Dữ liệu tổng hợp là dữ liệu được AI tạo sinh một cách nhân tạo bằng cách bắt chước các đặc điểm thống kê của dữ liệu thực. Nó được sử dụng rộng rãi cho mục đích thử nghiệm và học tập mô hình để bảo vệ thông tin cá nhân và giảm chi phí thu thập.
Dữ liệu tổng hợp đề cập đến các tập dữ liệu được tạo một cách giả tạo bằng cách sử dụng các mô hình thống kê hoặc AI tổng hợp mà không thực sự được thu thập hoặc đo lường. Vì nó có phân phối thống kê giống như dữ liệu thực nhưng không chứa thông tin có thể nhận dạng cá nhân nên nó đã trở thành một phương pháp không thể thiếu để học AI trong các ngành được quản lý như y học, tài chính và ô tô.
Trong các hoạt động thực tế tính đến năm 2026, việc tạo các cặp Hỏi & Đáp tổng hợp để tinh chỉnh LLM đặc biệt phổ biến và số trường hợp trong đó hàng trăm đến hàng nghìn dữ liệu học tập được tạo tự động bằng GPT-4o và Claude đang tăng lên nhanh chóng. Xét về giá trị thị trường, chi phí để tạo ra 1.000 dữ liệu tổng hợp là khoảng 5 đến 30 USD phí API. Tuy nhiên, cạm bẫy lớn nhất trong lĩnh vực này là "sự thay đổi phân phối" - dữ liệu tổng hợp không thể tái tạo các trường hợp hiếm gặp trong dữ liệu thực và có nhiều trường hợp độ chính xác thấp hơn nhiều so với mong đợi sau khi đưa vào sản xuất.
Một tiêu chí quan trọng để lựa chọn là thiết kế vòng xác minh. Thay vì chỉ đào tạo bằng dữ liệu tổng hợp, các hoạt động liên tục tối ưu hóa tỷ lệ trộn với dữ liệu thực thông qua thử nghiệm A/B đang trở thành tiêu chuẩn ngành vào năm 2026. Một ``chiến lược kết hợp'' sử dụng một lượng nhỏ dữ liệu thực tế làm hạt giống, chẳng hạn như tự động tạo các bộ đánh giá cho hệ thống RAG và bổ sung chú thích cho các mô hình hình ảnh, là phổ biến nhất vì tính hiệu quả về mặt chi phí.