合成データとは、実際のデータをそのまま使う代わりに、元のデータの一部を統計モデルが出した値に置き換えたり、元のデータから作ったモデルで記録を作り直したりして、人工的に作ったデータのことです(米国立標準技術研究所「NIST SP 800-188」2023年9月公表)。

個人情報を含む実データを使えない開発・検証や、実データが足りない場面で、実データの代わりに使われます。

合成データは、元のデータとどこまで対応するかで種類が分かれる

米国立標準技術研究所(NIST)が政府のデータ公開向けにまとめた指針は、合成データの作り方を2つに分けています。元のデータの一部だけを置き換える部分合成と、元のデータから作ったモデルで全体を作り直す完全合成です。

同じ指針は、データ公開の説明に使う呼び方として、この2つに、元のデータを使わずに作るテストデータと本物らしいテストデータを加えた4つを挙げています。どれに該当するかで、使える場面と残るおそれが変わります。

種類 作り方 元のデータとの関係 向いている使い道
部分合成データ 元のデータの行・列・セルの一部を、統計モデルが出した値に置き換える 置き換えなかった部分は元の記録のまま残る 公開や共有の前に、特定されやすい値だけを守る
完全合成データ 元のデータから作ったモデルを使い、すべての記録を作り直す 元の記録と1対1では対応しない 実データを見せずに分析の問い合わせや手法を作る、仮説を立てる
テストデータ 元のデータを使わず、項目の構成と値の範囲だけを似せて作る 分析の結果が元のデータと同じになることは目指さない ソフトウェアの動作確認
本物らしいテストデータ 元のデータを手直しせずに、元のデータに似た特徴を持たせて作る 機密の情報を含まないが、本物と取り違えやすい 本物に近い値が要るソフトウェアの検査(名前の誤字や重複を見つける仕組みなど)

表の「向いている使い道」の列は、指針の各節の記述をもとに編集部が整理したものです。

完全合成データについて、同じ指針は、元のモデルに含まれていた以上の情報は得られないと書いています。合成データで見つけた傾向は、元のデータでも成り立つかを確かめてから判断に使うのが前提です。

テストデータは、名前や住所をわざと不自然な値にして、本物の機密データと取り違えないようにすることが勧められています。指針が挙げる例は、「JOHN SMITH」ではなく「FIRSTNAME1 LASTNAME2」のような名前を使うことでした。

匿名加工情報・仮名加工情報とは、元の本人との対応の残り方が違う

匿名加工情報と仮名加工情報は実在する本人の記録を加工したもので、合成データは記録の一部か全部を作り直したものです。個人情報保護法は第2条で仮名加工情報と匿名加工情報を定義していますが、合成データという区分は置いていません。

観点 仮名加工情報 匿名加工情報 合成データ
何をしたデータか 他の情報と照合しない限り特定の個人を識別できないように、個人情報を加工したもの 特定の個人を識別できず、元の個人情報を復元できないように加工したもの 元のデータをもとに、記録の一部か全部を作り直したもの
元の本人との対応 照合すれば本人にたどれる情報が社内に残る 本人にたどれないように加工する 完全合成なら1対1では対応しない。部分合成は元の記録が一部残る
法律上の決まり 利用目的の範囲で使い、第三者に提供しない 委員会規則の基準に従って加工し、含まれる項目を公表する。提供するときは項目と方法を公表し、匿名加工情報だと明示する 法律に区分が無く、作り方と元のデータとの関係で扱いを確かめる
主な使い道 社内での分析 社外への提供、他社との共同の分析 開発・検証、AI の学習と評価

表の「法律上の決まり」は、仮名加工情報が第41条、匿名加工情報が第43条の規定をもとにしています(e-Gov法令検索「個人情報の保護に関する法律」2026年11月確認)。

3つは、どれか1つを選ぶ関係とは限らない点にも注意が必要です。匿名加工情報を作るときの加工の方法の1つに、人工的な合成データを作って加工対象のデータベースに混ぜる「疑似データ生成」が挙げられています(個人情報保護委員会事務局「匿名加工情報」レポート・2017年2月公表)。合成データの技術は、匿名加工の中でも使われているわけです。

