ข้อมูลสังเคราะห์ (Synthetic Data) คือชุดข้อมูลจำลองที่สร้างขึ้นโดยไม่ใช้ข้อมูลส่วนบุคคลจริงเลยแม้แต่น้อย แต่สามารถจำลองคุณลักษณะทางสถิติและความสัมพันธ์ระหว่างตัวแปรของข้อมูลต้นฉบับได้ จุดเด่นที่สุดคือการมีรูปแบบการกระจายตัวที่สมจริงจนไม่สามารถแยกออกจากข้อมูลลูกค้าจริงได้ ในขณะที่ไม่มีข้อมูลที่เชื่อมโยงถึงบุคคลใดบุคคลหนึ่งโดยเฉพาะ

บทความนี้มีกลุ่มเป้าหมายคือผู้รับผิดชอบด้านการพัฒนาและดูแลโมเดล AI รวมถึงนักวิทยาศาสตร์ข้อมูล (Data Scientist) ในสถาบันไมโครไฟแนนซ์ (MFI) และสถาบันการเงิน โดยมุ่งเน้นไปที่ผู้ที่กำลังเผชิญกับปัญหาด้านการปฏิบัติตามกฎระเบียบความเป็นส่วนตัวหรือการขาดแคลนข้อมูล แต่ยังคงต้องการสร้างโมเดลการให้คะแนนเครดิต (Credit Scoring Model)

เมื่ออ่านบทความนี้จบ คุณจะเข้าใจใน 3 ประเด็นดังต่อไปนี้:

บทสรุป: ข้อมูลสังเคราะห์ (Synthetic Data) เป็นทางเลือกที่มีประสิทธิภาพสำหรับการพัฒนา AI ทางการเงิน ซึ่งสามารถตอบโจทย์ทั้งด้านการปฏิบัติตามกฎระเบียบความเป็นส่วนตัวและแก้ไขปัญหาการขาดแคลนข้อมูลได้ในเวลาเดียวกัน

ในการพัฒนาการให้คะแนนเครดิต (Credit Scoring) ความเสี่ยงทางกฎหมายที่เกี่ยวข้องกับการจัดหาและการใช้ข้อมูลจริง รวมถึงข้อจำกัดด้านปริมาณข้อมูล มักเป็นอุปสรรคสำคัญ ข้อมูลสังเคราะห์จึงได้รับความสนใจเนื่องจากสามารถบรรเทาปัญหาทั้งสองประการนี้ได้พร้อมกัน

ในการพัฒนาโมเดลการให้คะแนนเครดิต (Credit Scoring Model) มักมีความเข้าใจว่า "การใช้ข้อมูลลูกค้าจริงจะช่วยเพิ่มความแม่นยำ" แต่ในความเป็นจริง มีรายงานว่าการนำข้อมูลจริงมาใช้ในการเรียนรู้ของโมเดลโดยตรงอาจก่อให้เกิดความเสี่ยงด้านการละเมิดกฎระเบียบและการรั่วไหลของข้อมูลได้

ความเสี่ยงหลักที่สถาบันการเงินต้องเผชิญเมื่อจัดการกับข้อมูลจริงมีดังนี้:

• ความเสี่ยงในการระบุตัวตนซ้ำ (Re-identification risk): แม้จะตัดชื่อหรือเลขที่บัญชีออกไปแล้ว แต่การรวมกันของข้อมูลอายุ ที่อยู่อาศัย และประวัติการทำธุรกรรม อาจทำให้สามารถระบุตัวบุคคลได้
• ข้อจำกัดด้านกฎระเบียบ: Recital 26 ของ GDPR (Regulation (EU) 2016/679) ระบุว่า "ข้อมูลที่ถูกทำให้เป็นนิรนาม (Anonymized data) จะไม่อยู่ภายใต้ขอบเขตของ GDPR" แต่มีความเสี่ยงที่การทำนิรนามที่ไม่สมบูรณ์จะไม่ถือว่าได้รับยกเว้นจากการคุ้มครอง
• การบริหารจัดการความเสี่ยงของโมเดล (Model Risk Management): ในสหรัฐอเมริกา SR 11-7 (Supervisory Guidance on Model Risk Management) กำหนดให้มีการจัดการและตรวจสอบข้อมูลที่ใช้ในการเรียนรู้ของโมเดลอย่างเหมาะสม ซึ่งความบกพร่องด้านธรรมาภิบาลข้อมูลอาจกลายเป็นอุปสรรคต่อการอนุมัติโมเดลได้
• ต้นทุนการรวบรวมข้อมูล: สำหรับ MFI (สถาบันไมโครไฟแนนซ์) มักมีต้นทุนและใช้เวลาค่อนข้างมากในการขอความยินยอมจากลูกค้าและการจัดเตรียมสภาพแวดล้อมการจัดเก็บข้อมูลที่ปลอดภัย

ในประเทศญี่ปุ่นเช่นกัน นับตั้งแต่มีการบังคับใช้พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคลฉบับแก้ไขเพิ่มเติมอย่างเต็มรูปแบบ (30 พฤษภาคม 2017) การให้ข้อมูลที่ใช้ในการเรียนรู้แก่บุคคลที่สามซึ่งไม่เป็นไปตามมาตรฐานของ "ข้อมูลที่ผ่านการแปรรูปให้เป็นนิรนาม" (Anonymously Processed Information) จะถือเป็นสิ่งที่อยู่ภายใต้การกำกับดูแล

เมื่อพิจารณาถึงข้อจำกัดเหล่านี้ การพัฒนาโมเดลที่พึ่งพาข้อมูลจริงจึงนำมาซึ่งต้นทุนในการปฏิบัติตามกฎระเบียบและความเสี่ยงในการรั่วไหลของข้อมูลไปพร้อมกัน

อุปสรรคแรกในการพัฒนาโมเดลการให้คะแนนเครดิต (Credit Scoring Model) คือปัญหาการขาดแคลนข้อมูลสำหรับการเรียนรู้และปัญหาความไม่สมดุลของคลาส (Class Imbalance) ในกลุ่ม MFI จำนวนการปล่อยสินเชื่อมีน้อย และโดยเฉพาะอย่างยิ่งกรณีการผิดนัดชำระหนี้ (Default) มักมีสัดส่วนเพียงไม่กี่เปอร์เซ็นต์ของทั้งหมด จึงทำให้เกิดปัญหาเชิงโครงสร้างที่โมเดลมีแนวโน้มจะตัดสินเอนเอียงไปทาง "การชำระหนี้ปกติ" ได้ง่าย

ข้อมูลสังเคราะห์ (Synthetic Data) จะเข้ามาจัดการกับปัญหานี้ด้วย 2 แนวทาง ดังนี้:

• การเติมเต็มปริมาณข้อมูล: แม้จะมีข้อมูลจริงเพียงไม่กี่ร้อยรายการ แต่สามารถสร้างตัวอย่างสังเคราะห์ที่ยังคงคุณลักษณะทางสถิติไว้เพิ่มขึ้นได้ในระดับหลายพันรายการ เพื่อให้มั่นใจว่าโมเดลมีปริมาณข้อมูลเพียงพอสำหรับการเรียนรู้จนสามารถสรุปผลทั่วไปได้ (Generalization)
• การเพิ่มจำนวนคลาสส่วนน้อย (Minority Class Augmentation): สามารถปรับสัดส่วนของคลาสได้อย่างตั้งใจ โดยการมุ่งเน้นสร้างข้อมูลสังเคราะห์เฉพาะกรณีการผิดนัดชำระหนี้เท่านั้น

สิ่งที่ควรจำไว้เป็นเกณฑ์ในการตัดสินใจคือ หากมีข้อมูลจริงในระดับหนึ่งและปัญหาหลักคือความไม่สมดุล การเพิ่มจำนวนคลาสส่วนน้อยด้วยข้อมูลสังเคราะห์เพียงอย่างเดียวอาจเพียงพอ แต่ในทางกลับกัน หากข้อมูลจริงมีน้อยมาก การใช้แนวทางผสมผสานระหว่างการเติมเต็มปริมาณข้อมูลโดยรวมและการเพิ่มจำนวนคลาสส่วนน้อยจะมีประสิทธิภาพมากกว่า

