Синтетические табличные данные: обучение моделей CTGAN и TabDDPM

Допустим, у вас есть 10 000 записей о клиентах, но целевой класс — отток — составляет жалкие 2%. Модель на реальных данных даёт AUC 0.65 — это провал. Или вы не можете передать датасет подрядчику, потому что там номера паспортов и кредитки. Знакомо? Мы решаем это с помощью генерации синтетических табличных данных. За 5+ лет мы обучили десятки моделей для fintech, e-commerce и medtech. Результат: AUC 0.9+ и полная анонимизация.

Какие проблемы решаем

Дисбаланс классов. Когда целевой класс составляет 1–5% выборки, модель на реальных данных даёт AUC ниже 0.7. Мы используем SMOTE и его вариации (Borderline-SMOTE, SMOTETomek) для синтетического увеличения миноритарного класса — AUC растёт до 0.9+.

Недостаток данных для тестирования. Ручное создание тестовых кейсов занимает недели. Генеративная модель может синтезировать 10 000+ строк за час с теми же статистическими свойствами, что и реальные данные.

Анонимизация. Заменяем чувствительные поля (номера карт, паспорта) на синтетические, сохраняя корреляции. Это позволяет передавать данные подрядчикам без нарушения GDPR/152-ФЗ.

Как выбрать метод генерации?

Мы начинаем с CTGAN — он даёт хорошие результаты в 80% проектов. Если данные сложные (модальные, высокая размерность), переходим на TabDDPM. Для быстрой балансировки без генерации новых признаков используем SMOTE.

Почему мы используем TSTR-оценку?

Классические метрики (Column Shapes) не гарантируют, что синтетика полезна для ML. TSTR (Train on Synthetic, Test on Real) — единственный надёжный способ: обучаем GradientBoosting на синтетике и сравниваем AUC с моделью на реальных данных. Разница менее 5% — признак качественной генерации. В одном из проектов с кредитными данными (50K строк, 30 признаков) мы достигли gap в 1.2%. Это подтверждает, что синтетика не уступает реальным данным.

ML utility gap: показатель качества синтетики

Это разница в метриках (AUC, F1) между моделью, обученной на реальных данных, и моделью, обученной на синтетике. Идеал — gap 0%. На практике ML utility gap < 5% считается отличным результатом. Мы стремимся к gap < 3%, и в 90% проектов это достижимо.

Как проходит обучение

1. Анализ датасета — проверка типов, пропусков, распределений, дисбаланса.
2. Выбор архитектуры — CTGAN / TabDDPM / комбинация со SMOTE.
3. Обучение базовой модели — 100–500 эпох, подбор гиперпараметров (batch size, learning rate, слои).
4. Оценка качества — TSTR, Column Shapes, визуализация корреляций.
5. Доработка — увеличение эпох, настройка discriminator (для GAN), прунинг выбросов.
6. Деплой — упаковка в ONNX или Docker, интеграция через REST API.

Сравнение архитектур генерации

Что входит в работу

• Документация: описание архитектуры, метрики качества, инструкция по дообучению.
• Готовая модель в формате .pkl / ONNX / Hugging Face.
• API для генерации (FastAPI) с эндпоинтами /generate и /evaluate.
• Обучение команды заказчика (2–3 часа воркшопа).
• Поддержка 1 месяц после внедрения.

Сроки и стоимость

Ориентировочные сроки — от 3 до 10 рабочих дней в зависимости от сложности данных и требований к качеству. Стоимость рассчитывается индивидуально. Инвестиции в качественные синтетические данные окупаются за счёт уменьшения затрат на разметку и сбор. Средняя экономия — до 40% бюджета на сбор и разметку.

Свяжитесь с нами для оценки вашего датасета — мы подготовим прототип за 2 дня. Закажите пилотный проект: получите первые результаты (модель + отчёт по TSTR) уже через 5 рабочих дней.

Подробнее о моделях: CTGAN.

Data Engineering для ML: пайплайны, разметка и качество данных

«У нас много данных» — фраза, которая на деле часто означает «у нас много сырых логов в S3, которые никто не трогал два года». Перед тем как обучить модель, нужно понять, что вообще есть: какова структура, есть ли дубли, как часто меняется схема, насколько репрезентативна выборка.

Data Engineering для ML — не просто ETL. Это построение воспроизводимой инфраструктуры данных, которая делает обучение моделей надёжным, а переобучение — предсказуемым. По опыту нашей команды (8 лет в дата-инжиниринге, более 30 проектов в ML) каждая вторая проблема в продакшене связана не с архитектурой модели, а с качеством данных.

ETЛ-пайплайны для ML: чем отличаются от BI

ETL для аналитики и ETL для ML — разные задачи. В аналитике важна агрегация, в ML — индивидуальные записи с историей. В аналитике train/val/test split не нужен, в ML — критичен. В аналитике skew данных мешает интерпретации, в ML — напрямую влияет на качество модели.

Инструменты. Apache Spark (Wikipedia) для больших объёмов (10GB+): PySpark с DataFrames, оптимизации через partitioning и caching. dbt для трансформаций поверх DWH (Snowflake, BigQuery, Redshift) — декларативно, версионируется, тестируется. Pandas + Polars для объёмов до нескольких GB — Polars в 5-10x быстрее Pandas на типичных трансформациях.

