Leitfaden zur Generierung synthetischer Daten: Definition, Typen und Anwendungen
Es ist kein Geheimnis, dass Unternehmen bei der Beschaffung und Weitergabe hochwertiger Daten vor Herausforderungen stehen. Synthetic Datenerzeugungs ist eine praktische Lösung, die dabei hilft, große künstliche Datensätze und hochwertige Testdaten ohne Datenschutzrisiken oder Bürokratie zu erstellen.
Synthetische Datensätze können mit verschiedenen Methoden erstellt werden und bieten vielfältige Anwendungsmöglichkeiten. Bei richtiger Auswertung helfen synthetische Datensätze, die mit fortschrittlichen Algorithmen generiert werden, Unternehmen dabei, ihre Analysen, Forschung und Tests zu beschleunigen. Schauen wir also genauer hin.
Dieser Artikel stellt Ihnen synthetische Daten vor, einschließlich der Haupttypen, Unterschiede zu anonymisierten Datensätzen und rechtlichen Nuancen. Sie erfahren, wie künstlich generierte Daten kritische Datenprobleme lösen und bestimmte Risiken minimieren. Wir werden auch seine branchenübergreifenden Anwendungen diskutieren, begleitet von Beispielen aus unseren Fallstudien.
Inhaltsverzeichnis
Synthetische Daten: Definition und Marktstatistik
Synthetische Daten handelt es sich um künstlich generierte Informationen ohne vertraulichen Inhalt, die als Alternative zu realen Datensätzen dienen. Datenwissenschaftler rufen oft an KI-generierte synthetische Daten ein synthetischer Datenzwilling aufgrund seiner hohen statistischen Genauigkeit bei der Nachahmung realer Daten.
Künstliche Datensätze werden mithilfe von Algorithmen und Simulationen der künstlichen Intelligenz (KI) erstellt, die die Muster und Korrelationen der Originaldaten beibehalten. Diese Daten können Texte, Tabellen und Bilder umfassen. Die Algorithmen ersetzen personenbezogene Daten (PII) durch Scheindaten.
Prognosen von Grand View Research dass der Markt für synthetische Datengenerierung mit generativer KI wird von 1.63 Milliarden US-Dollar im Jahr 2022 auf etwa 13.5 Milliarden US-Dollar im Jahr 2030 wachsen, bei einer jährlichen Wachstumsrate von 35 %. Laut Gartner 60 % der im Jahr 2024 für KI verwendeten Daten werden synthetisch sein — das sind 60-mal mehr als im Jahr 2021.
Auch synthetische Datenplattformen sind auf dem Vormarsch. Markt Statesville erwartet Der globale Markt für synthetische Datenplattformen soll von 218 Millionen US-Dollar im Jahr 2022 auf 3.7 Milliarden US-Dollar im Jahr 2033 wachsen.
Warum sind künstliche Daten auf dem Vormarsch? Ein treibender Faktor ist die Freiheit von behördlicher Aufsicht.
Reglementieren Datenschutzgesetze KI-generierte synthetische Daten?
Viele USA und EU Datensicherheit und Datenschutz Für identifizierbare personenbezogene Daten gelten die gesetzlichen Bestimmungen.
Aber diese Vorschriften gelten nicht für synthetische Daten — Synthetische Daten werden ähnlich behandelt anonymisierte Daten. Sie bilden den sogenannten „Kern“ anderer Rechtsnormen.
Zum Beispiel, Erwägungsgrund 26 der DSGVO besagt, dass Datenschutzbestimmungen nur für Daten gelten, die sich auf eine identifizierbare Person beziehen. Wenn Ihre synthetischen Daten so generiert werden, dass sie nicht auf identifizierbare Personen zurückgeführt werden können, unterliegen sie keiner behördlichen Aufsicht. Abgesehen von der behördlichen Aufsicht gibt es noch andere Hindernisse bei der Nutzung realer Daten, die Unternehmen dazu veranlassen, synthetische Daten zu generieren.
