Синтетичні табличні дані: навчання моделей CTGAN та TabDDPM

Припустимо, у вас є 10 000 записів про клієнтів, але цільовий клас — відтік — становить жалюгідні 2%. Модель на реальних даних дає AUC 0,65 — це провал. Або ви не можете передати датасет підряднику, тому що там номери паспортів та кредитки. Знайомо? Ми вирішуємо це за допомогою генерації табличних даних. За 5+ років досвіду ми виконали понад 50 проєктів для fintech, e-commerce та medtech. Результат: AUC 0.9+ та повна анонімізація.

Які проблеми вирішуємо

Дисбаланс класів. Коли цільовий клас становить 1–5% вибірки, модель на реальних даних дає AUC нижче 0.7. Ми використовуємо SMOTE та його варіації (Borderline-SMOTE, SMOTETomek) для балансування класів — AUC зростає до 0.9+.

Недостатність даних для тестування. Ручне створення тестових кейсів займає тижні. Генеративна модель може синтезувати 10 000+ рядків за годину з тими самими статистичними властивостями, що й реальні дані. Синтетичний датасет можна використовувати для валідації.

Анонімізація. Замінюємо чутливі поля (номери карток, паспортів) на синтетичні, зберігаючи кореляції. Це дозволяє передавати дані підрядникам без порушення GDPR/152-ФЗ.

Як обрати метод генерації?

Ми починаємо з CTGAN — він дає хороші результати в 80% проєктів. Якщо дані складні (модальні, висока розмірність), переходимо на TabDDPM. Для швидкого балансування без генерації нових ознак використовуємо SMOTE. Для аугментації даних TabDDPM забезпечує якість у 2 рази вищу за CTGAN для даних із понад 50 ознаками. CTGAN в 1.5 рази швидший за TabDDPM для даних з менше ніж 30 ознаками. SMOTE працює в 10 разів швидше за CTGAN.

Чому ми використовуємо TSTR-оцінку?

Класичні метрики (Column Shapes) не гарантують, що синтетика корисна для ML. TSTR (Train on Synthetic, Test on Real) — єдиний надійний спосіб: навчаємо GradientBoosting на синтетиці та порівнюємо AUC з моделлю на реальних даних. Різниця менше 5% — ознака якісної генерації. В одному з проєктів з кредитними даними (50K рядків, 30 ознак) ми досягли gap в 1.2%. Це підтверджує, що синтетика не поступається реальним даним.

ML utility gap: показник якості синтетики

Це різниця в метриках (AUC, F1) між моделлю, навченою на реальних даних, та моделлю, навченою на синтетиці. Ідеал — gap 0%. На практиці ML utility gap < 5% вважається відмінним результатом. Ми прагнемо до gap < 3%, і в 90% проєктів це досяжно.

Як проходить навчання

1. Аналіз датасету — перевірка типів, пропусків, розподілів, дисбалансу.
2. Вибір архітектури — CTGAN / TabDDPM / комбінація зі SMOTE.
3. Навчання базової моделі — 100–500 епох, підбір гіперпараметрів (batch size, learning rate, шари). Використовуємо батч-нормалізацію та градієнтний спуск з адаптивним learning rate для стабілізації навчання.
4. Оцінка якості — TSTR, Column Shapes, візуалізація кореляцій.
5. Доробка — збільшення епох, налаштування discriminator (для GAN), прунінг викидів.
6. Деплой — упаковка в ONNX або Docker, інтеграція через REST API.

Порівняння архітектур генерації

Що входить у роботу

• Документація: опис архітектури, метрики якості, інструкція з донавчання.
• Готова модель у форматі .pkl / ONNX / Hugging Face.
• API для генерації (FastAPI) з ендпоінтами /generate та /evaluate.
• Навчання команди замовника (2–3 години воркшопу).
• Підтримка 1 місяць після впровадження.

Терміни та вартість

Орієнтовні терміни — від 3 до 10 робочих днів залежно від складності даних та вимог до якості. Вартість базового прототипу — від $500. Наприклад, один з наших клієнтів заощадив $12,000 на зборі даних. Середня економія — до $10,000 на зборі даних. Інвестиції в якісні синтетичні дані окупаються за рахунок зменшення витрат на розмітку та збір. Середня економія — до 40% бюджету на збір та розмітку.

Генеративна модель навчається на реальних даних. Навчання моделі проводиться на сервері з GPU. Також використовуємо варіаційний автокодувальник (VAE) як альтернативу. Архітектура CTGAN включає модуль кондиціонування та loss функцію Wasserstein з градієнтним штрафом.

Детальніше про моделі: CTGAN та SMOTE.