อย่างไรก็ตาม หากตัวอย่างที่เพิ่มขึ้นด้วยข้อมูลสังเคราะห์ไม่สะท้อนถึงการกระจายตัวของข้อมูลต้นฉบับอย่างถูกต้อง ความแม่นยำของโมเดลอาจลดลง ดังนั้น การตรวจสอบคุณภาพหลังการสร้างข้อมูลจึงเป็นเงื่อนไขสำคัญที่ห้ามละเลยเด็ดขาด

「ข้อมูลประวัติการพิจารณาสินเชื่อมีน้อยเกินไปจนไม่สามารถพัฒนาโมเดล AI ต่อไปได้」— นี่คืออุปสรรคที่เจ้าหน้าที่ MFI หลายคนต้องเผชิญเป็นอันดับแรก ข้อมูลสังเคราะห์ (Synthetic Data) มอบข้อได้เปรียบเชิงปฏิบัติหลายประการเพื่อรับมือกับความท้าทายนี้

การลดต้นทุนในการปฏิบัติตามกฎระเบียบ เมื่อต้องนำข้อมูลจริงไปใช้กับผู้ให้บริการภายนอกหรือสภาพแวดล้อมการพัฒนา จำเป็นต้องปฏิบัติตามข้อกำหนดการทำข้อมูลให้เป็นนามแฝง (Pseudonymization) ของ GDPR และกฎระเบียบการจัดเก็บข้อมูลภายในประเทศ (Data Localization) ของแต่ละประเทศ เนื่องจากข้อมูลสังเคราะห์ไม่มีข้อมูลที่สามารถระบุตัวบุคคลได้ตั้งแต่ต้น จึงช่วยลดความเสี่ยงทางกฎหมายและขั้นตอนการตรวจสอบข้อมูลเมื่อต้องมีการแชร์ข้อมูลได้เป็นอย่างดี

การเพิ่มจำนวนกลุ่มข้อมูลส่วนน้อย (กรณีผิดนัดชำระหนี้) ในพอร์ตสินเชื่อของ MFI มักพบว่าจำนวนกรณีการผิดนัดชำระหนี้มีน้อยมากเมื่อเทียบกับกรณีการชำระหนี้ตามปกติ การสร้างข้อมูลสังเคราะห์เพื่อเพิ่มกรณีการผิดนัดชำระหนี้ขึ้นมาโดยเฉพาะ จะช่วยให้โมเดลสามารถเรียนรู้รูปแบบที่เกิดขึ้นได้ยากได้ง่ายขึ้น

การลดระยะเวลาในวงจรการพัฒนา กระบวนการรวบรวมข้อมูลจริง การทำข้อมูลให้เป็นนิรนาม (Anonymization) และขั้นตอนการอนุมัติ อาจต้องใช้เวลาตั้งแต่หลายสัปดาห์ไปจนถึงหลายเดือน หากใช้ข้อมูลสังเคราะห์ จะสามารถเตรียมชุดข้อมูลที่มีปริมาณเพียงพอได้ตั้งแต่ขั้นตอนการทำต้นแบบ (Prototype) ซึ่งช่วยให้วงจรการตรวจสอบโมเดลรวดเร็วขึ้น

การอำนวยความสะดวกในการแชร์ข้อมูลระหว่างทีม ทีมวิทยาศาสตร์ข้อมูลและทีมพัฒนาระบบสามารถแชร์ชุดข้อมูลสังเคราะห์ชุดเดียวกันได้อย่างมั่นใจ ทำให้ปัญหาการทำงานติดขัดเนื่องจากข้อจำกัดในการเข้าถึงข้อมูลเกิดขึ้นได้ยากขึ้น

บทสรุป: คุณภาพของการสร้างข้อมูลสังเคราะห์ (Synthetic Data) ขึ้นอยู่กับการเตรียมความพร้อมในขั้นตอนก่อนเริ่มดำเนินการเป็นอย่างมาก การจัดเตรียมเงื่อนไขเบื้องต้น 3 ประการ ได้แก่ คุณภาพของข้อมูลต้นฉบับ ข้อกำหนดด้านความเป็นส่วนตัว และการเลือกวิธีการสร้างข้อมูล จะนำไปสู่การรับรองความน่าเชื่อถือของโมเดล

คุณภาพของข้อมูลสังเคราะห์ (Synthetic Data) ขึ้นอยู่กับคุณภาพของข้อมูลตั้งต้นโดยตรง หลายคนมักคิดว่า "แค่ใส่ข้อมูลลงในเครื่องมือสร้างก็คงจะออกมาดีเอง" แต่ในความเป็นจริง หลักการ "ขยะเข้า ขยะออก" (Garbage In, Garbage Out) นั้นใช้กับข้อมูลสังเคราะห์ได้อย่างเคร่งครัด ความแม่นยำของการประมวลผลล่วงหน้า (Preprocessing) จะส่งผลอย่างมากต่อประสิทธิภาพของโมเดลในขั้นตอนถัดไป

สิ่งแรกที่ควรตรวจสอบในการประเมินคุณภาพคือการกระจายตัวของค่าที่หายไป (Missing Values) หากไม่แยกแยะว่าเป็นการหายไปแบบสุ่ม (MAR) หรือการหายไปที่ขึ้นอยู่กับคุณลักษณะเฉพาะ (MNAR) ข้อมูลที่สังเคราะห์ขึ้นมาโดยมี MNAR ปนอยู่จะทำให้การกระจายตัวที่เอนเอียงนั้นถูกส่งต่อไปด้วย นอกจากนี้ จำเป็นต้องกำจัดข้อผิดพลาดในการป้อนข้อมูลหรือค่าผิดปกติชั่วคราวที่ปนอยู่ในบันทึกการชำระหนี้หรือยอดธุรกรรมออกไปก่อน เพราะโมเดลสังเคราะห์จะเรียนรู้ค่าผิดปกติเหล่านี้ว่าเป็น "รูปแบบที่ถูกต้อง" อีกปัญหาหนึ่งที่พบได้บ่อยในเรื่องการให้คะแนนเครดิต (Credit Scoring) คือความไม่สมดุลของคลาส (Class Imbalance) ซึ่งกรณีการผิดนัดชำระหนี้มีเพียงไม่กี่เปอร์เซ็นต์ของทั้งหมด หากเริ่มสังเคราะห์โดยไม่ได้ประเมินระดับความไม่สมดุลเชิงปริมาณ ความสามารถในการจำลองคลาสส่วนน้อยจะลดลงอย่างมาก ยิ่งไปกว่านั้น การบันทึกโครงสร้างความสัมพันธ์ระหว่างตัวแปร เช่น รายได้ ยอดหนี้คงเหลือ และประวัติการชำระหนี้ ไว้ในรูปแบบเมทริกซ์ความสัมพันธ์ (Correlation Matrix) จะช่วยให้ใช้เป็นค่าอ้างอิงเพื่อตรวจสอบหลังการสังเคราะห์ได้ว่า "โครงสร้างข้อมูลยังคงสมบูรณ์หรือไม่"

สิ่งที่ต้องทำในการประมวลผลล่วงหน้าอย่างเป็นรูปธรรม ได้แก่ การทำให้รูปแบบวันที่และหน่วยเงินตราเป็นมาตรฐานเดียวกัน (เช่น ความไม่สม่ำเสมอในการระบุสกุลเงินกีบลาว (LAK)) การกำหนดนโยบายการเติมค่าที่หายไปสำหรับแต่ละตัวแปร (ว่าค่าเฉลี่ย ค่ามัธยฐาน หรือแบบจำลองใดเหมาะสมที่สุด ขึ้นอยู่กับลักษณะของตัวแปรนั้นๆ) และการเลือกว่าจะลบค่าผิดปกติออกหรือใช้วิธีการตัดขอบ (Clipping) ตามกฎทางธุรกิจ หากปล่อยให้การตัดสินใจเหล่านี้คลุมเครือ ปัญหาจะไม่ปรากฏให้เห็นในขั้นตอนการสังเคราะห์ แต่จะแสดงออกมาเป็นประสิทธิภาพที่ลดลงโดยไม่ทราบสาเหตุในขั้นตอนการประเมินโมเดลขั้นสุดท้ายแทน