Hauptherausforderungen bei der Verwendung realer Daten
Vielen Unternehmen fällt es schwer, relevante, qualitativ hochwertige Daten zu finden und zu nutzen, insbesondere in ausreichender Menge für das Training von KI-Algorithmen. Selbst wenn sie es finden, kann die Weitergabe oder Nutzung der Datensätze aufgrund von Datenschutzrisiken und Kompatibilitätsproblemen eine Herausforderung darstellen. In diesem Abschnitt wird der Schlüssel erläutert stellt synthetische Daten in Frage kann lösen.
Datenschutzrisiken behindern die Nutzung und Weitergabe von Daten
Datensicherheits- und Datenschutzbestimmungen wie DSGVO und HIPAA führen zu bürokratischen Hindernissen für die gemeinsame Nutzung und Nutzung von Daten. In Branchen wie dem Gesundheitswesen kann aufgrund von Governance-Prüfungen sogar der Austausch personenbezogener Daten zwischen Abteilungen innerhalb derselben Organisation zeitaufwändig sein. Der Datenaustausch mit externen Stellen stellt eine noch größere Herausforderung dar und birgt größere Sicherheitsrisiken.
Forschung aus Fortune-Business-Einblicke identifiziert steigende Datenschutzrisiken als Hauptkatalysator für die Einführung synthetischer Datenpraktiken. Je mehr Daten Sie speichern, desto größer ist das Risiko, dass Ihre Privatsphäre gefährdet wird. Entsprechend der IBM Security Cost of a Data Breach Report 2023lagen die durchschnittlichen Kosten einer Datenschutzverletzung in den USA bei 9.48 Millionen US-Dollar. Weltweit lagen die durchschnittlichen Kosten bei 4.45 Millionen US-Dollar; Unternehmen mit weniger als 500 Mitarbeitern verlieren 3.31 Millionen US-Dollar pro Verstoß. Und das ist kein Reputationsschaden.
Schwierigkeiten bei der Suche nach qualitativ hochwertigen Daten
Eine 2022-Umfrage Eine Umfrage unter 500 Datenexperten ergab, dass 77 % der Ingenieure, Analysten und Datenwissenschaftler mit Datenqualitätsproblemen konfrontiert waren. Dem Bericht zufolge beeinträchtigt die Datenqualität die finanzielle Leistungsfähigkeit und Produktivität eines Unternehmens und macht eine ganzheitliche Sicht auf seine Dienstleistungen kaum möglich.
Unternehmen fehlen möglicherweise genügend Daten aus bestimmten demografischen Gruppen, um ihre Modelle für maschinelles Lernen (ML) ordnungsgemäß zu trainieren. Und Datensätze enthalten häufig Inkonsistenzen, Ungenauigkeiten und fehlende Werte. Wenn Sie Ihre KI-Plattformen mit trainieren Modelle des maschinellen Lernens Bei Daten von geringer Qualität und mangelnder demografischer Diversität werden ungenaue und verzerrte Vorhersagen getroffen. Ebenso wie die anonymisierte Datengenerierung können nicht verfeinerte Algorithmen unzuverlässige künstliche Datensätze erzeugen, die das Ergebnis der Datenanalyse beeinflussen.
Upsampling mit synthetischen Daten kann die Datenqualität verbessern, indem Ungleichgewichte in Datensätzen behoben werden. Dadurch wird sichergestellt, dass unterrepräsentierte Klassen eine proportionalere Vertretung erhalten und Voreingenommenheit verringert wird. Ein robusterer und repräsentativerer Datensatz führt zu verbesserten Analyseergebnissen und Modelltraining.
Inkompatibilitäten von Datensätzen
Datensätze unterschiedlicher Herkunft oder in Datenbanken mit mehreren Tabellen können zu Inkompatibilitäten führen, die Datenverarbeitung und -analyse komplex machen und Innovationen behindern.
