່າງໃນຂໍ້ມູນຈິງມີຈຳກັດ.

ອັດຕາສ່ວນໃນການປະສົມຂໍ້ມູນສັງເຄາະ (Synthetic Data) ແມ່ນການຕັດສິນໃຈດ້ານການອອກແບບທີ່ສຳຄັນ ເຊິ່ງສົ່ງຜົນຕໍ່ປະສິດທິພາບການທົ່ວໄປ (Generalization Performance) ຂອງໂມເດວ.

ໃນກໍລະນີທີ່ມີຂໍ້ມູນຈິງຢ່າງພຽງພໍ, ການກຳນົດອັດຕາສ່ວນຂອງຂໍ້ມູນສັງເຄາະໃຫ້ຢູ່ໃນລະດັບທີ່ຂ້ອນຂ້າງຕໍ່າ ແລະ ຈຳກັດໄວ້ພຽງແຕ່ການຕື່ມເຕັມການກະຈາຍຂອງຂໍ້ມູນ (Distribution) ຖືເປັນຈຸດເລີ່ມຕົ້ນທີ່ໝັ້ນຄົງ. ໃນທາງກົງກັນຂ້າມ, ໃນໄລຍະເລີ່ມຕົ້ນທີ່ຂໍ້ມູນຈິງມີໜ້ອຍຫຼາຍ ຫຼື ໃນສະຖານະການທີ່ຂໍ້ມູນບໍ່ສົມດຸນ (Class Imbalance) ເຊິ່ງກໍລະນີຕົວຢ່າງທີ່ເປັນຄ່າເລີ່ມຕົ້ນ (Default) ມີໜ້ອຍ, ການເພີ່ມອັດຕາສ່ວນຂອງຂໍ້ມູນສັງເຄາະໃຫ້ສູງຂຶ້ນເພື່ອປັບຄວາມສົມດຸນຂອງ Class ແມ່ນວິທີການທີ່ມີປະສິດທິຜົນ.

ຂັ້ນຕອນການປະຕິບັດໃນການກຳນົດອັດຕາສ່ວນມີດັ່ງນີ້:

• ການກວດສອບ Baseline: ຝຶກຝົນໂມເດວໂດຍໃຊ້ພຽງຂໍ້ມູນຈິງ ແລະ ບັນທຶກຄ່າ AUC ແລະ KS Statistics.
• ການປະສົມແບບເປັນຂັ້ນຕອນ: ເພີ່ມຂໍ້ມູນສັງເຄາະເຂົ້າໄປເທື່ອລະຂັ້ນຕອນ ພ້ອມກັບວັດແທກຕົວຊີ້ວັດດັ່ງກ່າວຄືນໃໝ່.
• ການກວດຫາຄວາມເສື່ອມຖອຍ: ປຽບທຽບກັບ Baseline ທີ່ໃຊ້ພຽງຂໍ້ມູນຈິງ ແລະ ບັນທຶກອັດຕາສ່ວນທີ່ຄ່າ AUC ເລີ່ມຫຼຸດລົງໄວ້ເປັນ "ຂີດຈຳກັດສູງສຸດ".
• ການຕິດຕາມ Drift ດ້ວຍ PSI: ຫຼັງຈາກນຳໄປໃຊ້ກັບຂໍ້ມູນຈິງ (Production Data), ໃຫ້ຕິດຕາມການບ່ຽງເບນຂອງການກະຈາຍຂໍ້ມູນຢ່າງຕໍ່ເນື່ອງດ້ວຍ Population Stability Index (PSI).

ຂໍ້ຄວນລະວັງຄື ຍິ່ງເພີ່ມອັດຕາສ່ວນຂອງຂໍ້ມູນສັງເຄາະຫຼາຍເທົ່າໃດ, ໂມເດວຈະຍິ່ງຮຽນຮູ້ "ການກະຈາຍຂອງຂໍ້ມູນສັງເຄາະ" ໄດ້ງ່າຍຂຶ້ນ ເຊິ່ງຈະມີຄວາມສ່ຽງທີ່ເຮັດໃຫ້ເກີດຄວາມແຕກຕ່າງຈາກການກະຈາຍຂອງຜູ້ສະໝັກຕົວຈິງ. ດ້ວຍເຫດນີ້, ການຕັດສິນໃຈຂັ້ນສຸດທ້າຍກ່ຽວກັບອັດຕາສ່ວນການປະສົມ ຈຶ່ງມີເງື່ອນໄຂເບື້ອງຕົ້ນວ່າຊຸດຂໍ້ມູນທີ່ໃຊ້ໃນການກວດສອບ (Validation Set) ຈະຕ້ອງປະກອບດ້ວຍ ຂໍ້ມູນຈິງເທົ່ານັ້ນ. ການນຳຂໍ້ມູນສັງເຄາະເຂົ້າໄປປະສົມໃນຊຸດຂໍ້ມູນກວດສອບຈະນຳໄປສູ່ການປະເມີນຜົນທີ່ສູງເກີນຄວາມເປັນຈິງ, ດັ່ງນັ້ນ ຄວນແຍກແຫຼ່ງຂໍ້ມູນລະຫວ່າງຊຸດຂໍ້ມູນທີ່ໃຊ້ຝຶກຝົນ (Training Set) ແລະ ຊຸດຂໍ້ມູນກວດສອບອອກຈາກກັນຢ່າງເຂັ້ມງວດ.

