AI는 데이터를 먹고 자라지만, 모든 데이터를 그대로 꺼내 쓸 수는 없다. 개인정보, 보안, 규제, 편향, 희소 사건의 문제 앞에서 조직은 “진짜 데이터를 쓰지 않고도 학습과 실험을 할 수 있는가”라는 질문을 마주한다. 이 책은 그 답을 합성데이터 엔지니어라는 직무로 풀어낸다.

합성데이터는 단순한 가짜 샘플이 아니다. 원본의 통계적 구조와 업무적 쓸모를 보존하면서 재식별 위험을 낮추고, 모델 학습과 검증, 협력사 공유, 연구와 테스트에 활용할 수 있도록 설계된 대체 데이터다. 원고는 익명화·가명처리·차등프라이버시의 경계, 테이블·텍스트·이미지·로그 생성 방식, 품질 평가와 프라이버시 평가, 금융·의료·제조·공공 도메인의 차이, 프로젝트 요구사항과 거버넌스, 도구 선택, 커리어 로드맵을 실무 순서대로 다룬다.

데이터 과학, 보안, 개인정보보호, AI 개발 사이에서 새로운 직무 기회를 찾는 독자에게 특히 알맞다. 포트폴리오를 모델 성능 하나가 아니라 생성 파이프라인, 평가 리포트, 위험 가정, 승인 문서로 구성해야 한다는 조언은 실제 취업과 프로젝트 수행에 바로 연결된다. 가짜 데이터를 만드는 기술이 진짜 책임을 설계하는 일임을 보여 주는 책이다.

책은 기술과 책임을 함께 배치한다. 좋은 합성데이터는 예쁜 샘플 몇 개가 아니라 반복 가능한 생성 파이프라인, 비교 실험, 품질 리포트, 프라이버시 공격 가정, 보관과 폐기 규칙으로 증명된다. 독자는 데이터를 만드는 사람에게 왜 법무·보안·현업·개발의 언어가 모두 필요한지, 그리고 그 복합성이 어떻게 새로운 커리어 역량이 되는지 이해하게 된다.