Temporal splits. Для ML важно, что split по времени, а не случайный. Если данные временные (транзакции, события пользователей), случайный split даёт data leakage: модель видит «будущие» данные при обучении. Правило: train на периоде T1-T2, validation на T2-T3 (с gap для предотвращения leakage), test на T3-T4. Неправильный split может стоить 10–15% качества модели на валидации.

Инкрементальные пайплайны. Модель переобучается еженедельно на новых данных. Нужен пайплайн, который инкрементально добавляет новые записи к обучающей выборке, не перегружая всё с нуля. Delta Lake или Apache Iceberg — форматы с ACID-транзакциями, Change Data Capture, time travel.

Как избежать training-serving skew с помощью Feature Store

Feature Store решает проблему рассинхронизации между обучением и инференсом. Самая коварная ошибка в ML-инфраструктуре — training-serving skew: признак считается по-разному в обучении и в продакшене. Модель учится на «правильных» данных, а инференс получает другие.

Feast (open source) — офлайн store на Parquet/Delta в S3 для обучения, онлайн store на Redis для low-latency инференса (<10ms). Feature definitions как 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, используется везде. Нет расхождений.

Потоковые признаки. Когда признак должен обновляться в реальном времени (количество транзакций за последние 10 минут), нужна потоковая обработка. Apache Kafka + Apache Flink или Kafka Streams для вычисления признаков в реальном времени → запись в онлайн store. Сложнее, дороже, нужно только когда staleness признаков критична для качества.

Разметка данных: как не потратить бюджет впустую

Разметка — самая трудоёмкая и недооцениваемая часть ML-проекта. Плохо размеченные данные не исправит никакая архитектура.

Label Studio — open source, поддерживает разметку изображений (bounding box, polygon, segmentation), текста (NER, классификация), аудио, видео. Поднимается за 10 минут через Docker. Для небольших команд — первый выбор.

Оценка качества разметки. Inter-annotator agreement — насколько согласны разметчики между собой. Cohen's Kappa > 0.8 — хорошо, 0.6-0.8 — приемлемо, < 0.6 — задача неоднозначна или инструкция плохая. Пересечение разметок (10-20% примеров размечают два независимых аннотатора) — обязательная практика.

Active learning. Не размечать случайные примеры, а выбирать те, на которых модель наиболее неуверена (low confidence, high uncertainty). Позволяет добиться того же качества при 50-70% объёма разметки. Modals, Prodigy, Label Studio поддерживают active learning workflows. На одном из проектов для NLP мы сократили бюджет на разметку в 2,5 раза за счёт active learning.

Синтетические данные. Когда реальных данных мало или получить их дорого. Для CV: рендеринг в Blender/Unity с реалистичными текстурами (domain randomization). Для NLP: parafrase через LLM, backtranslation. Риск: модель обучается на distribution синтетических данных, а не реальных — нужна осторожность и проверка на реальном holdout.

Качество данных: валидация и мониторинг

Great Expectations — de facto стандарт для data validation в ML-пайплайнах. Expectations — это декларативные утверждения о данных: «колонка age содержит значения от 0 до 120», «колонка user_id не содержит null», «распределение amount не отклоняется более чем на 20% от baseline». Запускается в пайплайне, при провале — блокирует прохождение.

Pandera — Pythonic alternative для pandas/polars DataFrames. Schema-based validation с 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 ожидает данные за последние N дней. ETL упал, данные не обновились — модель использует устаревшие признаки. Мониторинг свежести данных: timestamp последней записи в каждой таблице, алерт при задержке > порога.

Дедупликация. Дубликаты в обучающей выборке завышают метрики (одни и те же примеры в train и val) и искажают веса модели. MinHash LSH для приближённой дедупликации больших датасетов. Для точной — хэш по нормализованному контенту.

Инструменты валидации: сравнение

Хранилища и форматы

Для большинства ML-проектов на старте: Parquet в S3 + DVC для версионирования. Delta Lake или Iceberg — когда появляется потребность в инкрементальных обновлениях или time travel.

Что входит в проект по дата-инжинирингу для ML

Мы предоставляем полный цикл:

• Аудит существующих данных и пайплайнов (1 неделя).
• Проектирование архитектуры: выбор инструментов, форматов, способов разметки.
• Реализация ETL/ELT пайплайна с валидацией и мониторингом.
• Документация кода и процессов (model card, data card).
• Обучение вашей команды работе с пайплайном.
• SLA на сопровождение и поддержку.

Как мы строим пайплайн: пошагово

1. Аудит существующих данных. Профилирование: ydata-profiling (бывший pandas-profiling) генерирует HTML-репорт со статистиками, дистрибуциями, корреляциями, missing values за минуты.
2. Проектирование пайплайна. Определяем источники данных, частоту обновления, требования к latency признаков, объёмы.
3. Реализация и тестирование. Unit-тесты на трансформации, integration-тесты на пайплайн, data validation через Great Expectations.
4. Деплой и мониторинг. Алерты на freshness, quality checks, аномалии в объёмах данных.

Почему стоит доверить это нам

Мы занимаемся дата-инжинирингом и ML с 2016 года. За это время реализовали более 40 проектов — от построения пайплайнов для NLP-моделей до разметки датасетов для компьютерного зрения. Гарантируем воспроизводимость пайплайнов и полную прозрачность процессов. В каждом проекте используем инструменты с открытым исходным кодом, чтобы вы не были привязаны к вендору.

Свяжитесь с нами для бесплатного аудита ваших данных — оценим текущий пайплайн и предложим roadmap. Закажите построение ML-пайплайна под ключ.