ອັດຕາສ່ວນການປະສົມບໍ່ແມ່ນຄ່າຄົງທີ່, ແຕ່ຈຳເປັນຕ້ອງມີການທົບທວນຄືນຢ່າງສະໝໍ່າສະເໝີຕາມສະຖານະການສະສົມຂອງຂໍ້ມູນ.

ຄຳຖາມທີ່ວ່າ "ຖ້າຈະຝຶກຝົນດ້ວຍຂໍ້ມູນສັງເຄາະ (Synthetic Data) ຄວນເລືອກໂມເດວໃດຈຶ່ງຈະສາມາດນຳໄປໃຊ້ງານຈິງໄດ້?" ແມ່ນອຸປະສັກທຳອິດທີ່ຕ້ອງພົບໃນໄລຍະການຈັດຕັ້ງປະຕິບັດ.

ຫຼັກການຕັດສິນໃຈພື້ນຖານໃນການເລືອກໂມເດວແມ່ນ ຄວາມສົມດຸນລະຫວ່າງ 3 ປັດໄຈ: ຄວາມສາມາດໃນການຕີຄວາມໝາຍ (Interpretability), ຄວາມແມ່ນຍຳ (Accuracy), ແລະ ປະລິມານຂໍ້ມູນ (Data Volume).

Logistic Regression ມີຂໍ້ດີຄືຄ່າສຳປະສິດ (Coefficient) ສະແດງເຖິງລະດັບອິດທິພົນຂອງແຕ່ລະຕົວແປໄດ້ໂດຍກົງ, ເຮັດໃຫ້ງ່າຍຕໍ່ການອະທິບາຍໃຫ້ພະນັກງານສິນເຊື່ອ ຫຼື ໜ່ວຍງານກຳກັບດູແລເຂົ້າໃຈ. ນອກຈາກນີ້, ຍັງມີຂໍ້ດີໃນການທີ່ບໍ່ຄ່ອຍເກີດບັນຫາ Overfitting ຕໍ່ກັບສຽງລົບກວນ (Noise) ຂະໜາດນ້ອຍທີ່ມັກພົບໃນຂໍ້ມູນສັງເຄາະ. ແນວໃດກໍຕາມ, ເນື່ອງຈາກຍາກທີ່ຈະຈັບຄວາມສຳພັນແບບບໍ່ເປັນເສັ້ນ (Non-linear) ລະຫວ່າງຕົວແປໄດ້, ໃນບາງກໍລະນີຈຶ່ງເຮັດໃຫ້ປະສິດທິພາບໃນການແຍກແຍະຄະແນນສິນເຊື່ອມີຂີດຈຳກັດ.

Gradient Boosting (XGBoost, LightGBM, ແລະ ອື່ນໆ) ມີທ່າອ່ຽງທີ່ໄດ້ປຽບໃນດ້ານຄວາມແມ່ນຍຳຂອງການຄາດຄະເນການຜິດນັດຊຳລະໜີ້ ເນື່ອງຈາກສາມາດຮຽນຮູ້ຮູບແບບທີ່ບໍ່ເປັນເສັ້ນ ແລະ ຄວາມສຳພັນລະຫວ່າງຕົວແປໄດ້ໂດຍອັດຕະໂນມັດ. ໃນທາງກົງກັນຂ້າມ, ຖ້າບໍ່ນຳໃຊ້ເຄື່ອງມືຊ່ວຍໃນການອະທິບາຍຜົນ (Explainability tools) ເຊັ່ນ SHAP values ມາໃຊ້ຮ່ວມກັນ, ຈະເຮັດໃຫ້ເຫດຜົນພາຍໃນຂອງໂມເດວບໍ່ມີຄວາມໂປ່ງໃສ, ເຊິ່ງຕ້ອງໃຊ້ແຮງງານເພີ່ມເຕີມໃນດ້ານການປະຕິບັດຕາມກົດລະບຽບ.

ສະຫຼຸບແນວທາງໃນການເລືອກໂມເດວມີດັ່ງນີ້:

• ປະລິມານຂໍ້ມູນໜ້ອຍ ແລະ ໃຫ້ຄວາມສຳຄັນກັບຄວາມຮັບຜິດຊອບໃນການອະທິບາຍເປັນອັນດັບໜຶ່ງ: ໃຫ້ເລືອກໃຊ້ Logistic Regression ເປັນໂມເດວມາດຕະຖານ.
• ຕ້ອງການເພີ່ມຄວາມແມ່ນຍຳ ແລະ ສາມາດຮັບປະກັນຄວາມສາມາດໃນການອະທິບາຍຜົນດ້ວຍ SHAP ແລະ ອື່ນໆໄດ້: ໃຫ້ປ່ຽນໄປໃຊ້ Gradient Boosting.
• ໃນຂັ້ນຕອນທີ່ມີອັດຕາສ່ວນຂໍ້ມູນສັງເຄາະສູງ: ໃຫ້ເລີ່ມຈາກການໃຊ້ໂມເດວແບບງ່າຍໆເພື່ອຢືນຢັນຄວາມສາມາດໃນການສ້າງການກະຈາຍຕົວຂອງຂໍ້ມູນຄືນໃໝ່ (Distribution Reproducibility) ກ່ອນທີ່ຈະກ້າວໄປສູ່ໂມເດວທີ່ມີຄວາມຊັບຊ້ອນ.

