
# Samoučící se syntetická data – zajištění kvality pro Edge AI

Edge AI přechází z výzkumné kuriozity na produkční úroveň v autonomních vozidlech, průmyslovém IoT a chytrých kamerách. Největším úzkým hrdlem je **vysoce kvalitní tréninková data**, která musí splňovat požadavky na latenci, šířku pásma i soukromí. Generování syntetických dat se stalo de‑facto řešením, ale vytvořená data musí být **průběžně validována**, aby nedošlo k driftu modelu, biasu a porušení souladu.

**Samoučící se učení (SSL)** – model se učí užitečné reprezentace z surových dat bez lidských štítků – nabízí výkonný, nízkonákladový způsob, jak **měřit a zlepšovat kvalitu syntetických dat** v reálném čase. Začleněním SSL do datového potrubí mohou organizace vytvořit **uzavřený cyklus zajištění kvality (QA)**, který běží výhradně na okraji, škáluje se s federovanými nasazeními a integruje se s existujícími rámcemi správy, jako je Formize.

Níže se podíváme na:

1. Proč tradiční QA selhává u edge syntetických dat.  
2. Základní koncepty QA řízené SSL.  
3. Referenční architekturu s diagramem Mermaid.  
4. Krok‑za‑krokem průvodce implementací.  
5. Reálný případ použití.  
6. Nejlepší postupy a budoucí směry.

---

## 1. Mezera v QA pro edge syntetická data

| Výzva | Tradiční přístup | Proč selhává na okraji |
|-----------|----------------------|--------------------------|
| **Nedostatek štítků** | Manuální anotace validační sady | Edge zařízení nemohou odesílat velké označené datasety; latence znemožňuje časté pře‑označování. |
| **Konceptuální drift** | Periodické offline hodnocení | Edge prostředí (např. výrobní hala) se neustále mění; offline kontroly zachytí jen pomalý drift. |
| **Soukromí a soulad** | Centralizované audity | Pravidla suverenity dat ([GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa)) omezují přesun surových edge dat do cloudu k inspekci. |
| **Omezené zdroje** | Náročné statistické testy v cloudu | Edge CPU/GPU mají omezený výpočet; cloudové round‑tripy přidávají latenci a náklady. |

Výsledkem je **slepecká skvrna kvality**: syntetická data mohou vypadat realisticky, ale stále snižují výkon downstream modelu, zavádějí bias nebo porušují regulační limity.

---

## 2. Samoučící se učení jako QA motor

SSL vytváří **pretextové úlohy**, které nutí model učit se strukturu přímo z dat. Běžné pretextové úlohy zahrnují:

* **Kontrastivní učení** – přitahování augmentací stejného vzorku a odtahování různých vzorků.  
* **Maskované modelování** – předpovídání chybějících částí obrazu, audia nebo senzorového proudu.  
* **Prediktivní kódování** – předpovídání budoucích senzorových hodnot z minulého kontextu.

Aplikováno na **syntetická data**, SSL může generovat **kvalitativní metriky** bez jakýchkoli lidských štítků:

| Metrika | Derivace z SSL | Interpretace |
|--------|----------------|----------------|
| **Skóre podobnosti reprezentací (RSS)** | Kosinová podobnost mezi embeddingy syntetických a reálných vzorků pomocí kontrastivního enkodéru. | Vyšší RSS → syntetická data zachycují reálný manifold. |
| **Chyba rekonstrukce masky (MRE)** | L1/L2 ztráta na maskovaných oblastech pro maskované modelovací sítě. | Nižší MRE → vyšší věrnost detailů. |
| **Index prediktivní konzistence (PCI)** | Variance predikcí budoucích kroků napříč syntetickými sekvencemi. | Nízký PCI → stabilní temporální dynamika. |

Protože SSL modely jsou **trénovány na okraji** pomocí pouze lokálně dostupných dat, respektují soukromí a mohou být **průběžně aktualizovány**, jakmile přijdou nové reálné senzorové proudy.