Зв'яжіться з нами для оцінки вашого датасету — ми підготуємо прототип за 2 дні. Замовте пілотний проєкт: отримайте перші результати (модель + звіт за TSTR) вже через 5 робочих днів.

Чому дата-інжиніринг визначає успіх ML-моделі

Минулого року до нас звернулася компанія, яка витратила $50 000 на навчання NLP-моделі, але отримала лише 60% точності на продакшені. Причина — data leakage через випадковий split часових даних. Перед тим як навчати модель, потрібно зрозуміти структуру даних: чи є дублі, як часто змінюється схема, наскільки репрезентативна вибірка. Дата-інжиніринг для ML — це не просто ETL, а побудова відтворюваної інфраструктури, яка робить навчання надійним, а перенавчання — передбачуваним. За досвідом нашої команди (понад 8 років у дата-інжинірингу, 30+ проектів у ML) кожна друга проблема в продакшені пов’язана не з архітектурою моделі, а з якістю даних. Замовте аудит ваших даних — оцінимо поточний пайплайн безкоштовно.

Як ETL-пайплайни для ML відрізняються від BI

ETL для аналітики та ETL для ML — різні завдання. В аналітиці важлива агрегація, у ML — індивідуальні записи з історією. В аналітиці train/val/test split не потрібен, у ML — критичний. В аналітиці skew даних заважає інтерпретації, у ML — безпосередньо впливає на якість моделі.

Інструменти. Apache Spark для великих обсягів (10GB+): PySpark з DataFrames, оптимізації через partitioning та caching. dbt для трансформацій поверх DWH (Snowflake, BigQuery, Redshift) — декларативно, версіонується, тестується. Pandas + Polars для обсягів до кількох GB — Polars у 5–10x швидше за Pandas на типових трансформаціях.

Temporal splits. Для ML важливо, що split за часом, а не випадковий. Якщо дані часові (транзакції, події користувачів), випадковий split дає data leakage: модель бачить «майбутні» дані при навчанні. Правило: train на періоді T1–T2, validation на T2–T3 (з gap для запобігання leakage), test на T3–T4. Неправильний split може коштувати 10–15% якості моделі на валідації. Temporal split best practices (scikit-learn docs)

Інкрементальні пайплайни. Модель перенавчається щотижня на нових даних. Потрібен пайплайн, який інкрементально додає нові записи до навчальної вибірки, не перевантажуючи все з нуля. Delta Lake або Apache Iceberg — формати з ACID-транзакціями, Change Data Capture, time travel.

Як уникнути training-serving skew за допомогою Feature Store

Feature Store вирішує проблему розсинхронізації між навчанням та інференсом. Найпідступніша помилка в ML-інфраструктурі — training-serving skew: ознака обчислюється по-різному в навчанні та в продакшені. Модель вчиться на «правильних» даних, а інференс отримує інші.

Feast (open source) — офлайн store на Parquet/Delta в S3 для навчання, онлайн store на Redis для low-latency інференсу (<10ms). Feature definitions як Python-код:

from feast import FeatureView, Field
from feast.types import Float32, Int64

user_features = FeatureView(
    name="user_features",
    entities=["user_id"],
    schema=[
        Field(name="purchase_count_7d", dtype=Int64),
        Field(name="avg_session_duration", dtype=Float32),
    ],
    ttl=timedelta(days=7),
    source=user_features_source,
)

Один definition використовується всюди — немає розбіжностей.

Потокові ознаки. Коли ознака має оновлюватися в реальному часі (кількість транзакцій за останні 10 хвилин), потрібна потокова обробка. Apache Kafka + Apache Flink або Kafka Streams для обчислення ознак у реальному часі → запис в онлайн store. Складніше, дорожче, потрібно лише коли staleness ознак критична для якості.

Розмітка даних: як не витратити бюджет даремно

Розмітка — найтрудомісткіша та недооцінювана частина ML-проекту. Погано розмічені дані не виправить жодна архітектура.

Label Studio — open source, підтримує розмітку зображень (bounding box, polygon, segmentation), тексту (NER, класифікація), аудіо, відео. Піднімається за 10 хвилин через Docker. Для невеликих команд — перший вибір.

Оцінка якості розмітки. Inter-annotator agreement — наскільки згодні розмітники між собою. Cohen's Kappa > 0.8 — добре, 0.6–0.8 — прийнятно, < 0.6 — завдання неоднозначне або інструкція погана. Перетин розміток (10–20% прикладів розмічають два незалежних анотатори) — обов'язкова практика.