合成データでも、元のデータの情報が漏れるおそれは残る

合成データは実在の記録ではないものの、元のデータから作る以上、元の個人の情報が出てくるおそれをゼロにはできません。前の節で挙げた NIST の指針は、元のデータに忠実なモデルと、そのモデルで作った合成データは、再識別されうる個人の情報を漏らすことがあると書いています。

完全合成データでも、個人の非公開の情報から導いた情報を含むため、開示のリスクはゼロではないという立場です。深層学習のモデルについては、学習データをどの程度記憶し、そのまま出力しうるかを測るのが難しい場合があるとも指摘しています。合成の人物が、実在の人物とよく似て見えることもあるそうです。

漏れの量を抑える方法として指針が挙げるのは、差分プライバシー(1人分のデータがあってもなくても、分析の結果がほとんど変わらないようにする数学的な仕組み)のような形式的なプライバシーの手法でした。ただし、差分プライバシーの専門知識が無い人でも使える実装は指針の公表時点で存在しないとも書いており、導入には専門家の関与が要ります。

日本の法律の上で、合成データが個人情報か匿名加工情報かといった区分のどれに該当するかは、作り方と元のデータとの対応関係で変わりうるため、一律には言えないのが実情です。

合成データだからといって、自社の合成データがそのまま匿名加工情報の基準を満たすとは限りません。元のデータに個人情報を含むときは、作る前に法務と個人情報保護の担当に扱いを確かめてください。社内で確かめる観点は次の3つです。

  • 合成した記録の中に、元のデータの記録と一致する記録や、ごく近い記録が無いか
  • 元のデータで件数の少ない組み合わせ(珍しい役職と勤務地の組み合わせなど)が、合成データにそのまま出ていないか
  • 合成データを作ったモデルを、誰が使えて、どこに置いているか(モデルそのものからも元の情報が漏れうるため)

AI の評価と検証では、実データを持ち出さずに試すために使う

企業が自社の業務に AI を入れるとき、合成データを使う場面として考えやすいのは、作った AI が正しく動くかを確かめる評価と検証の工程です。業務の例で示すと、使い方は次の3つになります。

  • AI エージェントの評価用の問題集: 人事や総務への問い合わせに答える AI エージェントを評価するとき、実際の問い合わせの履歴には氏名や休職の事情が含まれるため、そのままでは評価に使いにくいものです。問い合わせの種類と比率をまねた合成の質問を作り、それぞれに正解と合格基準を付ければ、評価の問題集を個人情報なしで用意できます。問題集と合格基準の作り方は、AI エージェントの評価の記事を参照してください
  • 開発環境での動作確認: 給与や評価のデータを読む仕組みを作るときは、開発環境に本番のデータを持ち込まず、項目の構成と値の範囲を本番に合わせたテストデータで動かすのが基本です。名前の欄を「社員A001」のような作り物と分かる値にしておけば、本番のデータとの取り違えも防げます
  • めったに起きない例外の補充: 実データに数件しか無い例外(期限を過ぎた申請や、複数の制度が重なる申請など)を合成で増やし、AI が例外の処理で誤らないかを確かめる使い方です。NIST の指針も、テストデータにはソフトウェアの検査のために元のデータに無い極端な値を含めることがあると書いており、考え方は同じです

評価と検証で合成データを使っても、最後の確かめは実データで行います。合成データで合格した AI でも、実データの言い回しや例外の多さに合わせて手直しが要ることがあるからです。本番の前に、利用が認められた環境で実データを少量使う検証を組んでおくと、手戻りを本番の後に持ち越さずに済みます。

元のデータから学んだモデルで作る合成データは、元のデータの偏りも写し取ります。偏りを減らす目的で合成データを足すなら、どの属性の件数をどう変えたかを記録に残しておくことが欠かせません。偏りの確かめ方は、AI バイアスの用語ページを参照してください。