ก่อนเริ่มการสร้างข้อมูลสังเคราะห์ (Synthetic Data) สิ่งสำคัญคือต้องระบุให้ชัดเจนว่าจำเป็นต้องบรรลุระดับการคุ้มครองความเป็นส่วนตัวระดับใด หากละเลยการกำหนดความต้องการไว้ในตอนแรก อาจมีความเสี่ยงที่ต้องกลับมาทำใหม่หลังจากพบว่าข้อมูลที่สร้างขึ้น "ไม่เป็นไปตามข้อกำหนดทางกฎหมาย"

ควรทำความเข้าใจวิธีการคุ้มครองหลัก 2 ประการ ดังนี้:

• k-anonymity: วิธีการปรับแต่งข้อมูลเพื่อให้มีระเบียน (record) ที่มีชุดคุณลักษณะเดียวกันอยู่ตั้งแต่ k รายการขึ้นไป หาก k=5 จะต้องปรับแต่งไม่ให้ชุดข้อมูลอายุ อาชีพ และพื้นที่เฉพาะเจาะจงใดๆ มีจำนวนน้อยกว่า 5 รายการ วิธีนี้ค่อนข้างง่ายในการนำไปใช้งานและเหมาะสำหรับการใช้งานภายในของสถาบันการเงิน
• Differential Privacy: วิธีการที่ทำให้ไม่สามารถระบุทางสถิติได้ว่าข้อมูลของบุคคลใดบุคคลหนึ่งรวมอยู่ในชุดข้อมูลหรือไม่ โดยการเพิ่มสัญญาณรบกวน (noise) เข้าไป ในมาตรฐาน NIST SP 800-226 ได้กำหนดวิธีการประเมินโดยใช้สัมประสิทธิ์ความเป็นส่วนตัว ε (epsilon) ซึ่งหากค่า ε ยิ่งน้อย ระดับความปลอดภัยก็จะยิ่งสูงขึ้น

การเลือกวิธีการคุ้มครองจะขึ้นอยู่กับกรณีการใช้งาน (use case) หากเป็นการจัดเตรียมข้อมูลสังเคราะห์เพื่อส่งออกภายนอกหรือแบ่งปันกับสถาบันวิจัย วิธี Differential Privacy จะมีความเหมาะสมมากกว่า แต่ในกรณีที่จำกัดเฉพาะการฝึกสอนโมเดลภายในบริษัทเท่านั้น วิธี k-anonymity ก็อาจเพียงพอต่อการใช้งาน

นอกจากนี้ ใน GDPR Recital 26 ได้ระบุว่า "ข้อมูลที่ถูกทำให้เป็นนิรนาม (anonymised data) จะไม่อยู่ในขอบเขตการบังคับใช้ของ GDPR" อย่างไรก็ตาม ต้องระวังว่าเกณฑ์ของ "การทำให้เป็นนิรนาม" นั้นสูงมาก และการทำข้อมูลเทียม (pseudonymisation) จะไม่ถือว่าอยู่นอกขอบเขตการบังคับใช้ดังกล่าว

คำถามที่ว่า "ไม่รู้ว่าจะเลือกใช้วิธีการสร้างข้อมูลแบบใดดี" เป็นหนึ่งในอุปสรรคแรกที่มักพบในการนำข้อมูลสังเคราะห์ (Synthetic Data) มาใช้งานจริง เนื่องจากวิธีการแต่ละแบบมีเงื่อนไขเบื้องต้นและจุดเด่นที่แตกต่างกัน การคัดเลือกให้สอดคล้องกับความต้องการของโครงการจึงเป็นเรื่องที่ขาดไม่ได้

วิธีการหลักและเกณฑ์ในการเลือกมีดังนี้:

• โมเดลทางสถิติ (Statistical Models เช่น Copula, Bayesian Network): เข้ากันได้ดีกับข้อมูลทางการเงินในรูปแบบตาราง (Tabular Data) และมีต้นทุนในการนำไปใช้งานต่ำ เหมาะสำหรับขั้นตอนเริ่มต้นของ MFI ที่มีข้อมูลสำหรับเรียนรู้น้อย
• VAE (Variational Autoencoder): รองรับข้อมูลที่มีทั้งตัวแปรต่อเนื่องและตัวแปรไม่ต่อเนื่องได้ง่าย และสามารถสร้างตัวอย่างที่หลากหลายได้ผ่านการทำ Interpolation ในพื้นที่แฝง (Latent Space)
• GAN (Generative Adversarial Network): แม้จะคาดหวังความเที่ยงตรงสูงได้ แต่มีแนวโน้มที่จะเกิดความไม่เสถียรในการเรียนรู้ (Mode Collapse) ทำให้มีต้นทุนในการปรับจูนสูง

เกณฑ์การตัดสินใจที่ควรตรวจสอบเมื่อทำการคัดเลือกมี 3 ประการ ดังนี้:

1. ขนาดของข้อมูล: หากข้อมูลต้นฉบับมีจำนวนน้อยกว่าหลายพันรายการ การเรียนรู้ของ GAN มักจะไม่เสถียร ดังนั้นโมเดลทางสถิติหรือ VAE จึงเป็นทางเลือกที่เหมาะสมกว่า
2. ข้อกำหนดด้านความเป็นส่วนตัว: หากจำเป็นต้องรวมการทำ Differential Privacy (การตั้งค่าค่า ε) เข้าไปด้วย ควรให้ความสำคัญกับวิธีการที่มีไลบรารีรองรับ (เช่น VAE / GAN ที่สามารถใช้ร่วมกับ DP-SGD ได้) ทั้งนี้ NIST SP 800-226 ได้ระบุแนวทางการประเมินค่าสัมประสิทธิ์ความเป็นส่วนตัว ε ซึ่งสามารถใช้เป็นเอกสารอ้างอิงในการกำหนดความต้องการได้

บทสรุป: การสร้างข้อมูลสังเคราะห์ (Synthetic Data Generation) ดำเนินการผ่าน 3 ขั้นตอน ได้แก่ "การวิเคราะห์ข้อมูลต้นฉบับ → การเลือกโมเดล → การตรวจสอบคุณภาพ"

หลังจากทำความเข้าใจคุณลักษณะทางสถิติของข้อมูลต้นฉบับอย่างถูกต้องแล้ว ให้เลือกวิธีการที่เหมาะสมจาก GAN, VAE หรือโมเดลทางสถิติ และเมื่อสร้างข้อมูลเสร็จสิ้นแล้ว ให้ตรวจสอบคุณภาพทั้งในด้านความเที่ยงตรง (Fidelity) และการคุ้มครองความเป็นส่วนตัว (Privacy Protection)

แนวทางการ "เริ่มทำไปก่อน" สำหรับการสร้างข้อมูลสังเคราะห์ (Synthetic Data) มักจะนำไปสู่ความล้มเหลว ในความเป็นจริงแล้ว การทำความเข้าใจคุณลักษณะทางสถิติของข้อมูลต้นฉบับอย่างละเอียดก่อนที่จะเข้าสู่ขั้นตอนการสร้าง จะช่วยให้คุณภาพของข้อมูลที่ได้ในท้ายที่สุดสูงขึ้นอย่างมาก

ต่อไปนี้คือรายการที่ควรตรวจสอบก่อนเป็นอันดับแรก:

• รูปทรงการกระจายตัวของตัวแปร: ตรวจสอบว่าตัวแปรต่อเนื่อง (เช่น ยอดคงเหลือสินเชื่อ, ยอดชำระรายเดือน) เป็นการแจกแจงแบบปกติ (Normal Distribution) หรือการแจกแจงแบบเบ้ (Skewed Distribution) และรวบรวมความถี่ของคลาสสำหรับตัวแปรเชิงหมวดหมู่ (เช่น ประเภทอาชีพ, ประเภทหลักประกัน)
• รูปแบบข้อมูลที่ขาดหาย (Missing Data Patterns): การออกแบบโมเดลการสร้างจะเปลี่ยนไปตามลักษณะของข้อมูลที่ขาดหายว่าเป็นแบบสุ่มโดยสมบูรณ์ (MCAR) หรือขาดหายโดยมีความสัมพันธ์กับคุณลักษณะเฉพาะ (MAR/MNAR)
• โครงสร้างความสัมพันธ์ระหว่างตัวแปร: ใช้ Spearman correlation หรือ Cramer's V เพื่อสร้างภาพความสัมพันธ์ระหว่างตัวแปรเชิงตัวเลขและเชิงหมวดหมู่
• ระดับความไม่สมดุลของคลาส (Class Imbalance): ในข้อมูล MFI ที่มีอัตราการผิดนัดชำระหนี้ต่ำ จำเป็นต้องทราบสัดส่วนและจำนวนของคลาสส่วนน้อยอย่างชัดเจน
• ความสัมพันธ์เชิงเวลา (Time-series Dependency): สำหรับตัวแปรที่มีแกนเวลา เช่น ประวัติการชำระหนี้ ควรบันทึกค่า Lag correlation และแนวโน้ม (Trend) ไว้ด้วย

การจัดทำ "Data Profile Sheet" ที่รวบรวมข้อมูลเหล่านี้ไว้ จะทำหน้าที่เป็นเกณฑ์ตัดสินใจเมื่อต้องเลือกโมเดลการสร้างในขั้นตอนที่ 2

สิ่งที่ต้องระมัดระวังเป็นพิเศษคือการจัดการกับโครงสร้างความสัมพันธ์ หากพยายามจัดการตัวแปรแบบแยกส่วนเพื่อสร้างการกระจายตัวของแต่ละตัวแปรขึ้นมาใหม่ ข้อมูลที่สร้างขึ้นมักจะกลายเป็นตัวอย่างที่บิดเบือนและไม่สะท้อนตรรกะการตัดสินใจให้สินเชื่อในโลกความเป็นจริง ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องใช้ Pair plot หรือ Correlation matrix เพื่อลิสต์คู่ตัวแปรที่มีความสัมพันธ์กันอย่างเหนียวแน่นไว้ล่วงหน้า

สุดท้ายนี้ หากข้อมูลต้นฉบับมีจำนวนน้อย ความแม่นยำในการประมาณค่าคุณลักษณะทางสถิติจะต่ำลง ดังนั้นการบันทึก "ความไม่แน่นอนของการประมาณค่า" (Estimation Uncertainty) ไว้ด้วย จะเป็นประโยชน์ต่อการประเมินคุณภาพหลังการสร้างข้อมูล

การเลือกวิธีการสร้างข้อมูล (Generation method) ขึ้นอยู่กับขนาดและลักษณะของข้อมูลที่มีอยู่เป็นสำคัญ โดยสามารถแบ่งออกเป็น 3 กลุ่มหลัก ได้แก่ กลุ่ม GAN, VAE และโมเดลทางสถิติ

GAN (Generative Adversarial Networks) จะใช้ Generator และ Discriminator แข่งขันกันในระหว่างการเรียนรู้ เพื่อสร้างตัวอย่างที่ใกล้เคียงกับการกระจายตัวของข้อมูลต้นฉบับ สำหรับข้อมูลทางการเงินในรูปแบบตาราง (Tabular data) นั้น CTGAN และ TVAE ถือว่ามีผลงานที่ได้รับการยอมรับ ส่วน VAE (Variational Autoencoder) มีโครงสร้างที่บีบอัดข้อมูลลงสู่พื้นที่แฝง (Latent space) แล้วจึงกู้คืนกลับมา ทำให้สามารถจำลองการกระจายตัวของข้อมูลที่ต่อเนื่องได้อย่างราบรื่น จึงถือว่าเหมาะสมกับข้อมูลการให้คะแนนเครดิต (Credit scoring) ที่มักมีค่าที่ขาดหายไป (Missing values) สำหรับโมเดลทางสถิติ (เช่น Copula, Bayesian Network) เป็นวิธีการที่สร้างแบบจำลองโครงสร้างความสัมพันธ์ระหว่างตัวแปรอย่างชัดเจน ทำให้มีความสามารถในการตีความสูง (Interpretability) จึงเหมาะสำหรับ MFI ที่จำเป็นต้องจัดเตรียมเอกสารอธิบายเพื่อรองรับการกำกับดูแล

การตัดสินใจเลือกวิธีใดนั้นขึ้นอยู่กับปริมาณข้อมูลและสภาพแวดล้อมของโครงสร้างพื้นฐาน หากมีตัวอย่างข้อมูลสำหรับการเรียนรู้ตั้งแต่หลักหมื่นรายการขึ้นไปและมีสภาพแวดล้อมแบบ GPU รองรับ กลุ่ม GAN มักจะให้ความแม่นยำสูง แต่หากมีข้อมูลหลักพันรายการหรือน้อยกว่า และให้ความสำคัญกับความสามารถในการตีความ โมเดลทางสถิติอย่าง Copula จะให้ผลลัพธ์ที่เสถียรกว่า

ในด้านการนำไปใช้งานจริง ไลบรารี Python อย่าง SDV (Synthetic Data Vault) หรือเวอร์ชัน Open source ของ Gretel.ai ได้รวบรวม CTGAN, TVAE และ GaussianCopula ไว้ในที่เดียว ซึ่งเป็นทางเลือกที่ช่วยให้ทีมขนาดเล็กอย่าง MFI สามารถนำไปใช้งานได้ง่าย

「ข้อมูลสังเคราะห์ที่สร้างขึ้นมานั้นใช้งานได้จริงหรือไม่ จะตรวจสอบได้อย่างไร」—— นี่เป็นคำถามที่มักพบเจอได้บ่อยในการทำงานจริง การตรวจสอบคุณภาพ (Quality Validation) โดยพื้นฐานแล้วจะดำเนินการผ่าน 3 แกนหลัก ได้แก่ ความเที่ยงตรง (Fidelity) ความหลากหลาย (Diversity) และความเป็นส่วนตัว (Privacy)

การตรวจสอบความเที่ยงตรง (Fidelity)

ตรวจสอบว่าคุณลักษณะทางสถิติของข้อมูลต้นฉบับและข้อมูลสังเคราะห์มีความสอดคล้องกันหรือไม่

• เปรียบเทียบค่าเฉลี่ย (Mean), ความแปรปรวน (Variance) และความเบ้ (Skewness) ของแต่ละฟีเจอร์
• วัดปริมาณความแตกต่างของข้อมูลด้วยการทดสอบ Kolmogorov–Smirnov หรือระยะทาง Jensen–Shannon
• นำเมทริกซ์สหสัมพันธ์ (Correlation Matrix) ของแต่ละฟีเจอร์มาวางเทียบกันเพื่อตรวจสอบด้วยสายตาว่าโครงสร้างความสัมพันธ์ถูกจำลองขึ้นมาใหม่ได้อย่างถูกต้องหรือไม่

การตรวจสอบความหลากหลาย (Diversity)

ตรวจสอบว่าข้อมูลสังเคราะห์ครอบคลุมกลุ่มย่อย (Minority Class) หรือค่าผิดปกติ (Outliers) ของข้อมูลต้นฉบับได้อย่างเหมาะสมหรือไม่