ທັງນີ້, ເມື່ອປະເມີນໂມເດວທີ່ຝຶກຝົນດ້ວຍຂໍ້ມູນສັງເຄາະໂດຍໃຊ້ຂໍ້ມູນຈິງ, ຕ້ອງລະວັງວ່າໂມເດວທີ່ມີຄວາມຊັບຊ້ອນສູງຈະໄດ້ຮັບຜົນກະທົບຈາກຄວາມຄາດເຄື່ອນຂອງການກະຈາຍຕົວ (Distribution Shift) ໄດ້ງ່າຍກວ່າ.

ເຖິງແມ່ນວ່າຄວາມແມ່ນຍຳຈະສູງ ແຕ່ຖ້າຍັງມີຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວຢູ່ ກໍຈະເຮັດໃຫ້ການໃຊ້ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ໝົດຄວາມໝາຍໄປເຄິ່ງໜຶ່ງ. ໃນທາງກົງກັນຂ້າມ, ຖ້າປົກປ້ອງຄວາມເປັນສ່ວນຕົວຢ່າງເຂັ້ມງວດເກີນໄປ ກໍຈະເຮັດໃຫ້ຄວາມສາມາດໃນການຈຳແນກຂອງໂມເດວຫຼຸດລົງ ຈົນບໍ່ສາມາດນຳໄປໃຊ້ງານຈິງໄດ້. ທັງສອງຢ່າງນີ້ມີຄວາມສຳພັນໃນແບບ ການແລກປ່ຽນ ຫຼື Trade-off ດັ່ງນັ້ນ ການແຍກປະເມີນລະຫວ່າງດັດຊະນີຄວາມແມ່ນຍຳ ເຊັ່ນ AUC ຫຼື KS statistics ກັບດັດຊະນີຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ ຈຶ່ງມັກຈະນຳໄປສູ່ການຕັດສິນໃຈທີ່ເນີ້ງໄປທາງໃດທາງໜຶ່ງ. ຕໍ່ໄປນີ້ ພວກເຮົາຈະມາເບິ່ງວິທີການປະເມີນແຕ່ລະຢ່າງຢ່າງລະອຽດ.

ເມື່ອປະເມີນແບບຈຳລອງທີ່ຝຶກຝົນດ້ວຍຂໍ້ມູນສັງເຄາະ (Synthetic Data), ການເລືອກຕົວຊີ້ວັດຄວາມແມ່ນຍຳທີ່ຜິດພາດຈະເຮັດໃຫ້ງ່າຍຕໍ່ການເບິ່ງຂ້າມແບບຈຳລອງທີ່ "ເບິ່ງຄືວ່າດີ ແຕ່ໃນຄວາມເປັນຈິງນຳມາໃຊ້ງານບໍ່ໄດ້". ໃນຕອນເລີ່ມຕົ້ນ, ເຮົາມັກຈະຕັດສິນໂດຍໃຊ້ພຽງແຕ່ Accuracy (ອັດຕາຄວາມຖືກຕ້ອງ) ເທົ່ານັ້ນ, ແຕ່ໃນການໃຫ້ຄະແນນສິນເຊື່ອ (Credit Scoring) ທີ່ມີອັດຕາການຜິດນັດຊຳລະໜີ້ (Default rate) ຕ່ຳ, ມັນຈະໄດ້ຮັບຜົນກະທົບຈາກຄວາມບໍ່ສົມດຸນຂອງຂໍ້ມູນ (Class imbalance), ດັ່ງນັ້ນການປະເມີນໂດຍການລວມສາມຕົວຊີ້ວັດຄື AUC, KS statistic ແລະ PSI ຈະຊ່ວຍໃຫ້ເຂົ້າໃຈສະພາບຄວາມເປັນຈິງໄດ້ຢ່າງຖືກຕ້ອງຫຼາຍກວ່າ.

