Clouderaは、企業における大規模言語モデル（LLM）活用で高まるプライバシーリスクへの対応策として、合成データの活用が有効だとの見方を示した。教師ありファインチューニング（SFT）やモデル評価、RAG、AIエージェント向けデータ整備の各領域で、機微情報を扱わずに開発や検証を進めやすくなるとしている。

同社によると、AIの企業導入が進む中、LLMは顧客サポート、データ分析、開発者の生産性向上、ナレッジ管理など幅広い業務で活用が広がっている。AIエージェントの台頭により、AIの役割は情報検索や推論にとどまらず、実務の遂行へと広がりつつあるという。

一方で、AI活用の拡大に伴い、プライバシーリスクへの懸念も強まっている。モデル性能の向上に必要なデータには、サポートの会話履歴や取引履歴、運用ログなどが含まれ、個人識別情報（PII）や規制対象となる情報、企業固有の業務文脈に触れるケースが少なくない。

合成データは、実データの特徴や主要なパターンを反映しながら、実在の記録をそのまま再現しない形でアルゴリズムにより生成するデータを指す。Clouderaは、これを活用することで、機微情報の露出を抑えつつAIの開発やテストを進められるとしている。

合成データの用途も、単純なテーブルデータの生成にとどまらない。最近では、元データを使わずに実務フローの構造を反映した合成インストラクションデータや合成対話データ、合成インシデントチケット、合成Q&Aデータの生成も可能になっているという。

Clouderaは、合成データの有効な活用先として3つの領域を挙げた。

1つ目は、SFTとドメイン適応だ。企業はAIモデルに対し、特定分野に即した動作を求めており、組織固有の用語やポリシー、製品カタログの構造、エスカレーションのルールなどを理解・反映させる必要がある。ただ、こうした調整に使う学習データには機微情報が含まれやすく、利用に制約が生じる。Clouderaは、合成データセットであれば、業務上の意図や形式を反映しながら、個人情報の露出リスクを抑えた学習環境を構築できると説明した。

2つ目は、大規模AIモデルの評価だ。企業向けAIでは、評価工程がボトルネックになりやすいという。日常的な問い合わせに加え、エッジケース、障害発生時のシナリオ、コンプライアンス上機微なテーマなど、さまざまな条件でモデルを検証する必要があるためだ。

Clouderaは、合成タスクを生成することで、手作業に比べて短時間で、より網羅的かつ再現性のある評価セットを構築できると説明した。適切に運用できれば、本番導入前のモデル挙動に対する信頼性を高められるほか、テスト過程で機微な元データを扱う必要も減らせるとしている。

3つ目は、RAGとAIエージェント向けのデータ整備だ。RAGやエージェントのワークフローは、ナレッジベースやテスト用プロンプトの品質に大きく左右される。合成データを使えば、現実的な問い合わせや派生パターン、多段階のやり取りを生成でき、検索精度やツール利用の挙動を検証しやすくなるという。これにより、実際の機微な対話データを入力に使う頻度を減らせるとしている。

ClouderaのCTO、セルジオ・ガゴ氏は「合成データは、適切に管理することで個人情報の露出を抑えながらモデル開発を進められるリスク低減の手段だ」と述べた。その上で「LLMとAIエージェントの導入が広がるほど、合成データは機微な個人情報への依存を下げる現実的な選択肢になる」との認識を示した。

Cloudera Koreaの支社長は「最近は大規模なデータ流出事故が相次ぎ、企業にはデータセキュリティを徹底しながらAI革新を進めることが求められている」と述べた。さらに「合成データは、データセキュリティリスクを最小限に抑えつつAI競争力を確保するための戦略的な手段になり得る」と語った。