• ตรวจสอบว่าสัดส่วนตัวอย่างของกรณีที่เป็นกลุ่มย่อย (Minority Class) เป็นไปตามค่าเป้าหมายที่กำหนดไว้หรือไม่
• ใช้การลดมิติข้อมูล (Dimensionality Reduction) เช่น t-SNE หรือ UMAP เพื่อซ้อนทับและแสดงภาพการกระจายตัวของข้อมูลต้นฉบับและข้อมูลสังเคราะห์
• นำโมเดลที่ฝึกด้วยข้อมูลสังเคราะห์ไปประเมินผลกับข้อมูลจริง เพื่อตรวจสอบว่าค่าความแตกต่างของ AUC อยู่ในเกณฑ์ที่ยอมรับได้หรือไม่ (Train on Synthetic, Test on Real)

การตรวจสอบความเป็นส่วนตัว (Privacy)

NIST SP 800-226 แนะนำให้มีการประเมินเชิงปริมาณของค่าสัมประสิทธิ์ความเป็นส่วนตัว ε (epsilon) เมื่อประเมินการรับประกันความเป็นส่วนตัวเชิงอนุพันธ์ (Differential Privacy) โปรดตรวจสอบความเสี่ยงตามมุมมองดังต่อไปนี้

บทสรุป: ข้อมูลสังเคราะห์ (Synthetic Data) ไม่ใช่แค่สร้างเสร็จแล้วจบไป แต่วิธีการนำไปผสมผสานกับข้อมูลจริงและการเลือกใช้โมเดลอย่างเหมาะสม คือปัจจัยชี้ขาดความแม่นยำในการพยากรณ์ขั้นสุดท้าย

ในการฝึกสอนโมเดลการให้คะแนนเครดิต (Credit Scoring Model) ด้วยข้อมูลสังเคราะห์ กุญแจสำคัญมี 3 ประการ ได้แก่ การออกแบบคุณลักษณะ (Feature Engineering), อัตราส่วนการผสมข้อมูล (Data Mixing Ratio) และการเลือกอัลกอริทึม (Algorithm Selection) โดยจะขออธิบายรายละเอียดในแต่ละขั้นตอนดังนี้ครับ

หลายคนมักคิดว่าการนำข้อมูลสังเคราะห์ (Synthetic Data) เข้าสู่โมเดลโดยตรงจะช่วยเพิ่มความแม่นยำ แต่ในความเป็นจริง การจัดระเบียบวิธีการใช้ข้อมูลสังเคราะห์ตั้งแต่ขั้นตอนการออกแบบฟีเจอร์ (Feature Engineering) จะให้ผลลัพธ์ที่มีประสิทธิภาพมากกว่า แม้ข้อมูลที่สร้างขึ้นจะจำลองการกระจายตัวของข้อมูลต้นฉบับได้อย่างแม่นยำ แต่หากมีการรวมฟีเจอร์โดยไม่คำนึงถึงความหมายของข้อมูล ก็มักจะส่งผลให้ความสามารถในการสรุปผล (Generalization Performance) ของโมเดลไม่ดีขึ้น

แนวทางการทำฟีเจอร์เอนจิเนียริ่งเบื้องต้นมีดังนี้:

• กำหนดฟีเจอร์จากข้อมูลต้นฉบับ: ฟีเจอร์ที่เกี่ยวข้องกับความเสี่ยงด้านเครดิต เช่น จำนวนครั้งที่ผิดนัดชำระหนี้, อัตราส่วนหนี้สินต่อรายได้ (DTI) และความถี่ในการทำธุรกรรม ควรถูกดึงมาจากข้อมูลจริงก่อนเป็นอันดับแรก
• ขยายพื้นที่ฟีเจอร์ด้วยข้อมูลสังเคราะห์: ใช้ข้อมูลสังเคราะห์เพื่อเติมเต็มรูปแบบข้อมูลที่หายากซึ่งข้อมูลจริงครอบคลุมไม่ถึง (เช่น กรณีที่มีการสมัครสินเชื่อหลายรายการในช่วงเวลาสั้นๆ) เพื่อเพิ่มจำนวนกรณีศึกษาให้โมเดลได้เรียนรู้
• ใช้การปรับสเกลและการแปลงข้อมูลที่เป็นมาตรฐานเดียวกัน: หากไม่ใช้ไปป์ไลน์การประมวลผลล่วงหน้า (เช่น การทำ Normalization หรือ Log Transformation) เดียวกันทั้งข้อมูลจริงและข้อมูลสังเคราะห์ ความแตกต่างของการกระจายตัวของข้อมูลจะส่งผลเสียต่อโมเดล
• ระมัดระวังการทำ Encoding ตัวแปรกลุ่ม (Categorical Variables): สำหรับตัวแปรกลุ่ม เช่น ประเภทอาชีพหรือรหัสพื้นที่ ควรตรวจสอบให้แน่ใจว่าข้อมูลสังเคราะห์ยังคงรักษาการกระจายความถี่เดิมไว้ก่อนที่จะทำการ Encoding

ในบริบทของ MFI (Microfinance Institutions) มีการนำข้อมูลทางเลือก (Alternative Data) ของลูกค้าที่ไม่มีบัญชีธนาคารอย่างเป็นทางการ (เช่น ประวัติการชำระค่าโทรศัพท์มือถือ, บันทึกการชำระคืนสินเชื่อกลุ่ม) มาใช้เป็นฟีเจอร์เพิ่มมากขึ้น ซึ่งฟีเจอร์ทางเลือกเหล่านี้มักมีจำนวนตัวอย่างข้อมูลจริงน้อย จึงเป็นส่วนที่การใช้ข้อมูลสังเคราะห์เข้ามาเติมเต็มจะมีประสิทธิภาพสูงเป็นพิเศษ

การกำหนดสัดส่วนการผสมข้อมูลสังเคราะห์ (Synthetic Data) เป็นการตัดสินใจเชิงออกแบบที่สำคัญซึ่งส่งผลต่อประสิทธิภาพในการสรุปผล (Generalization) ของโมเดล

หากมีข้อมูลจริงเพียงพอ การกำหนดสัดส่วนข้อมูลสังเคราะห์ไว้ในระดับที่ค่อนข้างต่ำและจำกัดไว้เพียงเพื่อการเติมเต็มการกระจายตัวของข้อมูล (Distribution) ถือเป็นจุดเริ่มต้นที่มั่นคง ในทางกลับกัน ในช่วงเริ่มต้นที่ข้อมูลจริงมีอยู่อย่างจำกัดมาก หรือในสถานการณ์ที่มีความไม่สมดุลของคลาส (Class Imbalance) ซึ่งกรณีตัวอย่างที่เป็นค่าเริ่มต้น (Default cases) มีน้อย การใช้วิธีเพิ่มสัดส่วนข้อมูลสังเคราะห์ให้สูงขึ้นเพื่อปรับสมดุลของคลาสจะเป็นแนวทางที่มีประสิทธิภาพ

ขั้นตอนเชิงปฏิบัติในการกำหนดสัดส่วนมีดังนี้:

• การตรวจสอบ Baseline: ฝึกสอนโมเดลด้วยข้อมูลจริงเพียงอย่างเดียว และบันทึกค่า AUC และ KS Statistics
• การผสมแบบค่อยเป็นค่อยไป: เพิ่มข้อมูลสังเคราะห์ทีละน้อยพร้อมกับวัดค่าตัวชี้วัดเดิมซ้ำอีกครั้ง
• การตรวจจับการเสื่อมถอย: เปรียบเทียบกับ Baseline ที่ใช้ข้อมูลจริงเพียงอย่างเดียว และบันทึกสัดส่วนที่เริ่มทำให้ค่า AUC ลดลงไว้เป็น "ขีดจำกัดสูงสุด"
• การเฝ้าระวัง Drift ด้วย PSI: หลังจากนำไปใช้กับข้อมูลจริงในการทำงานจริง (Production) ให้ติดตามความคลาดเคลื่อนของการกระจายตัวอย่างต่อเนื่องด้วย Population Stability Index (PSI)

