Steeds meer AI-bedrijven laten hun trainingsdata niet langer door mensen maken, maar door andere AI-modellen. Het idee is aantrekkelijk: synthetische data is snel, goedkoop en schijnbaar onbeperkt beschikbaar. Op het eerste gezicht lijkt dat het einde van handmatig labelen. Toch zien we in de praktijk het omgekeerde: hoe meer machinegemaakte data er in omloop komt, hoe waardevoller zorgvuldig menselijk gelabelde data wordt.
Wat is synthetische data?
Synthetische data is data die niet uit de echte wereld komt, maar door een computermodel wordt gegenereerd. Denk aan kunstmatige foto’s, verzonnen klantgesprekken, gesimuleerde verkeerssituaties of labels die een AI-model automatisch toekent.
Dat heeft echte voordelen. Een model kan in enkele uren miljoenen voorbeelden maken. Zeldzame situaties, zoals een voetganger die bij mist plots oversteekt, kunnen nagebootst worden zonder ze eerst in het echt te moeten vastleggen. En omdat er geen echte personen in voorkomen, is synthetische data interessant waar privacy gevoelig ligt.
Wanneer AI van AI leert
Synthetische data heeft ook een schaduwzijde. In de AI-wereld spreekt men van model collapse: AI-modellen die steeds opnieuw getraind worden op data van andere modellen, verliezen generatie na generatie aan kwaliteit.
Vergelijk het met het kinderspel doorfluisteren. Elke speler geeft de boodschap net iets anders door, en aan het einde van de rij blijft er weinig over van wat er oorspronkelijk gezegd werd. Bij AI gebeurt hetzelfde: wat zelden voorkomt, valt als eerste weg. Wat overblijft is een afgevlakte, voorspelbare versie van de werkelijkheid.
Dat is meer dan een technisch detail. Net de zeldzame gevallen bepalen of een AI-systeem in de praktijk te vertrouwen is: de ongewone afwijking op een scan, de kabel met een nauwelijks zichtbare beschadiging, het dak met een vorm die zelden op luchtfoto’s verschijnt. Daar maakt AI de meeste fouten, en daar kosten die fouten het meest.
Echte data wordt schaars
Tegelijk wordt goede, door mensen gemaakte data steeds schaarser. AI-modellen hebben al enorme hoeveelheden tekst en beeld van het internet verwerkt, en dat internet staat intussen zelf vol AI-gegenereerde inhoud. Wie vandaag data van het web verzamelt, haalt dus onbewust ook synthetische data binnen.
Daarnaast wordt er steeds kritischer gekeken naar de herkomst van trainingsdata, door klanten én door de Europese regelgeving rond AI. Weten waar data vandaan komt en wie ze gecontroleerd heeft, is daarmee niet langer alleen een kwaliteitskwestie.
Mens en machine: de juiste mix maakt het verschil
Betekent dit dat synthetische data uit den boze is? Helemaal niet. Het komt erop aan hoe ze ingezet wordt. Het loopt mis wanneer synthetische data de echte data verdringt. Blijft er een stevige basis van echte, gecontroleerde data, en komt de synthetische data daar bovenop, dan houdt het model stand.
Uit onze projecten onthouden we drie principes:
- Laat AI het voorwerk doen, laat mensen het laatste woord hebben. Een model zet een eerste versie van de labels klaar. Annotatoren nemen die door en corrigeren waar nodig. Zo wint men tijd zonder in te boeten aan nauwkeurigheid.
- Bewaar een referentieset die door mensen gemaakt is. Synthetische voorbeelden zijn nuttig om gaten op te vullen, zeker bij situaties die zelden voorkomen. Maar een zorgvuldig handmatig gelabelde dataset blijft het vaste ijkpunt om te meten of het model nog doet wat het moet doen.
- Controleer regelmatig, niet pas achteraf. Wie geregeld een steekproef laat nakijken door mensen, ziet afwijkingen vroeg opduiken, nog voor ze ongemerkt in het hele model sluipen.
De rol van het menselijke oog verschuift
Voor het werk van annotatoren betekent dit geen einde, maar een verschuiving. Minder ‘alles zelf labelen’, meer controleren, corrigeren en bewaken. Dat vraagt precies de eigenschappen waarin onze medewerkers met een autismespectrumprofiel uitblinken: oog voor detail, consistentie en een concentratie die niet verslapt bij repetitieve controletaken. Waar een AI-model een fout met grote zekerheid kan presenteren, merkt een geoefend menselijk oog net het detail op dat niet klopt.
Hoe slimmer de machines worden, hoe belangrijker het menselijke kompas dat ze bijstuurt.
Oog voor Detail (Detail vzw) is een Vlaams sociaal maatwerkbedrijf uit Diest dat hoogwaardige data-annotatie, datalabeling en kwaliteitscontrole levert, uitgevoerd door mensen met een autismespectrumprofiel.