# Dane syntetyczne i augmentacja EN: **Synthetic data and augmentation** · id `synthetic` Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Dane dla AI](https://aiatlasgraph.com/t/data.md) › Dane syntetyczne i augmentacja ## Description - PL: Tworzenie lub przekształcanie przykładów. - EN: Creating or transforming examples. ## In one sentence - PL: To tworzenie nowych przykładów do nauki przez generowanie treści lub zmienianie istniejących materiałów. - EN: This creates new learning examples by generating content or transforming existing material. ## Problem it solves - PL: Masz za mało przykładów lub brakuje w nich sytuacji, które model powinien rozpoznawać. - EN: You lack examples or your collection misses situations the model needs to handle. ## What it does - PL: Tworzy dodatkowe warianty i zadania, a kontrola jakości pomaga wybrać te, które nadają się do nauki. - EN: It creates extra variations and tasks, while quality checks help select those suitable for learning. ## Everyday example - PL: Uczysz program rozpoznawać paczki i dodajesz przekształcone zdjęcia pokazujące inne kadry lub oświetlenie. - EN: You train software to recognise parcels and add transformed photos with different crops or lighting. ## This concerns you if you… - PL: masz mało przydatnych przykładów - PL: chcesz uzupełnić brakujące sytuacje w materiale do nauki - EN: have few useful examples - EN: want to fill gaps in your learning material ## Keywords Self-Instruct · Evol-Instruct · back-translation · mixup · rejection sampling · domain randomization · synthetic text generation · model collapse ## How it works - PL: Generatory tworzą próbki z modelu, symulatora lub reguł, a augmentacja przekształca istniejące przykłady. Filtracja i porównanie z danymi rzeczywistymi kontrolują poprawność etykiet, różnorodność oraz dopasowanie do zadania. - EN: Generators create samples from models, simulators or rules, while augmentation transforms existing examples. Filtering and comparison with real data check label validity, diversity and task relevance. ## Limits - PL: Nowe próbki mogą powielać błędy generatora i pomijać rzadkie przypadki. Pozorna różnorodność formy nie zapewnia nowych informacji ani poprawy na rzeczywistych danych. - EN: New samples may repeat generator errors and omit rare cases. Surface-level variety does not ensure new information or improvements on real data. ## Key terms - PL: **generator danych**: Model, symulator lub reguła wytwarzająca nowe przykłady. - PL: **augmentacja**: Transformacja próbek zachowująca lub jawnie aktualizująca ich właściwe etykiety. - EN: **data generator**: A model, simulator or rule producing new examples. - EN: **augmentation**: Transforming samples while preserving or explicitly updating their correct labels. ## Know first - [Rozkłady prawdopodobieństwa (Probability distributions)](https://aiatlasgraph.com/t/distributions.md) - [Uczenie nadzorowane (Supervised learning)](https://aiatlasgraph.com/t/supervised.md) ## Examples - PL: Generowanie danych · augmentacja - EN: Data generation · augmentation ## Subtopics (8 direct, 8 in total) - [Augmentacja danych (obraz i tekst) (Data augmentation for images and text)](https://aiatlasgraph.com/t/classicaugmentation.md): Creating new examples by transforming existing ones — rotating and cropping images, paraphrasing and back-translating text. - [Generowanie danych instrukcyjnych przez LLM (LLM-generated instruction data)](https://aiatlasgraph.com/t/instructiongen.md): A model generates instructions, inputs and answers from a few seed examples; after filtering weak and near-duplicate ones they are used for fine-tuning. - [Syntetyczne dane do pretrainingu (przepisywanie, podręczniki) (Synthetic pretraining data: rephrasing and textbooks)](https://aiatlasgraph.com/t/pretrainsynthetic.md): Rewriting web text into a more useful form or generating textbook-style material as a way to improve pretraining efficiency. Outcomes depend on generation quality, filtering, and how synthetic data is combined with real data. - [Syntetyczne dane tabelaryczne (Synthetic tabular data generation)](https://aiatlasgraph.com/t/tabularsynthetic.md): Generating rows for mixed-type tables with generative models; CTGAN conditions generation to better represent multimodal continuous columns and rare categories. - [Syntetyczne trajektorie i dane wywołań narzędzi dla agentów (Synthetic agent trajectories and tool-use data)](https://aiatlasgraph.com/t/agenttrajectories.md): Automatic generation and verification of queries, function calls and multi-step agent trajectories in environments and APIs for model fine-tuning. - [Weryfikacja i filtrowanie danych syntetycznych (Verifying and filtering synthetic data)](https://aiatlasgraph.com/t/syntheticfiltering.md): Quality control for model-generated data through rejection sampling and automatic verification of answers, code execution or tool calls. - [Wzbogacanie próbek (Sample enhancement)](https://aiatlasgraph.com/t/dataenhance.md): Improving generated examples: checking answers, picking the best of several, making tasks harder. - [Załamanie modelu na danych syntetycznych (Model collapse from synthetic data)](https://aiatlasgraph.com/t/modelcollapse.md): The risk that models trained recursively on content generated by earlier models lose information about the original data distribution, beginning with rare cases. ## Related topics Untyped, symmetric "see also" links. - [Analiza błędów (Error analysis)](https://aiatlasgraph.com/t/erroranalysis.md) - [Generowanie syntetycznych obrazów wad (Few-shot synthetic defect image generation)](https://aiatlasgraph.com/t/defectsynthesis.md) - [Przenoszenie z symulacji do rzeczywistości (sim-to-real) (Sim-to-real transfer)](https://aiatlasgraph.com/t/simtoreal.md) ## Sources - [Full Stack Deep Learning (2022, archiwum)]() `fsdl` · reference: Pełny cykl systemu ML: dane, testy, wdrażanie, monitoring, zespoły i etyka. - [Stanford CS336 · Language Modeling from Scratch (2025)]() `cs336` · reference: Budowa modeli, dane, trening, systemy, inferencja i post-training. - [DeepLearning.AI — course catalogue]() `dlai` · course catalogue: 42 topic labels with counts, about 130 courses. - [Best Practices and Lessons Learned on Synthetic Data]() `synthetic-data-best-practices-2024` · by Ruibo Liu, Jerry Wei, Fangyu Liu, Chenglei Si, Yanzhe Zhang, Jinmeng Rao, Steven Zheng, Daiyi Peng, Diyi Yang, Denny Zhou, Andrew M. Dai --- AI Atlas revision 124 (2026-10-31) · HTML: https://aiatlasgraph.com/t/synthetic · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30