醫療領域加速新藥研發、在金融業模擬詐欺交易情境，或是推動汽車產業的自駕車測試， 合成數據已在各個商業應用場景中證明其價值。益普索堅信合成數據將為市場研究開創嶄新局面，尤其在產品測試領域潛力無窮。不過，許多企業對於合成數據的品質或評估方式仍存有疑慮。
在本報告中，我們的專家將針對生成與評估高品質合成資料提供建議，並深入探討合成資料在產品測試中的具體應用。
合成資料的生成與評估
在 AI 能夠生成反映真實世界資料的合成數據之前，必須先使用真實世界的資料來訓練 AI。正如益普索 Humanizing AI 系列首篇白皮書中所述， AI 本質上只是演算法，在接受訓練前並不具備智慧。它必須透過學習真實世界的資料，才能掌握我們所認知的「智慧」。
而評估合成數據的品質，方法同樣直觀。合成數值資料至少應在常見統計指標上反映真實世界資料的特徵。合成數據越接近真實人類資料，使用時的風險就越低，但始終存在一定風險，因為合成數據永遠無法在所有層面完美複製真實資料。
目前生成合成資料的方法主要分為兩大類：「大型語言模型」(LLMs) 與「非大型語言模型」(non-LLMs)，前者主要處理文字資料，後者則以數值資料為主。本報告將對這兩種方法進行探討。
人類的參與仍不可或缺
人類對產品乃至於日常生活的反應，並非僅限於大腦中的事實或語義知識，身體的感官體驗也扮演著舉足輕重的角色。
本報告將呈現我們兩階段的研究成果，目的是評估在產品測試中，搭配合成資料使用時，最少需要多少真實受訪者樣本才能確保測試結果的可靠性。
如果 AI 沒有使用與您企業相關的真實世界資料進行訓練，就無法產生具備真實資料特性的合成數據。道理就是這麼簡單！
關鍵重點：
1. 合成數據永遠無法取代人類
AI 無法單獨重現我們的產品體驗，因為這些體驗結合了五感、情緒、期待與情境脈絡。因此，我們的目標是透過合成數據來強化人類的回饋，而非取而代之。
2. 準確性取決於訓練資料的品質
合成數據的價值並非非黑即白 (好與壞)，它的準確性受到多項因素影響，包括我們試圖複製的資料差異程度，以及用來訓練 AI 的真實樣本是否能代表目標族群。因此，使用合成數據應該採取策略性思考，權衡相關的風險與效益。
3. 當準確度達標，合成數據能為產品測試創造顯著價值
合成數據具備提升市場研究靈活性的潛力，尤其在如產品測試等資源密集的領域，更能發揮關鍵作用——不僅能有效降低研究成本、縮短時程，還能進一步強化子群組分析的深度。