AUC (Area Under the ROC Curve) ສະແດງເຖິງຄວາມສາມາດໂດຍລວມຂອງແບບຈຳລອງໃນການຈຳແນກລະຫວ່າງລູກຄ້າທີ່ຜິດນັດຊຳລະໜີ້ ແລະ ລູກຄ້າທີ່ມີສຸຂະພາບທາງການເງິນດີ. ຄ່າທີ່ໃກ້ຄຽງກັບ 1.0 ສະແດງເຖິງພະລັງໃນການຈຳແນກທີ່ສູງ, ໃນຂະນະທີ່ 0.5 ແມ່ນເທົ່າກັບການສຸ່ມ. ໃນແບບຈຳລອງທີ່ຝຶກຝົນດ້ວຍຂໍ້ມູນສັງເຄາະ, ເຮົາສາມາດຢືນຢັນປະສິດທິຜົນຂອງຂໍ້ມູນສັງເຄາະໄດ້ໂດຍການປຽບທຽບຄ່າ AUC ກັບກໍລະນີທີ່ຝຶກຝົນດ້ວຍຂໍ້ມູນຈິງພຽງຢ່າງດຽວ.

KS statistic (Kolmogorov-Smirnov Statistic) ວັດແທກຄວາມແຕກຕ່າງສູງສຸດຂອງຟັງຊັນການແຈກຢາຍສະສົມ (Cumulative distribution function) ລະຫວ່າງກຸ່ມທີ່ຜິດນັດຊຳລະໜີ້ ແລະ ກຸ່ມທີ່ບໍ່ຜິດນັດຊຳລະໜີ້ໃນການແຈກຢາຍຄະແນນ. ຄ່າທີ່ຍິ່ງໃຫຍ່ສະແດງວ່າທັງສອງກຸ່ມມີການແຍກອອກຈາກກັນຢ່າງຊັດເຈນ, ເຊິ່ງເປັນຕົວຊີ້ວັດທີ່ສຳຄັນໃນການປະຕິບັດງານດ້ານການໃຫ້ຄະແນນສິນເຊື່ອ.

PSI (Population Stability Index) ເປັນການວັດແທກປະລິມານຄວາມແຕກຕ່າງຂອງການແຈກຢາຍຄະແນນລະຫວ່າງຊ່ວງເວລາຝຶກຝົນ ແລະ ຊ່ວງເວລາທີ່ນຳໃຊ້ງານຈິງ. ເກນການຕັດສິນຫຼັກມີດັ່ງນີ້:

• PSI < 0.1: ການແຈກຢາຍມີຄວາມສະຖຽນ, ບໍ່ຈຳເປັນຕ້ອງຝຶກຝົນແບບຈຳລອງໃໝ່
• 0.1 ≤ PSI < 0.2: ມີການປ່ຽນແປງເລັກນ້ອຍ, ຄວນເພີ່ມການຕິດຕາມກວດກາ
• PSI ≥ 0.2: ມີການປ່ຽນແປງຢ່າງຫຼວງຫຼາຍ, ຄວນດຳເນີນການກວດສອບ ແລະ ຝຶກຝົນແບບຈຳລອງໃໝ່

ການໂຈມຕີແບບ Membership Inference Attack ແມ່ນວິທີການທີ່ຜູ້ໂຈມຕີຄາດຄະເນວ່າ "ຂໍ້ມູນສ່ວນບຸກຄົນໃດໜຶ່ງໄດ້ຖືກນຳໃຊ້ໃນການຮຽນຮູ້ຂອງແບບຈໍາລອງຫຼືບໍ່" ໂດຍການສັງເກດຜົນລວມທີ່ອອກມາຈາກແບບຈໍາລອງ. ເຖິງແມ່ນວ່າຈະໃຊ້ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ໃນການຮຽນຮູ້, ແຕ່ຖ້າຫາກຄຸນລັກສະນະທາງສະຖິຕິຂອງຂໍ້ມູນຕົ້ນສະບັບຍັງຄົງຢູ່ຫຼາຍເກີນໄປ, ຄວາມສ່ຽງນີ້ກໍອາດຈະຍັງຄົງຢູ່.

ຂັ້ນຕອນພື້ນຖານຂອງການທົດສອບການໂຈມຕີ ມີດັ່ງນີ້:

• ການສ້າງ Shadow Model: ຮຽນຮູ້ແບບຈໍາລອງ Shadow ທີ່ຈໍາລອງມຸມມອງຂອງຜູ້ໂຈມຕີຂຶ້ນມາຕ່າງຫາກ, ແລ້ວນຳໄປປຽບທຽບກັບການກະຈາຍຄະແນນການຄາດຄະເນຂອງແບບຈໍາລອງຫຼັກ.
• ການວິເຄາະຄວາມແຕກຕ່າງຂອງຄະແນນຄວາມເຊື່ອໝັ້ນ (Confidence Score): ກວດສອບວ່າຄວາມໜ້າຈະເປັນຂອງຜົນລວມຈາກແບບຈໍາລອງມີຄວາມແຕກຕ່າງຢ່າງມີນໍ້າໜັກລະຫວ່າງຕົວຢ່າງທີ່ລວມຢູ່ໃນຂໍ້ມູນການຮຽນຮູ້ ແລະ ຕົວຢ່າງທີ່ບໍ່ໄດ້ລວມຢູ່ຫຼືບໍ່.
• ການວັດແທກອັດຕາຄວາມສຳເລັດຂອງການໂຈມຕີ: ຖ້າຄວາມຖືກຕ້ອງຂອງການໂຈມຕີສູງກວ່າການຄາດເດົາແບບສຸ່ມ (ອັດຕາຄວາມສຳເລັດ 50%) ຢ່າງມີນໍ້າໜັກ, ໃຫ້ຕັດສິນວ່າຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວມີຢູ່.