---

## 3. Referenční architektura

Diagram níže ukazuje **self‑supervised QA smyčku**, kterou lze nasadit na flotilu edge zařízení, volitelně koordinovanou lehkým federovaným orchestrátorem.

```mermaid
flowchart TD
    A["Real Sensor Stream"] --> B["Edge Data Collector"]
    B --> C["Synthetic Data Generator"]
    C --> D["Self‑Supervised QA Engine"]
    D --> E["Quality Metrics Store"]
    E --> F["Dynamic Generator Tuner"]
    F --> C
    D --> G["Edge Model Trainer"]
    G --> H["Edge Inference Service"]
    H --> I["Feedback to Collector"]
    I --> B
    subgraph Federated Orchestrator
        J["Global Metric Aggregator"]
        E --> J
        J --> K["Policy Engine (Formize)"]
        K --> F
    end
```

* **Edge Data Collector** ukládá surová senzorová data a posílá vzorky do QA engine.  
* **Synthetic Data Generator** může být difúzní model, GAN nebo pravidlový simulátor.  
* **Self‑Supervised QA Engine** provádí kontrastivní, maskované a prediktivní pretextové úlohy a vydává RSS, MRE, PCI.  
* **Quality Metrics Store** uchovává skóre lokálně; periodické souhrny jsou odesílány do **Global Metric Aggregator** pro přehled na úrovni flotily.  
* **Dynamic Generator Tuner** upravuje hyperparametry generátoru (např. plán šumu difúze) na základě cílových prahů metrik.  
* **Edge Model Trainer** konzumuje jen syntetická data, která splňují prahové hodnoty, čímž zajišťuje robustnost downstream modelu.  
* **Policy Engine (Formize)** vynucuje souladové pravidla (např. minimální RSS > 0.85) a loguje auditní stopy.

---

## 4. Krok‑za‑krokem průvodce implementací

### 4.1. Vyberte správný SSL backbone

| Omezení na okraji | Doporučený backbone | Důvod |
|-------------------|---------------------|-------|
| **Pouze CPU** | SimCLR s MobileNetV3 | Nízký počet FLOPs, vysokodimenzionální embeddingy. |
| **GPU/TPU** | BYOL s EfficientNet‑B0 | Rychlejší konvergence, není potřeba negativní páry. |
| **Přísná paměť** | MAE (Masked AutoEncoder) s malým ViT | Funguje s malými patch size, minimální paměť. |

### 4.2. Sestavte pretextové úlohy

```python
# Příklad: Kontrastivní enkodér pro obrazové edge senzory
import torch, torchvision
from torch import nn

class EdgeContrastive(nn.Module):
    def __init__(self, backbone):
        super().__init__()
        self.backbone = backbone
        self.projection = nn.Sequential(
            nn.Linear(backbone.out_features, 256),
            nn.ReLU(),
            nn.Linear(256, 128)
        )
    def forward(self, x):
        feat = self.backbone(x)
        proj = self.projection(feat)
        return nn.functional.normalize(proj, dim=1)
```

* **Data augmentace** musí být lehké (náhodný ořez, změna barev), aby nevyčerpaly výpočetní zdroje.  
* **Velikost batch** může být i 32; použijte techniky **memory bank** pro simulaci většího množství negativních vzorků.

### 4.3. Vypočítejte kvalitativní metriky

```python
def representation_similarity(real_emb, synth_emb):
    # Průměrná kosinová podobnost přes batch
    return (real_emb * synth_emb).sum(dim=1).mean().item()

def mask_reconstruction_error(original, reconstructed, mask):
    diff = (original - reconstructed) * mask
    return diff.abs().mean().item()
```

Ukládejte metriky do lehké SQLite databáze nebo embedded time‑series úložiště (např. InfluxDB) pro rychlé načítání.

### 4.4. Adaptivní ladění generátoru

Vytvořte **PID regulátor**, který posouvá parametry generátoru směrem k cílovým oknům metrik.

```python
class GeneratorTuner:
    def __init__(self, target_rss=0.88, kp=0.1, ki=0.01, kd=0.005):
        self.target = target_rss
        self.kp, self.ki, self.kd = kp, ki, kd
        self.integral = 0
        self.prev_error = None

    def update(self, current_rss):
        error = self.target - current_rss
        self.integral += error
        derivative = 0 if self.prev_error is None else error - self.prev_error
        self.prev_error = error
        adjustment = self.kp*error + self.ki*self.integral + self.kd*derivative
        return max(0.0, min(1.0, adjustment))   # omezí na interval [0,1] pro difúzní šum
```

Úpravu použijte pro plán šumu difúzního modelu nebo podmíněný vektor.

