Dans le champ de la science des données, une donnée synthétique (synthetic data en anglais) est une donnée (numérique et native dans le cas du domaine de l'intelligence artificielle) qui n'est pas issue d'une observation réelle, mais qui a été créée artificiellement via des simulations numériques. De plus en plus souvent, elle est produite par un « générateurs de données synthétiques » (qui est une IA).
Le but est souvent de générer des jeux de données structurées, aux propriétés statistiques et prédictives proches des données réelles. De telles données sont plus faciles ou moins coûteuses à acquérir, et/ou ne contiennent pas d'informations personnelles ni sensibles, ou ne nécessitent pas de mettre des biens ou personnes en danger à la suite de l'utilisation de données personnelles.
Dans le domaine de l'intelligence artificielle (IA), avec l'avènement du deep learning et des besoins d'apprentissage pour les IA ; l'option donnée synthétique a récemment (années 2020) pris une importance nouvelle, car ce type de donnée peut être créée par des IA pour entraîner ou améliorer des modèles d'intelligence artificielle générative (modèles pouvant créer de nouveaux contenus ou de nouvelles idées, comme des images, des textes, des musiques) ou encore pour le prototypage virtuel, l'enrichissement de données existantes Dans ces dernier cas, la donnée est synthétisée par les algorithmes d'une IA préalablement entraînée sur un corpus de données réelles.
Éléments de définition Une donnée synthétique ne résulte pas directement d'une mesure ou d'une observation directe du monde réel ; elle est créée via un processus artificiel. Les données synthétiques ont souvent des caractéristiques identiques ou très proches des données réelles. Mais elles sont plus faciles à acquérir.
Elles permettent dans certains cas de ne pas révéler d'information sensible et/ou confidentielles ; d'éviter d'avoir à utiliser une donnée règlementée ou classifiée (ce qui génère des coûts d'anonymisation., un risque juridique et de coûts de protection contre le « cyber-risque », ou simplement une difficulté d'exploitation (gestion des accès). La donnée synthétique permet parfois d'éviter de mettre des observateurs ou expérimentateurs en danger, grâce à des simulations.
Le processus de production de ces données peut notamment s'appuyer sur des règles logiques, des modèles mathématiques, des algorithmes probabilistes, ou des techniques d'apprentissage automatique. Dans ce dernier cas, l'obtention de garanties de confidentialité par rapport aux données réelles utilisées pour apprendre à générer des données synthétiques repose en général sur la confidentialité différentielle..
La donnée synthétique ne doit pas être confondue avec la donnée issue du krigeage, ni avec la donnée augmentée (issue de techniques de « data augmentation » qui modifient ou recombinent des données existantes pour en créer de nouvelles afin d'en accroître la variété, tandis que les données synthétiques sont entièrement générées par un modèle et ne proviennent d'aucune observation réelle), les deux partageant toutefois l'objectif commun d'enrichir l'entraînement des modèles.
Classification des données synthétiques Différents type de données synthétiques existent, chacun nécessitant des méthodes spécifiques pour être généré. Il existait déjà en 2023 plus d'une dizaine d'outils conçus pour générer de telles données aux fins d'entrainement d'IA..
Ces données peuvent aussi, et par exemple, être classées selon les critères suivant :
Degré de fidélité aux données réelles Les données synthétiques peuvent être plus ou moins proches des données réelles en termes de distribution, de corrélation, de bruit
Un compromis entre la fidélité et la confidentialité doit souvent être trouvé. : par exemple dans le domaine de la santé, de la sexualité, de la consommation de drogues, d'eau potable ou d'énergie, plus les données synthétiques sont fidèles à la réalité, plus elles risquent de divulguer des informations privées. La production accélérée de vaccin lors de la pandémie de Covid-19 a bénéficié de l'utilisation de données synthétiques.
Type de données Les données synthétiques peuvent être : numériques (par exemple, des nombres) ; catégorielles (par exemple, des labels) ; textuelles (par exemple, des phrases) ; visuelles (par exemple, des images) ; sonores (par exemple, des sons)
Type et modalité de génération Les données synthétiques peuvent être générées mathématiquement à partir de rien (par exemple via un modèle aléatoire), ou à partir de données réelles (via une technique d'anonymisation ou de perturbation). Il est également possible de les générer à partir d'un mélange de données réelles et synthétiques (via des techniques d'augmentation ou d'enrichissement de la réalité).
Historique Dans les années 1950, émergent des méthodes et théories d'imputation hot deck qui consiste à remplacer une valeur manquante par une valeur observée chez un autre individu réel partageant des caractéristiques similaires (Hansen, Hurwitz et Madow, 1953)Hansen, M.H., Hurwitz, W.N. & Madow, W.G. (1953). Sample Survey Methods And Theory. Wiley |url=https://psycnet.apa.org/record/1954-05855-000 |consulté le=2026-08-01. Puis Fellegi et Sunter (1959) théorisent une méthode de « rapprochement probabiliste de fichiers » (où la fusion d'enregistrements provenant de sources différentes se fait en estimant la probabilité qu'ils correspondent à la même personne)Fellegi, I. P. & Sunter, A. B. (1969). A theory for record linkage. Journal of the American Statistical Association, 64(328), 1183-1210| url=https://www.tandfonline.com/doi/abs/10.1080/01621459.1969.10501049 |consulté le=2026-08-01. Ces deux méthodes ont en commun l'idée de reconstruire ou compléter un fichier de données à partir d'un modèle ou d'une règle statistique, une étape qui préfigure conceptuellement la création de donnée synthétique, mais où l'on ne crée pas encore d'individus entièrement nouveaux (ces méthodes ne faisaient que réutiliser ou recombiner des valeurs réelle).