ໃນການຕີຄວາມໝາຍຜົນການທົດສອບ, ການແບ່ງເງື່ອນໄຂແມ່ນມີຄວາມສຳຄັນ. ຖ້າອັດຕາຄວາມສຳເລັດຂອງການໂຈມຕີຢູ່ໃນລະດັບສຸ່ມ (ປະມານ 50%), ມັນສາມາດຖືວ່າຢູ່ໃນຂອບເຂດທີ່ຍອມຮັບໄດ້, ແຕ່ຖ້າອັດຕາຄວາມສຳເລັດສູງຢ່າງເຫັນໄດ້ຊັດ, ຈຳເປັນຕ້ອງຕັ້ງຄ່າຄ່າ ε (epsilon) ຂອງ Differential Privacy ໃຫ້ຕໍ່າລົງ ຫຼື ທົບທວນຄືນພາຣາມິເຕີການສ້າງຂໍ້ມູນສັງເຄາະໃໝ່.

ໃນ NIST SP 800-226, ໄດ້ມີການຈັດລະບຽບຄວາມສຳພັນລະຫວ່າງລະດັບການຮັບປະກັນຂອງ Differential Privacy ແລະ ຂໍ້ມູນສັງເຄາະ, ໂດຍຄ່າສຳປະສິດຄວາມເປັນສ່ວນຕົວ ε ຈະເຮັດໜ້າທີ່ເປັນມາດຕະຖານໃນການປະເມີນຄວາມສ່ຽງ. ຄ່າ ε ທີ່ຍິ່ງຕໍ່າ, ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວຈະຍິ່ງແຂງແກ່ນຂຶ້ນ, ແຕ່ເນື່ອງຈາກຈະເກີດ ການແລກປ່ຽນ ຫຼື Trade-off ກັບປະໂຫຍດ (ຄວາມຖືກຕ້ອງ) ຂອງຂໍ້ມູນ, ຈຶ່ງຈຳເປັນຕ້ອງມີການປັບປ່ຽນໂດຍພິຈາລະນາຄຽງຄູ່ກັບຂໍ້ກຳນົດດ້ານຄວາມຖືກຕ້ອງຂອງການໃຫ້ຄະແນນຄວາມໜ້າເຊື່ອຖື (Credit Scoring).

ສະຫຼຸບ: ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການນຳໃຊ້ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ແມ່ນສະຫຼຸບໄດ້ຢູ່ 2 ປະເດັນ ຄື: "ການຮຽນຮູ້ເກີນຂອບເຂດ (Overfitting)" ແລະ "ການຈຳລອງຂໍ້ມູນກຸ່ມນ້ອຍບໍ່ພຽງພໍ". ການຮູ້ວິທີປ້ອງກັນໄວ້ລ່ວງໜ້າ ຈະສາມາດຊ່ວຍປ້ອງກັນການເສື່ອມສະພາບຂອງໂມເດວໄດ້.

ການພັດທະນາຄະແນນສິນເຊື່ອໂດຍໃຊ້ຂໍ້ມູນສັງເຄາະ ມັກຈະເກີດຮູບແບບຄວາມຜິດພາດແບບເດີມຊ້ຳໆ. ໃນຫົວຂໍ້ H3 ຕໍ່ໄປນີ້, ພວກເຮົາຈະຍົກເອົາ 2 ບັນຫາໃຫຍ່ ຄື: ການເສື່ອມສະພາບຂອງໂມເດວເນື່ອງຈາກຄວາມແຕກຕ່າງຂອງການກະຈາຍຕົວຂອງຂໍ້ມູນ ແລະ ການຈຳລອງກໍລະນີການຜິດນັດຊຳລະໜີ້ (Default) ບໍ່ພຽງພໍ ພ້ອມທັງອະທິບາຍວິທີການຫຼີກລ່ຽງບັນຫາດັ່ງກ່າວ.

ຂໍ້ມູນສັງເຄາະ (Synthetic data) ຍິ່ງພະຍາຍາມເຮັດໃຫ້ເປັນ "ສຳເນົາທີ່ຊື່ສັດຂອງຂໍ້ມູນຕົ້ນສະບັບ" ຫຼາຍເທົ່າໃດ ກໍຍິ່ງເຮັດໃຫ້ຕົວແບບ (Model) ເສຍຫາຍງ່າຍຂຶ້ນເທົ່ານັ້ນ. ເລື່ອງນີ້ມີໂຄງສ້າງຄ້າຍຄືກັບການຈື່ສູດອາຫານໄດ້ຢ່າງສົມບູນແບບ ແຕ່ບໍ່ສາມາດຮັບມືກັບຄວາມແຕກຕ່າງເລັກໆນ້ອຍໆຂອງວັດຖຸດິບຕົວຈິງໄດ້.