ข้อควรระวังคือ ยิ่งเพิ่มสัดส่วนข้อมูลสังเคราะห์มากเท่าใด โมเดลก็จะยิ่งเรียนรู้ "การกระจายตัวของข้อมูลสังเคราะห์" ได้ง่ายขึ้น ซึ่งมีความเสี่ยงที่จะทำให้เกิดความคลาดเคลื่อนจากการกระจายตัวของผู้สมัครจริง ดังนั้น การตัดสินใจขั้นสุดท้ายเกี่ยวกับสัดส่วนการผสมจึงมีเงื่อนไขว่าชุดข้อมูลตรวจสอบ (Validation Set) จะต้องประกอบด้วยข้อมูลจริงเท่านั้น การนำข้อมูลสังเคราะห์เข้าไปปะปนในชุดข้อมูลตรวจสอบจะนำไปสู่การประเมินผลที่สูงเกินจริง (Overestimation) จึงต้องแยกแหล่งที่มาของข้อมูลระหว่างชุดข้อมูลฝึกสอน (Training Set) และชุดข้อมูลตรวจสอบออกจากกันอย่างเคร่งครัด

สัดส่วนการผสมไม่ใช่ค่าคงที่ แต่จำเป็นต้องมีการทบทวนเป็นระยะตามสถานการณ์การสะสมของข้อมูล

คำถามที่ว่า "หากต้องการฝึกสอนด้วยข้อมูลสังเคราะห์ (Synthetic Data) ควรเลือกโมเดลใดจึงจะนำไปใช้งานจริงได้" เป็นกำแพงด่านแรกที่ต้องเผชิญในขั้นตอนการนำไปใช้งานจริง (Implementation Phase)

เกณฑ์การตัดสินใจพื้นฐานในการเลือกโมเดลคือ ความสมดุลระหว่าง 3 ปัจจัย ได้แก่ ความสามารถในการตีความ (Interpretability), ความแม่นยำ (Accuracy) และปริมาณข้อมูล (Data Volume)

Logistic Regression มีจุดเด่นที่ค่าสัมประสิทธิ์สามารถบ่งบอกถึงอิทธิพลของแต่ละฟีเจอร์ได้โดยตรง ทำให้ง่ายต่อการอธิบายแก่เจ้าหน้าที่สินเชื่อหรือหน่วยงานกำกับดูแล นอกจากนี้ยังมีข้อดีคือไม่เกิดภาวะ Overfitting กับสัญญาณรบกวน (Noise) ขนาดเล็กที่มักพบในข้อมูลสังเคราะห์ได้ง่าย อย่างไรก็ตาม เนื่องจากยากที่จะจับความสัมพันธ์แบบไม่เป็นเส้นตรง (Non-linear relationship) ระหว่างตัวแปร จึงอาจมีกรณีที่ประสิทธิภาพในการแยกแยะคะแนนเครดิตมีจำกัด

Gradient Boosting (เช่น XGBoost, LightGBM) มีแนวโน้มที่จะได้เปรียบในด้านความแม่นยำของการทำนายการผิดนัดชำระหนี้ เนื่องจากสามารถเรียนรู้รูปแบบที่ไม่เป็นเส้นตรงและปฏิสัมพันธ์ระหว่างตัวแปรได้โดยอัตโนมัติ ในทางกลับกัน หากไม่ใช้เครื่องมือช่วยอธิบายอย่าง SHAP Values ควบคู่ไปด้วย ตรรกะภายในจะมีความไม่โปร่งใส ทำให้ต้องใช้แรงงานเพิ่มในมุมของการปฏิบัติตามกฎระเบียบ (Regulatory Compliance)

สรุปแนวทางในการเลือกได้ดังนี้:

• ปริมาณข้อมูลน้อย / ให้ความสำคัญกับความรับผิดชอบในการอธิบายเป็นอันดับแรก: เลือกใช้ Logistic Regression เป็นโมเดลพื้นฐาน
• ต้องการเพิ่มความแม่นยำ / สามารถรับรองความสามารถในการอธิบายได้ด้วย SHAP ฯลฯ: เปลี่ยนไปใช้ Gradient Boosting
• ในขั้นตอนที่มีสัดส่วนข้อมูลสังเคราะห์สูง: ควรเริ่มจากโมเดลที่เรียบง่ายเพื่อตรวจสอบความสามารถในการจำลองการกระจายตัว (Distribution) ก่อน แล้วจึงขยับไปสู่โมเดลที่ซับซ้อนขึ้น

ทั้งนี้ เมื่อประเมินโมเดลที่ฝึกสอนด้วยข้อมูลสังเคราะห์โดยใช้ข้อมูลจริง (Real Data) จำเป็นต้องระวังว่า ยิ่งโมเดลมีความซับซ้อนมากเท่าใด ก็ยิ่งได้รับผลกระทบจากความคลาดเคลื่อนของการกระจายตัว (Distribution Shift) ได้ง่ายขึ้นเท่านั้น

แม้จะมีความแม่นยำสูง แต่หากยังคงมีความเสี่ยงด้านความเป็นส่วนตัว ความหมายของการใช้ข้อมูลสังเคราะห์ (Synthetic Data) ก็จะลดลงครึ่งหนึ่ง ในทางกลับกัน หากปกป้องความเป็นส่วนตัวเข้มงวดจนเกินไป ความสามารถในการจำแนกของโมเดลก็จะลดลงจนไม่สามารถนำไปใช้งานจริงได้ ทั้งสองสิ่งนี้มีความสัมพันธ์แบบแลกเปลี่ยนกัน (Trade-off) ดังนั้น หากประเมินตัวชี้วัดความแม่นยำ เช่น AUC หรือ KS statistic แยกออกจากตัวชี้วัดความเสี่ยงด้านความเป็นส่วนตัว ก็มักจะนำไปสู่การตัดสินใจที่เอนเอียงไปด้านใดด้านหนึ่ง ต่อจากนี้ไป เราจะมาดูวิธีการประเมินแต่ละแบบอย่างละเอียดครับ

ในการประเมินโมเดลที่ฝึกด้วยข้อมูลสังเคราะห์ (Synthetic Data) หากเลือกตัวชี้วัดความแม่นยำไม่เหมาะสม อาจทำให้มองข้ามโมเดลที่ "ดูดีแต่ใช้งานจริงไม่ได้" ได้ง่าย ในช่วงแรกเรามักตัดสินด้วย Accuracy (ความแม่นยำ) เพียงอย่างเดียว แต่สำหรับการให้คะแนนเครดิต (Credit Scoring) ที่มีอัตราการผิดนัดชำระหนี้ (Default Rate) ต่ำนั้น จะได้รับผลกระทบจากความไม่สมดุลของคลาส (Class Imbalance) ดังนั้นการใช้ตัวชี้วัดสามตัวร่วมกัน ได้แก่ AUC, KS Statistic และ PSI จะช่วยให้เข้าใจสถานการณ์จริงได้อย่างแม่นยำกว่า

AUC (Area Under the ROC Curve) แสดงถึงความสามารถโดยรวมของโมเดลในการจำแนกกลุ่มลูกค้าที่ผิดนัดชำระหนี้ออกจากกลุ่มลูกค้าปกติ ยิ่งค่าเข้าใกล้ 1.0 ยิ่งมีความสามารถในการจำแนกสูง ส่วนค่า 0.5 หมายถึงเท่ากับการสุ่ม สำหรับโมเดลที่ฝึกด้วยข้อมูลสังเคราะห์ เราสามารถตรวจสอบประสิทธิผลของข้อมูลสังเคราะห์ได้โดยการเปรียบเทียบค่า AUC กับโมเดลที่ฝึกด้วยข้อมูลจริงเพียงอย่างเดียว

KS Statistic (Kolmogorov-Smirnov Statistic) วัดความแตกต่างสูงสุดของฟังก์ชันการกระจายสะสม (Cumulative Distribution Function) ระหว่างกลุ่มที่ผิดนัดชำระหนี้และกลุ่มที่ไม่ผิดนัดชำระหนี้ในส่วนของการกระจายคะแนน ยิ่งค่าสูงแสดงว่าทั้งสองกลุ่มมีการแยกออกจากกันอย่างชัดเจน ซึ่งเป็นตัวชี้วัดที่สำคัญในการปฏิบัติงานด้าน Credit Scoring