### 4.5. Federované agregování (volitelné)

Pokud spravujete flotilu, použijte **Secure Aggregation** (např. Paillierova homomorfní šifrování) k výpočtu průměrného RSS bez odhalení surových embeddingů. Formize může ukládat šifrované agregáty a vynucovat prahové hodnoty napříč organizací.

### 4.6. Integrace s edge tréninkem modelu

Do tréninkové fronty přijímejte jen syntetické batch‑e, jejichž **RSS ≥ 0.85**, **MRE ≤ 0.02** a **PCI ≤ 0.05**. Toto filtrování snižuje přeučení na nízkokvalitní data a zlepšuje přesnost downstream inference o 3‑7 % v benchmarkových testech.

---

## 5. Reálný případ: Vizuální systém ve smart factory

**Pozadí** – Nadnárodní výrobce elektroniky nasadil edge kamery na výrobní linky k detekci vad pájecích spojů. Reálné obrázky vad jsou vzácné (≈ 1 % snímků) a jejich označování je nákladné.

**Implementace**  

1. **Generátor syntetických dat** – podmíněný difúzní model trénovaný na několika stovkách anotovaných vad.  
2. **SSL QA engine** – SimCLR s MobileNetV3, běžící na NVIDIA Jetson Orin.  
3. **Metriky** – po 48 h kontinuální adaptace dosáhly průměrného RSS = 0.89, MRE = 0.015, PCI = 0.03.  
4. **Politika** – Formize vyžadovalo RSS ≥ 0.88; jakýkoli batch pod tímto prahem spustil automatické pře‑trénování generátoru.  

**Výsledky**  

| Metrika | Před QA (surová syntetika) | Po SSL‑QA |
|--------|---------------------------|-----------|
| F1 detekce vad | 0.71 | 0.78 |
| Míra falešně pozitivních | 0.12 | 0.07 |
| Latence inference na okraji | 28 ms | 27 ms (žádný dopad) |
| Doba auditu souhlasu | 3 dny | 4 hodiny |

Self‑supervised QA smyčka eliminovala potřebu týdenního manuálního auditu dat, snížila počet falešných poplachů a udržela systém v souladu s pravidly o ochraně dat.

---

## 6. Nejlepší postupy

| Postup | Proč je důležitý |
|----------|-------------------|
| **Spouštějte SSL v samostatném vlákně** | Zabráníte soutěži o výpočetní zdroje s inference. |
| **Cacheujte embeddingy** | Opětovné použití embeddingů reálných vzorků pro více syntetických batch‑ů šetří výpočet. |
| **Používejte lehké augmentace** | Příliš agresivní augmentace mohou RSS uměle nafouknout. |
| **Logujte každou metriku s hash‑em proti manipulaci** | Umožňuje nezměnitelný audit; Formize může automaticky ověřovat integritu. |
| **Zavádějte konzervativní prahy na začátku** | Zabrání odmítnutí příliš velkého množství syntetických dat během zahřívací fáze. |
| **Periodicky vyhodnocujte na malé označené hold‑out sadě** | Poskytne sanity check, že SSL metriky korelují s výkonem downstream modelu. |

---

## 7. Budoucí směry

1. **Multimodální SSL** – kombinace vizuálních, audio a vibračních dat pro generování bohatších syntetických proudů v robotice.  
2. **Neurální architektonické hledání (NAS) pro QA modely** – automatické ladění SSL backbone podle konkrétního edge hardware.  
3. **Zero‑Knowledge Proofs pro ověření metrik** – prokázat, že syntetický batch splňuje kvalitu bez odhalení surových dat, čímž se posílí zero‑trust soulad.  
4. **LLM‑řízená interpretace metrik** – využít velké jazykové modely k převodu surových čísel RSS/MRE na přirozený jazyk a automaticky generovat zprávy v Formize.

---

## Viz také

- Samoučící se učení pro počítačové vidění – přehled (2024)  
- Federované generování syntetických dat s diferencovanou ochranou soukromí (2023)  
- Dokumentace Formize: Policy Engine a auditovatelná linie  
- Edge AI detekce driftu modelu pomocí kontrastivních embeddingů