Beispielsweise umfasst die Datenaggregation im Gesundheitswesen elektronische Gesundheitsakten (EHRs), Wearables, proprietäre Software und Tools von Drittanbietern. Jede Quelle kann unterschiedliche Datenformate und Informationssysteme verwenden, was während der Integration zu Unterschieden in den Datenformaten, Strukturen oder Einheiten führt. Die Verwendung synthetischer Daten kann dieser Herausforderung begegnen, indem sie die Kompatibilität gewährleistet und dies ermöglicht Daten generieren im gewünschten Format.
Die Anonymisierung ist unzureichend
Anonymisierungstechniken reichen nicht aus, um Datenschutzrisiken oder Datenqualitätsprobleme zu überwinden. Darüber hinaus, Durch das Maskieren oder Entfernen von Identifikatoren können Details verloren gehen, die für eine eingehende Analyse erforderlich sind in großen Datensätzen.
Darüber hinaus können anonymisierte Daten wieder identifiziert und auf Einzelpersonen zurückgeführt werden. Böswillige Akteure können mithilfe fortschrittlicher Analysen zeitbasierte Muster aufdecken, die die Anonymität scheinbar anonymisierter Daten gefährden. Synthetische Daten sind in dieser Hinsicht anonymisierten Daten überlegen.
Im Gegensatz zu Anonymisierung, synthetische Daten ändert keine vorhandenen Datensätze, sondern generiert neue Daten, die den Merkmalen und der Struktur des Datensatzes ähneln Rohdaten, wobei seine Nützlichkeit erhalten bleibt. Es handelt sich um einen völlig neuen Datensatz, der keine personenbezogenen Daten enthält.
Aber es ist nuancierter. Es gibt verschiedene Arten von synthetische Datengenerierungsmethoden.
Arten der synthetischen Datengenerierung
Synthetische Datenerstellung Die Prozesse variieren je nach Art der erforderlichen Daten. Zu den synthetischen Datentypen gehören vollständig KI-generierte, regelbasierte und Scheindaten – jede erfüllt einen anderen Bedarf.
Vollständig KI-generierte synthetische Daten
Diese Art von synthetische Daten wird von Grund auf mit ML-Algorithmen erstellt. Der Modell des maschinellen Lernens Züge an wirkliche Daten um mehr über die Struktur, Muster und Beziehungen der Daten zu erfahren. Generative KI nutzt dieses Wissen dann, um neue Daten zu generieren, die den statistischen Eigenschaften des Originals sehr ähnlich sind (und diese gleichzeitig nicht identifizierbar machen).
Diese Art von vollsynthetische Daten ist nützlich für das Training von KI-Modellen und gut genug, um so verwendet zu werden, als ob es sich um echte Daten handeln würde. Dies ist insbesondere dann von Vorteil, wenn Sie Ihre Datensätze aufgrund vertraglicher Datenschutzvereinbarungen nicht weitergeben können. Um synthetische Daten zu generieren, benötigen Sie jedoch eine erhebliche Menge an Originaldaten als Ausgangspunkt Modell des maschinellen Lernens Ausbildung.
Synthetische Scheindaten
Dieser synthetische Daten Typ bezieht sich auf künstlich erstellte Daten, die die Struktur und das Format realer Daten imitieren, aber nicht unbedingt tatsächliche Informationen widerspiegeln. Es hilft Entwicklern sicherzustellen, dass ihre Anwendungen verschiedene Eingaben und Szenarien verarbeiten können, ohne echte, private oder zu verwenden sensible Daten und, was am wichtigsten ist, ohne sich auf reale Daten zu verlassen. Diese Praxis ist unerlässlich, um die Funktionalität zu testen und Softwareanwendungen auf kontrollierte und sichere Weise zu verfeinern.
