Создание конвейеров обезличенных синтетических данных становится критически важным для руководителей разработки, QA и продакт-менеджеров, особенно в свете ужесточения регуляторики. Автор статьи, работающий с тестовыми средами более 10 лет, делится опытом перехода от простой замены фамилий на шаблоны к серьезному подходу, сопоставимому с продакшеном. Опрос «Гарды» показывает, что почти половина российских компаний переносит в тестовые среды копии продуктивных баз без изменений, а 18,8% хранят их в том же кластере, что и боевые. С 30 мая 2025 года по 420-ФЗ утечка данных 1 000–10 000 человек стоит юрлицу от 3 до 5 млн рублей, а повторная — от 1% до 3% годовой выручки, минимум 25 млн. С 1 сентября 2025 года вступает в силу приказ Роскомнадзора № 140, который ужесточает требования к обезличиванию.
Синтетические данные решают четыре основные задачи: покрытие состояний и переходов, ссылочная целостность, валидность форматов и наличие всех справочных значений при сохранении реальных пропорций и статистики. Уровни реалистичности варьируются от простой схемы с шумом (для smoke-тестов) до практически полной копии продакшена с тонкой структурой, сезонностью и редкими классами (для исследований и публикаций). Выбор уровня зависит от задачи: для регресса достаточно второго уровня, для нагрузочного тестирования — четвертого, для машинного обучения — пятого. Шестой уровень, замещающий реальные данные в анализе, в корпоративной практике чаще всего не нужен.
С юридической точки зрения важно различать маскирование, псевдонимизацию и синтез. Маскирование с обратимым ключом является псевдонимизацией, и данные остаются персональными, требуя защиты как в ИСПДн. Обезличивание регулируется жестко: с 1 сентября 2025 года запрещено хранить обезличенные данные вместе с исходными, ключи соответствия должны храниться отдельно и не передаваться третьим лицам, включая подрядчиков. Локальные акты о методах обезличивания не должны быть доступны третьим лицам. С 1 сентября 2026 года действуют нормативы Росстандарта (ПНСТ 1064-2026, ПНСТ 1065-2026, ПНСТ 1066-2026), определяющие основные понятия, архитектуру синтеза и оценку качества результатов, включая метрики риска восстановления исходных данных.
Для построения конвейера предлагается семь шагов. Первый — инвентаризация и профилирование данных с использованием инструментов вроде ydata-profiling, Great Expectations или SQL на ClickHouse, где важно классифицировать поля по содержимому, а не по именам, и выявлять косвенные идентификаторы. Второй шаг — создание контракта на данные в формате YAML, который фиксирует правильность датасета, объемы, распределения и ограничения, защищая команду от бесконечных переписок. Третий шаг — подбор генератора для каждого типа данных: детерминированные функции для воспроизводимости, статистические методы (копулы, CTGAN) для корреляций и локальные LLM для текстов, избегая нейросетей там, где достаточно правил. Четвертый шаг включает обучение модели на выборке 1–5 млн строк с дедупликацией через MinHash или SimHash, использованием канареек для проверки утечек и применением дифференциальной приватности при необходимости.
