تشير البيانات التركيبية إلى البيانات التي يتم إنشاؤها بشكل مصطنع بدلاً من جمعها من مصادر في العالم الحقيقي. بشكل عام ، بينما يتم جمع البيانات الأصلية في جميع تفاعلاتك مع الأشخاص (العملاء والمرضى وما إلى ذلك) وعبر جميع العمليات الداخلية الخاصة بك ، يتم إنشاء البيانات الاصطناعية بواسطة خوارزمية الكمبيوتر.

يمكن أيضًا استخدام البيانات التركيبية لاختبار وتقييم النماذج في بيئة خاضعة للرقابة ، أو لحماية المعلومات الحساسة عن طريق إنشاء بيانات مشابهة لبيانات العالم الحقيقي ولكنها لا تحتوي على أي معلومات حساسة. غالبًا ما تُستخدم البيانات التركيبية كبديل للبيانات الحساسة للخصوصية ويمكن استخدامها كبيانات اختبار أو للتحليلات أو لتدريب التعلم الآلي.

المزيد

يمكن أن يكون ضمان احتفاظ البيانات التركيبية بنفس جودة البيانات مثل البيانات الأصلية أمرًا صعبًا ، ويعتمد غالبًا على حالة الاستخدام المحددة والطرق المستخدمة لإنشاء البيانات التركيبية. يمكن لبعض طرق إنشاء البيانات التركيبية ، مثل النماذج التوليفية ، إنتاج بيانات مشابهة إلى حد كبير للبيانات الأصلية. السؤال الأساسي: كيف يتم إثبات ذلك؟

هناك بعض الطرق لضمان جودة البيانات التركيبية:

• مقاييس جودة البيانات عبر تقرير جودة البيانات لدينا: تتمثل إحدى طرق ضمان احتفاظ البيانات التركيبية بنفس جودة البيانات مثل البيانات الأصلية في استخدام مقاييس جودة البيانات لمقارنة البيانات التركيبية بالبيانات الأصلية. يمكن استخدام هذه المقاييس لقياس أشياء مثل تشابه البيانات ودقتها واكتمالها. تضمن برنامج Syntho تقرير جودة البيانات بمقاييس جودة البيانات المختلفة.
• التقييم الخارجي: نظرًا لأن جودة بيانات البيانات التركيبية مقارنة بالبيانات الأصلية أمر أساسي ، فقد أجرينا مؤخرًا تقييمًا مع خبراء البيانات في SAS (الرائد في السوق في التحليلات) لإثبات جودة بيانات البيانات التركيبية بواسطة Syntho مقارنة بالبيانات الحقيقية. قام Edwin van Unen ، خبير التحليلات من SAS ، بتقييم مجموعات البيانات التركيبية التي تم إنشاؤها من Syntho عبر تقييمات التحليلات المختلفة (AI) وتبادل النتائج. شاهد ملخصًا قصيرًا لهذا الفيديو هنا.
• الاختبار والتقييم بنفسك: يمكن اختبار البيانات التركيبية وتقييمها من خلال مقارنتها ببيانات العالم الحقيقي أو باستخدامها لتدريب نماذج التعلم الآلي ومقارنة أدائها بالنماذج المدربة على بيانات العالم الحقيقي. لماذا لا تختبر جودة البيانات التركيبية بنفسك؟ اسأل خبرائنا عن احتمالات هذا هنا. 

من المهم ملاحظة أن البيانات التركيبية لا يمكن أن تضمن أبدًا أن تكون مشابهة بنسبة 100٪ للبيانات الأصلية ، ولكن يمكن أن تكون قريبة بما يكفي لتكون مفيدة لحالة استخدام معينة. يمكن أن تكون حالة الاستخدام المحددة هذه تحليلات متقدمة أو نماذج لتعلم الآلة.

"إخفاء الهوية" الكلاسيكي ليس دائمًا الحل الأفضل ، للأسباب التالية:

1. مخاطر الخصوصية - سيكون لديك دائما
   مخاطرة تتعلق بالخصوصية. تطبيق هؤلاء
   تقنيات إخفاء الهوية الكلاسيكية
   يجعل الأمر أكثر صعوبة ، ولكن ليس كذلك
   من المستحيل التعرف على الأفراد.
2. إتلاف البيانات - وكلما
   إخفاء هويتك ، كان ذلك أفضل لحمايتك
   خصوصيتك ، ولكن كلما زادت
   تدمير البيانات الخاصة بك. هذا ليس ما
   تريد التحليلات ، لأن
   ستؤدي البيانات المدمرة إلى ضرر
   أفكار.
3. استهلاك الوقت - إنه حل
   هذا يستغرق الكثير من الوقت ، لأن
   هذه التقنيات تعمل بشكل مختلف
   لكل مجموعة بيانات ولكل نوع بيانات.

تهدف البيانات التركيبية إلى حل كل هذه العيوب. الاختلاف مذهل لدرجة أننا صنعنا مقطع فيديو حوله. شاهدها هنا.