ເມື່ອຕົວແບບການສ້າງ (Generative model) ປັບຕົວເຂົ້າກັບຂໍ້ມູນຕົ້ນສະບັບຫຼາຍເກີນໄປ, ຂໍ້ມູນສັງເຄາະຈະມີການກະຈາຍຕົວທີ່ເກືອບຈະຄືກັນກັບຂໍ້ມູນຕົ້ນສະບັບ. ໃນສະພາວະນີ້, ຕົວແບບການໃຫ້ຄະແນນ (Scoring model) ທີ່ຜ່ານການຝຶກຝົນມາ ກໍບໍ່ຕ່າງຫຍັງກັບການ "ທ່ອງຈຳ" ຄຸນລັກສະນະທາງສະຖິຕິຂອງຂໍ້ມູນຕົ້ນສະບັບມາແບບປາກເປົ່າ ເຊິ່ງສົ່ງຜົນໃຫ້ປະສິດທິພາບໃນການນຳໄປໃຊ້ງານຈິງກັບຂໍ້ມູນການສະໝັກໃໝ່ໆຫຼຸດລົງຢ່າງເຫັນໄດ້ຊັດ.

ບັນຫາເລື່ອງການກະຈາຍຕົວທີ່ບໍ່ກົງກັນ (Covariate Shift) ກໍເປັນສິ່ງທີ່ເບິ່ງຂ້າມບໍ່ໄດ້. ໃນກໍລະນີທີ່ການກະຈາຍຕົວຂອງຄຸນລັກສະນະ (Feature) ລະຫວ່າງຂໍ້ມູນສັງເຄາະກັບຂໍ້ມູນທີ່ໃຊ້ງານຈິງມີຄວາມແຕກຕ່າງກັນ, ຕົວແບບຈະຮຽນຮູ້ຮູບແບບທີ່ບໍ່ມີຢູ່ຈິງໃນຄວາມເປັນຈິງ. ອາການທີ່ພົບເຫັນໄດ້ທົ່ວໄປຄື: ເຖິງແມ່ນວ່າຄ່າ AUC ໃນຂະນະຝຶກຝົນຈະສູງ ແຕ່ຄ່າ KS statistics ໃນສະພາບແວດລ້ອມການໃຊ້ງານຈິງກັບຫຼຸດລົງຢ່າງຮວດໄວ, ຄ່າ PSI (Population Stability Index) ເກີນກຳນົດຈົນເຮັດໃຫ້ຕ້ອງມີການຝຶກຝົນຕົວແບບໃໝ່ເລື້ອຍໆ, ຫຼື ອັດຕາການອະນຸມັດມີຄວາມລຳອຽງຢ່າງບໍ່ເປັນທຳມະຊາດໃນກຸ່ມອາຍຸ ຫຼື ໝວດໝູ່ອາຊີບໃດໜຶ່ງ. ເມື່ອມີສັນຍານເຫຼົ່ານີ້ເກີດຂຶ້ນ, ການແຍກແຍະວ່າບັນຫາຕົ້ນຕໍມາຈາກ "ຄຸນນະພາບຂອງຂໍ້ມູນສັງເຄາະ" ຫຼື "ໂຄງສ້າງຂອງຕົວແບບ" ນັ້ນເຮັດໄດ້ຍາກ, ດັ່ງນັ້ນການຮູ້ຕົວໃຫ້ໄວຈຶ່ງເປັນເລື່ອງສຳຄັນ.

ເພື່ອປ້ອງກັນການຮຽນຮູ້ເກີນຂອບເຂດ (Overfitting) ແລະ ການກະຈາຍຕົວທີ່ບໍ່ກົງກັນ, ຈຳເປັນຕ້ອງມີມາດຕະການປ້ອງກັນທັງໃນຂັ້ນຕອນການສ້າງ ແລະ ຂັ້ນຕອນການປະເມີນຜົນ.

ຫຼັງຈາກສ້າງຂໍ້ມູນສັງເຄາະ (Synthetic data) ແລ້ວ, ຫຼາຍຄົນມັກຄິດວ່າ "ຈຳນວນຕົວຢ່າງເພີ່ມຂຶ້ນແລ້ວ ສະນັ້ນບໍ່ມີບັນຫາຫຍັງ", ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ຄຸນນະພາບການຈຳລອງກໍລະນີຜິດນັດຊຳລະ (ກຸ່ມສ່ວນນ້ອຍ) ແມ່ນສິ່ງທີ່ກຳນົດຄວາມແມ່ນຍຳຂອງໂມເດວ.