PSI (Population Stability Index) ใช้สำหรับวัดปริมาณความคลาดเคลื่อนของการกระจายคะแนนระหว่างช่วงการฝึกฝน (Training) และช่วงการใช้งานจริง (Production) โดยมีเกณฑ์การตัดสินหลักดังนี้:

• PSI < 0.1: การกระจายตัวมีความเสถียร ไม่จำเป็นต้องฝึกโมเดลใหม่
• 0.1 ≤ PSI < 0.2: มีการเปลี่ยนแปลงเล็กน้อย ควรเพิ่มความเข้มงวดในการเฝ้าระวัง
• PSI ≥ 0.2: มีการเปลี่ยนแปลงอย่างมีนัยสำคัญ จำเป็นต้องตรวจสอบและพิจารณาฝึกโมเดลใหม่

Membership Inference Attack (การโจมตีแบบอนุมานสมาชิก) คือวิธีการที่ผู้โจมตีคาดการณ์ว่า "ข้อมูลส่วนบุคคลเฉพาะเจาะจงถูกนำไปใช้ในการฝึกสอนโมเดลหรือไม่" โดยการสังเกตผลลัพธ์ของโมเดล แม้จะใช้ข้อมูลสังเคราะห์ (Synthetic Data) ในการฝึกสอน แต่หากคุณลักษณะทางสถิติของข้อมูลต้นฉบับยังคงอยู่มากเกินไป ความเสี่ยงนี้ก็อาจยังคงหลงเหลืออยู่

ขั้นตอนพื้นฐานของการทดสอบการโจมตี มีดังนี้:

• การสร้าง Shadow Model: ฝึกสอน Shadow Model แยกต่างหากเพื่อเลียนแบบมุมมองของผู้โจมตี แล้วนำไปเปรียบเทียบกับการกระจายคะแนนการทำนายของโมเดลหลัก
• การวิเคราะห์ส่วนต่างของคะแนนความเชื่อมั่น (Confidence Score): ตรวจสอบว่ามีความแตกต่างอย่างมีนัยสำคัญในความน่าจะเป็นของผลลัพธ์โมเดลระหว่างกลุ่มตัวอย่างที่รวมอยู่ในข้อมูลฝึกสอนและกลุ่มที่ไม่ได้รวมอยู่หรือไม่
• การวัดอัตราความสำเร็จของการโจมตี: หากความแม่นยำในการโจมตีสูงกว่าการสุ่ม (อัตราความสำเร็จ 50%) อย่างมีนัยสำคัญ ให้ตัดสินว่ามีความเสี่ยงด้านความเป็นส่วนตัว

ในการตีความผลการทดสอบ การแบ่งเงื่อนไขมีความสำคัญ หากอัตราความสำเร็จของการโจมตีอยู่ในระดับการสุ่ม (ประมาณ 50%) จะถือว่าอยู่ในเกณฑ์ที่ยอมรับได้ แต่หากอัตราความสำเร็จสูงอย่างเห็นได้ชัด จำเป็นต้องปรับค่า ε (epsilon) ของ Differential Privacy ให้เล็กลง หรือทบทวนพารามิเตอร์การสร้างข้อมูลสังเคราะห์ใหม่

ใน NIST SP 800-226 ได้มีการจัดระเบียบความสัมพันธ์ระหว่างระดับการรับรองของ Differential Privacy กับข้อมูลสังเคราะห์ โดยการตั้งค่าสัมประสิทธิ์ความเป็นส่วนตัว ε จะทำหน้าที่เป็นเกณฑ์สำหรับการประเมินความเสี่ยง ยิ่งค่า ε น้อย การปกป้องความเป็นส่วนตัวก็จะยิ่งแข็งแกร่งขึ้น แต่เนื่องจากจะเกิดการแลกเปลี่ยน (Trade-off) กับประโยชน์ใช้สอย (ความเที่ยงตรง) ของข้อมูล จึงจำเป็นต้องปรับค่าโดยคำนึงถึงข้อกำหนดด้านความแม่นยำของการให้คะแนนเครดิต (Credit Scoring) ควบคู่ไปด้วย

บทสรุป: ข้อควรระวังในการใช้ข้อมูลสังเคราะห์ (Synthetic Data) มี 2 ประเด็นหลัก ได้แก่ "การเรียนรู้เกินพอดี" (Overfitting) และ "การจำลองกลุ่มข้อมูลส่วนน้อยไม่เพียงพอ" (Under-representation of minority classes) การทราบแนวทางป้องกันไว้ล่วงหน้าจะช่วยป้องกันความเสื่อมถอยของโมเดลได้

ในการพัฒนาการให้คะแนนเครดิต (Credit Scoring) โดยใช้ข้อมูลสังเคราะห์ มักจะเกิดรูปแบบความล้มเหลวเดิมๆ ซ้ำอยู่เสมอ ในหัวข้อ H3 ต่อจากนี้ เราจะกล่าวถึงปัญหาใหญ่ 2 ประการ ได้แก่ ความเสื่อมถอยของโมเดลที่เกิดจากความคลาดเคลื่อนของการกระจายตัว (Distribution Shift) และการจำลองกรณีการผิดนัดชำระหนี้ (Default cases) ที่ไม่เพียงพอ พร้อมทั้งอธิบายแนวทางแก้ไขสำหรับแต่ละปัญหา

ยิ่งข้อมูลสังเคราะห์ (Synthetic Data) พยายามเลียนแบบ "สำเนาที่สมบูรณ์แบบของข้อมูลต้นฉบับ" มากเท่าใด ก็ยิ่งทำให้โมเดลเสียหายได้ง่ายขึ้นเท่านั้น ซึ่งมีโครงสร้างคล้ายกับการท่องจำสูตรอาหารอย่างแม่นยำ แต่กลับไม่สามารถรับมือกับความแตกต่างเล็กน้อยของวัตถุดิบจริงได้

เมื่อโมเดลกำเนิด (Generative Model) ปรับตัวเข้ากับข้อมูลต้นฉบับมากเกินไป ข้อมูลสังเคราะห์จะมีรูปแบบการกระจายตัวที่เกือบจะเหมือนกับข้อมูลต้นฉบับทุกประการ การนำข้อมูลนี้ไปใช้ฝึกสอนโมเดลให้คะแนน (Scoring Model) จึงเท่ากับการ "ท่องจำ" ลักษณะทางสถิติของข้อมูลต้นฉบับเพียงอย่างเดียว ส่งผลให้ประสิทธิภาพในการสรุปผล (Generalization) ต่อข้อมูลการสมัครใหม่ในการใช้งานจริงลดลงอย่างมีนัยสำคัญ

ปัญหาเรื่องการเบี่ยงเบนของข้อมูล (Covariate Shift) ก็เป็นสิ่งที่มองข้ามไม่ได้เช่นกัน หากการกระจายตัวของฟีเจอร์ระหว่างข้อมูลสังเคราะห์และข้อมูลที่ใช้จริงมีความแตกต่างกัน โมเดลจะเรียนรู้รูปแบบที่ไม่มีอยู่จริงในโลกความเป็นจริง อาการที่พบบ่อย ได้แก่ ค่า AUC ในช่วงการฝึกสอนสูง แต่ค่า KS Statistic ในสภาพแวดล้อมจริงกลับลดลงอย่างรวดเร็ว, ค่า PSI (Population Stability Index) เกินเกณฑ์ที่กำหนดจนต้องมีการฝึกสอนโมเดลใหม่บ่อยครั้ง หรืออัตราการอนุมัติมีความเอนเอียงอย่างไม่เป็นธรรมชาติในกลุ่มอายุหรือหมวดหมู่อาชีพบางกลุ่ม เมื่อเริ่มมีสัญญาณเหล่านี้ การแยกแยะว่าปัญหาอยู่ที่ "คุณภาพของข้อมูลสังเคราะห์" หรือ "โครงสร้างของโมเดล" จะทำได้ยาก ดังนั้นการตรวจพบตั้งแต่เนิ่นๆ จึงเป็นเรื่องสำคัญ