企業が合成データを使う前に決める4つのこと

合成データを使う前に決めるのは、目的、作る場所、漏れの確かめ方、表示と保管の4つです。

  1. 何に使い、どこで実データに戻るか: 評価の問題集、開発環境の動作確認、例外の補充のどれに使うかを決め、最後の確かめを実データで行う時点も同時に決めます。目的が決まれば、保つべき統計的な性質(項目どうしの関係か、件数の比率か)も絞り込めるはずです
  2. 元のデータの範囲と、作る作業の場所: 合成のもとにする実データを必要な項目に絞り、合成の作業は自社が管理する環境で行うのが原則です。合成データを作るために実データを社外のサービスへ渡してしまうと、そもそもの目的が崩れます
  3. 漏れの確かめ方と記録: 前の節の3つの観点を、誰がどの方法で確かめたかを記録に残します。部分合成と完全合成のどちらで作ったかも、あわせて記録する項目です
  4. 合成データであることの表示と保管: NIST の指針は、説明書きはデータと切り離されて伝わらないことがあるので、データの値そのもので合成だと分かるようにするのがよいとしています。ファイル名と保管場所でも本番のデータと分け、使い終えたときの消し方まで決めておきましょう

合成データの前提は、元のデータがどこに何があるかを把握していることです。社内データの整備はAI のデータ整備の記事、データを誰がどう扱うかの決め方はデータガバナンスの用語ページで扱っています。生成 AI に個人情報を入れるときの法律上の論点は、生成AIと個人情報の記事が整理しています。

評価用のデータから業務の AI を動かすまでの進め方

合成データは、それだけで成果になるものではなく、業務の AI を試して本番に進めるための材料です。どのデータを合成で用意し、どこから実データで確かめるかは、実際の業務で動くものを作りながら決めると迷いが減ります。

株式会社overflow の Offers AX は、戦略から実行までのコンサルティング、業務固有の文脈を織り込んだ AI エージェントの設計・構築、引き継ぎまでを最初から設計する内製化支援を一体で進めるサービスです。要件定義書ではなく動くもので合意し、数週間で動くプロトタイプを作って、実業務での検証から本実装へ進む流れです。

構築は GCP・Azure・AWS のお客様の環境で行うのが原則で、必要に応じて端末内で処理を完結させる構成もとります。当社の環境に顧客データを保持しない方針なので、評価や検証に使うデータも、お客様の環境から持ち出さない前提で計画するのが基本です。

支援の中身は Offers AX のサービスページにまとめています。評価用のデータをどう用意し、どの業務から AI を試すかを相談したい場合は、無料相談を申し込むからご連絡ください。

合成データに向かない場面もある

合成データが実データの代わりになる場面は限られます。NIST の指針は、元のデータのすべての性質を忠実に再現しながら強いプライバシーの保証も満たす合成データを作ることは不可能だとしています。モデルが保つように作った性質(特定の項目どうしの相関など)のほかは、合成データに反映されないことがあるという指摘です。

  • 個々の本人に結びつく判断: ある社員の評価や処遇を決めるような判断には使えません。記録が作り物で、実在の本人にたどれないためです
  • 説明や監査のための記録: 実際に何が起きたかを示す必要がある場面では、合成データが根拠にならないのが限界です。指針も、合成データは説明責任や透明性の目的では役に立ちにくいことがあると書いています
  • 新しい傾向を見つける分析: 合成データで見つけた傾向はモデルが作り出したものかもしれず、結論にする前に元のデータで確かめるのが前提です

関連する用語

  • データガバナンス: 社内のデータを誰がどう扱うかを決めて守る仕組み。合成のもとにするデータの範囲を決める前提になる
  • AI バイアス: AI の出力が特定の属性に偏ること。元のデータの偏りは合成データにも写る
  • AI ガバナンス: AI の使い方を社内のルールと体制で管理する仕組み。合成データの使い方の決まりもここに含めて書いておく

全社の AI 導入の方針の立て方は、AX 戦略のカテゴリの記事にまとめています。