ໃນຊຸດຂໍ້ມູນການໃຫ້ຄະແນນສິນເຊື່ອ (Credit scoring), ລູກຄ້າທີ່ຕົກຢູ່ໃນສະພາວະບໍ່ສາມາດຊຳລະໜີ້ໄດ້ມັກຈະມີພຽງແຕ່ສອງສາມເປີເຊັນຂອງທັງໝົດ, ເຊິ່ງເປັນສະຖານະການທີ່ເຮັດໃຫ້ເກີດຄວາມບໍ່ສົມດຸນຂອງກຸ່ມຂໍ້ມູນ (Class imbalance) ທາງໂຄງສ້າງໄດ້ງ່າຍ. ເມື່ອສ້າງຂໍ້ມູນສັງເຄາະ, ຖ້າບໍ່ສາມາດເກັບກຳຄຸນລັກສະນະທາງສະຖິຕິຂອງກໍລະນີຜິດນັດຊຳລະເຫຼົ່ານີ້ໄດ້ຢ່າງພຽງພໍ, ບັນຫາຕໍ່ໄປນີ້ຈະເກີດຂຶ້ນເປັນລຳດັບ:

• ການສ້າງຂໍ້ມູນທີ່ຖືກດຶງໂດຍກຸ່ມສ່ວນຫຼາຍ: ໂມເດວການສ້າງຂໍ້ມູນຈະຮຽນຮູ້ຮູບແບບການຊຳລະປົກກະຕິຫຼາຍເກີນໄປ (Overfitting), ເຮັດໃຫ້ຄຸນລັກສະນະສະເພາະຂອງການຜິດນັດຊຳລະ (ເຊັ່ນ: ຄວາມຖີ່ຂອງການຊຳລະຊ້າ, ລະດັບຄວາມຜັນຜວນຂອງລາຍໄດ້) ຖືກເຮັດໃຫ້ຮາບພຽງລົງ.
• ຄວາມແມ່ນຍຳລວງຫຼອກ: ຄ່າ Accuracy ໂດຍລວມອາດເບິ່ງຄືວ່າສູງ, ແຕ່ຈະໄດ້ "ໂມເດວທີ່ເບິ່ງຄືວ່າດີເລີດ" ເຊິ່ງມີຄ່າ Recall ຂອງກໍລະນີຜິດນັດຊຳລະຕ່ຳຢ່າງເຫັນໄດ້ຊັດ.
• ການຂະຫຍາຍຕົວຂອງຄວາມເສຍຫາຍໃນການນຳໃຊ້ຈິງ: ຕັດສິນຜິດພາດວ່າຜູ້ສະໝັກທີ່ມີຄວາມສ່ຽງສູງເປັນ "ປົກກະຕິ", ເຮັດໃຫ້ອັດຕາໜີ້ເສຍເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ.

ເພື່ອຫຼີກເວັ້ນບັນຫານີ້, ການນຳໃຊ້ການສ້າງຂໍ້ມູນແບບມີເງື່ອນໄຂ (Conditional generation) ທີ່ເນັ້ນສະເພາະກໍລະນີຜິດນັດຊຳລະ (ເຊັ່ນ: ການຕັ້ງຄ່າເງື່ອນໄຂຂອງ Class ໃນ Conditional GAN ຫຼື CTGAN) ເພື່ອເພີ່ມຈຳນວນຕົວຢ່າງຂອງກຸ່ມສ່ວນນ້ອຍຢ່າງຕັ້ງໃຈ ແມ່ນວິທີທີ່ມີປະສິດທິຜົນ. ຫຼັງຈາກສ້າງຂໍ້ມູນແລ້ວ, ໃຫ້ກວດສອບບໍ່ພຽງແຕ່ຄ່າ AUC ເທົ່ານັ້ນ, ແຕ່ຕ້ອງກວດສອບຄ່າ F1 score ແລະ KS statistic ຂອງກຸ່ມສ່ວນນ້ອຍນຳສະເໝີ.

ນອກຈາກນີ້, ໃນກໍລະນີທີ່ຂໍ້ມູນຕົ້ນສະບັບຂອງກໍລະນີຜິດນັດຊຳລະມີໜ້ອຍຫຼາຍ (ຫຼຸດລົງຕໍ່າກວ່າຫຼັກສິບ), ໂມເດວການສ້າງຂໍ້ມູນເອງກໍມີຄວາມສ່ຽງທີ່ຈະເກີດ Overfitting. ໃນກໍລະນີດັ່ງກ່າວ, ໃຫ້ພິຈາລະນາໃຊ້ຂໍ້ມູນເປີດຈາກພາຍນອກທີ່ມີຄຸນລັກສະນະຄ້າຍຄືກັນ ຫຼື ນຳໃຊ້ຄວາມຮູ້ຈາກຜູ້ຊ່ຽວຊານມາເສີມຂໍ້ມູນຕົ້ນສະບັບກ່ອນທີ່ຈະເລີ່ມຂະບວນການສ້າງຂໍ້ມູນ.

ສະຫຼຸບ: ຂໍ້ມູນສັງເຄາະ (Synthetic Data) ແມ່ນວິທີການທີ່ມີປະສິດທິຜົນ ເຊິ່ງສາມາດຕອບສະໜອງຕໍ່ກົດລະບຽບດ້ານຄວາມເປັນສ່ວນຕົວ ແລະ ແກ້ໄຂບັນຫາການຂາດແຄນຂໍ້ມູນໃນການຮຽນຮູ້ໄດ້ໃນເວລາດຽວກັນ. ຢ່າງໃດກໍຕາມ, ຖ້າບໍ່ປະຕິບັດຕາມຂັ້ນຕອນການສ້າງ, ການປະເມີນຜົນ ແລະ ການດຳເນີນງານຢ່າງຖືກຕ້ອງ, ການຮັກສາຄວາມສົມດຸນລະຫວ່າງຄວາມແມ່ນຍຳ ແລະ ການປະຕິບັດຕາມກົດລະບຽບ (Compliance) ແມ່ນເປັນເລື່ອງຍາກ.