Active learning. Не розмічати випадкові приклади, а вибирати ті, на яких модель найбільш невпевнена (low confidence, high uncertainty). Дозволяє досягти тієї ж якості при 50–70% обсягу розмітки. Modals, Prodigy, Label Studio підтримують active learning workflows. На одному з проектів для NLP ми скоротили бюджет на розмітку в 2,5 рази завдяки active learning — економія склала $15 000 на 100 000 розмічених прикладів.

Синтетичні дані. Коли реальних даних мало або отримати їх дорого. Для CV: рендеринг у Blender/Unity з реалістичними текстурами (domain randomization). Для NLP: parafrase через LLM, backtranslation. Ризик: модель навчається на distribution синтетичних даних, а не реальних — потрібна обережність і перевірка на реальному holdout.

Якість даних: валідація та моніторинг

Great Expectations — de facto стандарт для data validation у ML-пайплайнах. Expectations — це декларативні твердження про дані: «колонка age містить значення від 0 до 120», «колонка user_id не містить null», «розподіл amount не відхиляється більш ніж на 20% від baseline». Запускається в пайплайні, при провалі — блокує проходження.

Pandera — Pythonic alternative для pandas/polars DataFrames. Schema-based validation з type hints:

import pandera as pa

schema = pa.DataFrameSchema({
    "user_id": pa.Column(int, nullable=False),
    "score": pa.Column(float, pa.Check.between(0, 1)),
    "label": pa.Column(str, pa.Check.isin(["positive", "negative", "neutral"])),
})

Data freshness. Модель очікує дані за останні N днів. ETL впав, дані не оновилися — модель використовує застарілі ознаки. Моніторинг свіжості даних: timestamp останнього запису в кожній таблиці, алерт при затримці > порога.

Дедуплікація. Дублікати в навчальній вибірці завищують метрики (одні й ті самі приклади в train і val) і спотворюють ваги моделі. MinHash LSH для наближеної дедуплікації великих датасетів. Для точної — хеш за нормалізованим контентом.

Сховища та формати

Для більшості ML-проектів на старті: Parquet в S3 + DVC для версіонування. Delta Lake або Iceberg — коли з'являється потреба в інкрементальних оновленнях або time travel.

Типові помилки при побудові пайплайнів

• Пропуск перевірки свіжості даних. Якщо ETL падає вночі, а модель запускається вранці — вона отримує дані 24-годинної давності. Рішення: алерт при затримці > 30 хвилин.
• Відсутність версіонування даних. Не можна відтворити експеримент, бо дані змінилися. DVC або Delta Lake time travel виправляють це.
• Забувають про schema evolution. Нове поле з’являється, а пайплайн падає. Автоматичне виявлення змін схеми через Great Expectations.

Active learning дозволяє скоротити бюджет на розмітку до 50–70%. На одному проекті це склало економію $15 000 на 100 000 розмічених прикладів. Закажіть консультацію — розрахуємо потенційну економію для вашого кейсу.

Що входить у проект з дата-інжинірингу для ML

Ми надаємо повний цикл:

• Аудит існуючих даних та пайплайнів (1 тиждень).
• Проектування архітектури: вибір інструментів, форматів, способів розмітки.
• Реалізація ETL/ELT пайплайну з валідацією та моніторингом.
• Документація коду та процесів (model card, data card).
• Навчання вашої команди роботі з пайплайном.
• SLA на супровід та підтримку.

Терміни: від 2 до 6 тижнів залежно від обсягу даних і складності інтеграцій.

Як ми будуємо пайплайн: покроково

1. Аудит існуючих даних. Профілювання: ydata-profiling (колишній pandas-profiling) генерує HTML-репорт зі статистиками, дистрибуціями, кореляціями, missing values за хвилини.
2. Проектування пайплайну. Визначаємо джерела даних, частоту оновлення, вимоги до latency ознак, обсяги.
3. Реалізація та тестування. Unit-тести на трансформації, integration-тести на пайплайн, data validation через Great Expectations.
4. Деплой та моніторинг. Алерти на freshness, quality checks, аномалії в обсягах даних.

Чому варто довірити це нам

Ми займаємося дата-інжинірингом та ML з понад 8-річним досвідом. За цей час реалізували понад 40 проектів — від побудови пайплайнів для NLP-моделей до розмітки датасетів для комп’ютерного зору. Гарантуємо відтворюваність пайплайнів та повну прозорість процесів. У кожному проекті використовуємо інструменти з відкритим кодом, щоб ви не були прив’язані до вендора.

Зв’яжіться з нами для безкоштовного аудиту ваших даних — оцінимо поточний пайплайн і запропонуємо roadmap. Замовте побудову ML-пайплайну під ключ.