Verwendungszweck: Als Ersatz für direkte Identifikatoren (PII) oder wenn Ihnen derzeit Daten fehlen und Sie keine Zeit und Energie in die Definition von Regeln investieren möchten. Entwickler verwenden häufig Scheindaten, um die Funktionalität und das Erscheinungsbild von Anwendungen in den frühen Phasen der Entwicklung zu bewerten und so potenzielle Probleme oder Designfehler zu identifizieren.
Auch wenn es Scheindaten an der Authentizität realer Informationen mangelt, bleiben sie ein wertvolles Werkzeug, um die ordnungsgemäße Funktion und visuelle Darstellung von Systemen vor der eigentlichen Datenintegration sicherzustellen.
Hinweis: Synthetische Scheindaten werden oft als „gefälschte Daten,' obwohl wir nicht empfehlen, diese Begriffe austauschbar zu verwenden, da sie möglicherweise unterschiedliche Bedeutungen haben.
Regelbasierte synthetische Daten
Regelbasierte synthetische Daten ist ein nützliches Tool zum Generieren benutzerdefinierter Datensätze basierend auf vordefinierten Regeln, Einschränkungen und Logik. Diese Methode bietet Flexibilität, indem sie es Benutzern ermöglicht, die Datenausgabe entsprechend spezifischer Geschäftsanforderungen zu konfigurieren und Parameter wie Minimal-, Maximal- und Durchschnittswerte anzupassen. Im Gegensatz zu vollständig KI-generierten Daten, die nicht individuell angepasst werden können, bieten regelbasierte synthetische Daten eine maßgeschneiderte Lösung zur Erfüllung unterschiedlicher betrieblicher Anforderungen. Das Prozess zur Generierung synthetischer Daten erweist sich als besonders nützlich bei Tests, Entwicklung und Analysen, wo eine präzise und kontrollierte Datengenerierung unerlässlich ist.
Jede Methode zur Generierung synthetischer Daten hat unterschiedliche Anwendungen. Die Plattform von Syntho zeichnet sich dadurch aus, dass sie mit geringem oder gar keinem Aufwand Ihrerseits synthetische Datenzwillinge erstellt. Sie erhalten statistisch genaue Informationen, hochwertige synthetische Daten für Ihre Anforderungen, ganz ohne Compliance-Aufwand.
Tabellarische synthetische Daten
Die tabellarische synthetische Daten bezieht sich auf Erstellen künstlicher Daten Teilmengen, die die Struktur und statistischen Eigenschaften der realen Welt nachahmen Tabellendaten, beispielsweise in Tabellen oder Tabellenkalkulationen gespeicherte Daten. Das synthetische Daten wird erstellt mit Algorithmen zur Generierung synthetischer Daten und Techniken, die darauf ausgelegt sind, die Eigenschaften des zu reproduzieren Quelldaten Dabei ist sicherzustellen, dass vertrauliche bzw sensible Daten wird nicht bekannt gegeben.
Techniken zum Generieren tabellarisch synthetische Daten beinhalten typischerweise statistische Modellierung, Modelle des maschinellen Lernensoder generative Modelle wie Generative Adversarial Networks (GANs) und Variational Autoencoder (VAEs). Diese Werkzeuge zur Generierung synthetischer Daten Analysieren Sie die Muster, Verteilungen und Korrelationen in der echter Datensatz und dann neu generieren Datenpunkte zur Verbesserung der Gesundheitsgerechtigkeit ähneln stark realen Daten enthalten aber keine wirklichen Informationen.
Typisch tabellarisch Anwendungsfälle für synthetische Daten Dazu gehören die Bewältigung von Datenschutzbedenken, die Erhöhung der Datenverfügbarkeit und die Erleichterung von Forschung und Innovation bei datengesteuerten Anwendungen. Es ist jedoch unbedingt darauf zu achten, dass die synthetische Daten erfasst genau die zugrunde liegenden Muster und Verteilungen der zu pflegenden Originaldaten Datendienstprogramm und Gültigkeit für nachgelagerte Aufgaben.