ເນື້ອໃນທີ່ໄດ້ອະທິບາຍໃນບົດຄວາມນີ້ ສາມາດສະຫຼຸບໄດ້ດັ່ງນີ້:

• ການກວດສອບເງື່ອນໄຂເບື້ອງຕົ້ນ: ການປະເມີນຄຸນນະພາບຂອງຂໍ້ມູນຕົ້ນສະບັບ ແລະ ການກຳນົດຄວາມຕ້ອງການດ້ານລະດັບການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ ເຊັ່ນ: Differential Privacy ແລະ k-anonymity ແມ່ນຈຸດເລີ່ມຕົ້ນທີ່ສຳຄັນ.
• ການເລືອກວິທີການສ້າງ: GAN, VAE ແລະ ຮູບແບບທາງສະຖິຕິ ລ້ວນແຕ່ມີຄຸນລັກສະນະສະເພາະຕົວ ເຊິ່ງຈຳເປັນຕ້ອງເລືອກໃຫ້ເໝາະສົມກັບຂະໜາດຂອງຂໍ້ມູນ ແລະ ຈຸດປະສົງຂອງ MFI.
• ການກວດສອບຄຸນນະພາບຢ່າງລະອຽດ: ຄວນປະເມີນຜົນໂດຍອີງໃສ່ສາມແກນຫຼັກ ຄື: ຄວາມຖືກຕ້ອງ (Fidelity), ຄວາມຫຼາກຫຼາຍ (Diversity) ແລະ ຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ, ລວມທັງການທົດສອບ Membership Inference Attack.
• ການປັບອັດຕາສ່ວນປະສົມໃຫ້ເໝາະສົມ: ອັດຕາສ່ວນລະຫວ່າງຂໍ້ມູນຈິງ ແລະ ຂໍ້ມູນສັງເຄາະບໍ່ຄວນຖືກກຳນົດໄວ້ຕາຍຕົວ, ແຕ່ຄວນປັບປ່ຽນຢ່າງຕໍ່ເນື່ອງໂດຍໃຊ້ AUC ຫຼື PSI ເປັນຕົວຊີ້ວັດ.
• ການຫຼີກລ່ຽງຮູບແບບຄວາມຜິດພາດ: ບັນຫາທີ່ມັກເກີດຂຶ້ນຫຼາຍທີ່ສຸດຄື ການເສື່ອມສະພາບຂອງຕົວແບບ (Model degradation) ເນື່ອງຈາກການແຈກຢາຍຂໍ້ມູນບໍ່ກົງກັນ ແລະ ການຈຳລອງຂໍ້ມູນກຸ່ມນ້ອຍ (ກໍລະນີ Default) ບໍ່ພຽງພໍ.

ດັ່ງທີ່ Recital 26 ຂອງ GDPR ໄດ້ລະບຸໄວ້, ຂໍ້ມູນສັງເຄາະທີ່ຖືກເຮັດໃຫ້ເປັນນາມມະທຳ (Anonymized) ຢ່າງເໝາະສົມ ສາມາດຊ່ວຍຜ່ອນຜັນຂໍ້ຈຳກັດທາງກົດລະບຽບໄດ້ຢ່າງຫຼວງຫຼາຍ. ໃນທາງກົງກັນຂ້າມ, ຖ້າການອອກແບບຂະບວນການສ້າງຂໍ້ມູນບໍ່ພຽງພໍ ກໍອາດຈະຍັງມີຄວາມສ່ຽງໃນການລະບຸຕົວຕົນຈາກຂໍ້ມູນຕົ້ນສະບັບໄດ້. ເນື່ອງຈາກຄວາມຕ້ອງການທາງກົດລະບຽບມີຄວາມແຕກຕ່າງກັນໄປຕາມພາກພື້ນ ແລະ ອຸດສາຫະກຳ, ຈຶ່ງແນະນຳໃຫ້ດຳເນີນການໂດຍປະສານງານກັບພະແນກກົດໝາຍ ແລະ ພະແນກປະຕິບັດຕາມກົດລະບຽບ (Compliance).

ສຳລັບສະຖາບັນການເງິນໃນຕະຫຼາດເກີດໃໝ່ ລວມເຖິງ MFI ໃນປະເທດລາວ, ຍິ່ງມີຂໍ້ມູນຕົວຈິງໜ້ອຍເທົ່າໃດ ກໍຍິ່ງມີແນວໂນ້ມທີ່ຈະໄດ້ຮັບຜົນປະໂຫຍດຈາກຂໍ້ມູນສັງເຄາະຫຼາຍຂຶ້ນເທົ່ານັ້ນ.