การป้องกันปัญหา Overfitting และ Covariate Shift จำเป็นต้องมีมาตรการรับมือทั้งในขั้นตอนการสร้างข้อมูลและขั้นตอนการประเมินผล

หลังจากสร้างข้อมูลสังเคราะห์ (Synthetic Data) แล้ว หลายคนมักคิดว่า "จำนวนตัวอย่างเพิ่มขึ้นแล้วก็น่าจะไม่มีปัญหา" แต่ในความเป็นจริง คุณภาพการจำลองกรณีผิดนัดชำระหนี้ (Default cases ซึ่งเป็นกลุ่มส่วนน้อย) ต่างหากที่เป็นตัวกำหนดความแม่นยำของโมเดล

ในชุดข้อมูลการให้คะแนนเครดิต (Credit Scoring) ลูกค้าที่ผิดนัดชำระหนี้มักมีเพียงไม่กี่เปอร์เซ็นต์ของทั้งหมด ซึ่งเป็นสถานการณ์ที่เกิดความไม่สมดุลของคลาส (Class Imbalance) ได้โดยธรรมชาติ หากการสร้างข้อมูลสังเคราะห์ไม่สามารถจับลักษณะทางสถิติของกรณีผิดนัดชำระหนี้เหล่านี้ได้อย่างเพียงพอ จะนำไปสู่ปัญหาต่อเนื่องดังต่อไปนี้:

• การสร้างข้อมูลที่ถูกครอบงำโดยคลาสส่วนใหญ่: โมเดลการสร้างข้อมูล (Generative Model) เรียนรู้รูปแบบการชำระหนี้ปกติมากเกินไป (Overfitting) จนทำให้ฟีเจอร์เฉพาะของการผิดนัดชำระหนี้ (เช่น ความถี่ในการชำระล่าช้า, ความผันผวนของรายได้) ถูกทำให้เรียบจนเสียลักษณะเฉพาะไป
• ความแม่นยำลวง: ค่า Accuracy โดยรวมอาจดูสูง แต่จะได้ "โมเดลที่ดูดีแต่เปลือก" ซึ่งมีค่า Recall ของกรณีผิดนัดชำระหนี้ต่ำมาก
• ความสูญเสียที่เพิ่มขึ้นในการใช้งานจริง: โมเดลตัดสินผู้สมัครที่มีความเสี่ยงสูงผิดพลาดว่าเป็น "ปกติ" ส่งผลให้อัตราหนี้เสีย (Default Rate) เพิ่มสูงขึ้น

เพื่อหลีกเลี่ยงปัญหานี้ การใช้การสร้างข้อมูลแบบมีเงื่อนไข (Conditional Generation เช่น การตั้งค่า Class Condition ใน Conditional GAN หรือ CTGAN) โดยมุ่งเน้นไปที่กรณีผิดนัดชำระหนี้โดยเฉพาะ เพื่อเพิ่มจำนวนตัวอย่างของคลาสส่วนน้อยอย่างตั้งใจ จะเป็นวิธีที่มีประสิทธิภาพ หลังจากสร้างข้อมูลแล้ว อย่าลืมตรวจสอบค่า F1 Score ของคลาสส่วนน้อยและค่า KS Statistics นอกเหนือจากค่า AUC

นอกจากนี้ หากกรณีผิดนัดชำระหนี้ในข้อมูลต้นฉบับมีน้อยมาก (หลักสิบรายการหรือน้อยกว่า) จะมีความเสี่ยงที่ตัวโมเดลการสร้างข้อมูลเองจะเกิด Overfitting ในกรณีดังกล่าว ให้พิจารณาใช้ข้อมูลเปิดภายนอก (Open Data) ที่มีคุณลักษณะใกล้เคียงกัน หรือใช้ความรู้จากผู้เชี่ยวชาญมาเสริมข้อมูลต้นฉบับก่อนเริ่มกระบวนการสร้างข้อมูล

บทสรุป: ข้อมูลสังเคราะห์ (Synthetic Data) เป็นเครื่องมือที่มีประสิทธิภาพในการตอบโจทย์ด้านกฎระเบียบความเป็นส่วนตัวและแก้ไขปัญหาการขาดแคลนข้อมูลสำหรับฝึกสอน (Training Data) ได้ในเวลาเดียวกัน อย่างไรก็ตาม หากไม่ดำเนินการตามขั้นตอนการสร้าง การประเมิน และการใช้งานอย่างถูกต้อง การรักษาความสมดุลระหว่างความแม่นยำและการปฏิบัติตามกฎระเบียบ (Compliance) จะเป็นเรื่องที่ทำได้ยาก

เนื้อหาที่อธิบายในบทความนี้สามารถสรุปได้ดังนี้:

• การตรวจสอบเงื่อนไขเบื้องต้น: การประเมินคุณภาพของข้อมูลต้นฉบับและการกำหนดความต้องการระดับการปกป้องความเป็นส่วนตัว เช่น Differential Privacy หรือ k-anonymity คือจุดเริ่มต้นที่สำคัญ
• การเลือกวิธีการสร้าง: GAN, VAE และโมเดลทางสถิติ ต่างมีคุณสมบัติเฉพาะตัว ซึ่งจำเป็นต้องเลือกให้เหมาะสมกับขนาดของข้อมูลและวัตถุประสงค์ของ MFI
• การตรวจสอบคุณภาพอย่างละเอียด: ควรประเมินโดยใช้ 3 แกนหลัก ได้แก่ ความเที่ยงตรง (Fidelity), ความหลากหลาย (Diversity) และความเสี่ยงด้านความเป็นส่วนตัว (Privacy Risk) รวมถึงควรดำเนินการทดสอบการโจมตีแบบ Membership Inference Attack ด้วย
• การปรับสัดส่วนผสมให้เหมาะสม: สัดส่วนระหว่างข้อมูลจริงและข้อมูลสังเคราะห์ไม่ควรเป็นค่าคงที่ แต่ควรปรับเปลี่ยนอย่างต่อเนื่องโดยใช้ตัวชี้วัดอย่าง AUC หรือ PSI
• การหลีกเลี่ยงรูปแบบความล้มเหลว: ปัญหาที่พบบ่อยที่สุดคือความเสื่อมถอยของโมเดลที่เกิดจากความคลาดเคลื่อนของข้อมูล (Distribution Shift) และการจำลองข้อมูลกลุ่มน้อย (Default Cases) ได้ไม่เพียงพอ

ตามที่ระบุไว้ใน GDPR Recital 26 ข้อมูลสังเคราะห์ที่ผ่านการทำนิรนาม (Anonymization) อย่างเหมาะสมอาจช่วยลดข้อจำกัดทางกฎระเบียบลงได้อย่างมาก ในทางกลับกัน หากการออกแบบกระบวนการสร้างข้อมูลไม่เพียงพอ ก็ยังคงมีความเสี่ยงที่จะระบุตัวตนจากข้อมูลต้นฉบับได้ เนื่องจากข้อกำหนดทางกฎหมายแตกต่างกันไปตามภูมิภาคและอุตสาหกรรม จึงขอแนะนำให้ดำเนินการโดยประสานงานร่วมกับฝ่ายกฎหมายและฝ่ายกำกับดูแลการปฏิบัติตามกฎระเบียบ (Compliance)

สำหรับสถาบันการเงินในตลาดเกิดใหม่ รวมถึง MFI ในประเทศลาว ยิ่งมีข้อมูลในอดีตน้อยเท่าใด ก็ยิ่งมีแนวโน้มที่จะได้รับประโยชน์จากข้อมูลสังเคราะห์มากขึ้นเท่านั้น