Dans les années 1960, des chercheurs utilisent déjà des modèles mathématiques pour simuler des phénomènes physiques ou biologiques. Ainsi le modèle de Lorenz a servi à créer des séries temporelles chaotiques utilisées pour étudier la météorologie. Le modèle de Lotka-Volterra a, lui, permis de générer des courbes simulant l'évolution de populations de proies et de prédateurs pour étudier la relation prédateurs-proies en écologie.
Dans les années 1980, des chercheurs ont, dans le domaine statistique, développé diverses techniques de création de corpus de données synthétiques, à partir de données réelles, par exemple pour la protection de la vie privée de personnes. Ainsi, la méthode dite du micro-agrégat permet de regrouper les individus en petits groupes homogènes et à remplacer leurs valeurs par la moyenne du groupe. La méthode du masquage aléatoire ajoute, elle, du bruit aléatoire aux valeurs concernant des individus.
En 1993, le statisticien américain Donald Rubin parle de « microdonnées synthétiques », aptes à être diffusées publiquement, car non-"sensibles" ; ces jeux de données sont artificiels (ils décrivent des infividus qui n'existent pas dans le réel, mais aux caractéristiques globalement statistiquement similaires à celles issues des jeux de données réelles)https://cnam.hal.science/hal-05618932/document. La notion de donnée synthétique a été popularisée par les progrès, vers 2023 de l'IA générative (Google Trends montre une forte hausse des recherches sur « données synthétiques » entre 2022 et 2025Moreau, A., & Saporta, G. (2026). Les données synthétiques: promesses et réalités. Variances. eu.|url=https://cnam.hal.science/hal-05618932/document).
À partir des années 2000, des chercheurs ont développé des techniques d'intelligence artificielle pour générer des données synthétiques plus réalistes et plus variés. Des réseaux de neurones ont permis de créer des images, des textes, ou des musiques à partir de données non réelles, mais ils doivent être préalablement entrainés sur de grands jeux de données ; ces données peuvent théoriquement être, pour tout ou partie, synthétiques à fin notamment d'en diminuer les coûts, mieux les calibrer et les contrôlerDans le même temps et dans d'autres domaines, l'IA crée des données synthétiques complexes qui rendent certains jeux vidéos plus immersifs et réalistes (tels que Cyberpunk 2077, Assassin's Creed Valhalla, Left 4 Dead, Alien: Isolation, The Last of Us ou Ghost of Tsushima…). ou encore dans les simulateurs de vol, professionnels, civils ou militaires ou de jeux vidéo, ou dans les simulateurs de conduite de réacteurs nucléaire qui utilisent des données synthétiques (simulations de phénomènes physiques et de réactions du réacteur) pour tester les réactions des techniciens en situations normales ou accidentelles, sans mise en péril les utilisateurs et des installations (par exemple grâce à un « Réacteur Numérique », jumeau numérique d'un vrai réacteur) ; de même pour certains systèmes de crash-test, mais aussi pour modéliser des territoires à l'aide de population synthétique à base d'activités.
Au début des années 2020, les réseaux antagonistes génératifs ont permis de créer des données synthétiques de plus en plus difficiles à distinguer des données réelles qu'elles simulent de mieux en mieux..
Comment sont produites les données synthétiques ? Plusieurs méthodes permettent de les produire, variant selon le type de données et le mode de génération, dont, à titre d'exemple : des méthodes d'échantillonnage, qui génèrent des données en échantillonnant une distribution de probabilité connue ; des méthodes de modélisation, qui génèrent des données en appliquant un modèle statistique à un ensemble de données d'entraînement ; des méthodes de transformation de données réelles ; des méthodes de création pure (à partir de zéro, voir ci-dessous).
Données produites à partir de rien de réel Des modèles aléatoires ( loi normale, , loi binomiale) permettent générer des données numériques ou catégorielles à partir de rien de réel. On peut aussi pour cela utiliser des modèles mathématiques ( équations différentielles, les systèmes dynamiques, les automates cellulaires). Pour générer des données textuelles synthétiques, on utilise des modèles de génération automatique de texte, comme les modèles de Markov cachés, les LSTM ou les transformeurs génératifs pré-entraînés ; Pour les données visuelles, on utilise maintenant des modèles d'apprentissage automatique, comme les réseaux convolutifs (développés par Yann Le Cun), les réseaux adverses génératifs (GAN), les réseaux antagonistes cycle-consistants (CycleGAN) Antérieurement, on utilisait plutôt le images de synthèses classiques, le ray tracing, le morphing, le blending ; Pour générer des données sonores synthétique, on utilise maintenant des modèles d'apprentissage automatique, comme les réseaux de neurones récurrents, les réseaux antagonistes génératifs (GAN), les réseaux antagonistes WaveNet (WaveGAN) qui tendent à remplacer les techniques antérieures de synthèse sonore ( synthèse additive, la synthèse soustractive, la synthèse granulaire).
Données produites à partir du réel