Die beliebtesten Anwendungen für synthetische Daten
Künstlich generierte Daten eröffnen Innovationsmöglichkeiten für das Gesundheitswesen, den Einzelhandel, die Fertigung, das Finanzwesen und andere Branchen. Das Primäre Anwendungsfälle Dazu gehören Daten-Upsampling, Analysen, Tests und Weitergabe.
Upsampling zur Verbesserung von Datensätzen
Upsampling bedeutet, aus kleineren Datensätzen größere Datensätze zu generieren, um sie zu skalieren und zu diversifizieren. Diese Methode wird angewendet, wenn reale Daten knapp, unausgewogen oder unvollständig sind.
Betrachten Sie einige Beispiele. Für Finanzinstitute können Entwickler die Genauigkeit von Betrugserkennungsmodellen verbessern, indem sie seltene Beobachtungen und Aktivitätsmuster im Hochsampling durchführen Finanzdaten. Ebenso könnte eine Marketingagentur ein Upsampling durchführen, um Daten zu unterrepräsentierten Gruppen zu erweitern und so die Segmentierungsgenauigkeit zu verbessern.
Erweiterte Analysen mit KI-generierten Daten
Unternehmen können KI-generierte hochwertige synthetische Daten für Datenmodellierung, Geschäftsanalysen und klinische Forschung nutzen. Daten synthetisieren erweist sich als praktikable Alternative, wenn die Erfassung realer Datensätze entweder zu teuer oder zeitaufwändig ist.
Synthetische Daten ermöglicht es Forschern, tiefgreifende Analysen durchzuführen, ohne die Vertraulichkeit der Patientendaten zu gefährden. Datenwissenschaftler und Forscher erhalten Zugriff auf Patientendaten, Informationen über klinische Zustände und Behandlungsdetails und gewinnen Erkenntnisse, die mit echten Daten wesentlich zeitaufwändiger wären. Darüber hinaus können Hersteller Daten frei mit Lieferanten teilen und dabei manipulierte GPS- und Standortdaten einbeziehen, um Algorithmen für Leistungstests zu erstellen oder die vorausschauende Wartung zu verbessern.
Aber, Auswertung synthetischer Daten ist kritisch. Die Ausgabe der Syntho Engine wird von einem internen Qualitätssicherungsteam validiert externe Experten des SAS-Instituts. In einer Studie zur prädiktiven Modellierung haben wir vier trainiert Modelle des maschinellen Lernens auf realen, anonymisierten und synthetischen Daten. Die Ergebnisse zeigten, dass Modelle, die auf unseren synthetischen Datensätzen trainiert wurden, das gleiche Maß an Genauigkeit aufwiesen wie Modelle, die auf realen Datensätzen trainiert wurden, während anonymisierte Daten den Nutzen der Modelle verringerten.
Externer und interner Datenaustausch
Synthetische Daten vereinfachen den Datenaustausch innerhalb und zwischen Organisationen. Du kannst synthetische Daten verwenden zu Informationen austauschen, ohne Datenschutzverletzungen oder die Nichteinhaltung von Vorschriften zu riskieren. Zu den Vorteilen synthetischer Daten gehören beschleunigte Forschungsergebnisse und eine effektivere Zusammenarbeit.
Einzelhandelsunternehmen können mithilfe synthetischer Daten, die das Kundenverhalten, die Lagerbestände oder andere wichtige Kennzahlen widerspiegeln, Erkenntnisse mit Lieferanten oder Händlern teilen. Um jedoch ein Höchstmaß an Sicherheit zu gewährleisten Datenschutz, sensible Kundendaten und Unternehmensgeheimnisse werden vertraulich behandelt.
Syntho hat den Global SAS Hackathon 2023 gewonnen für unsere Fähigkeit zu generieren und zu teilen aPräzise synthetische Daten effektiv und risikofrei. Wir haben Patientendaten für mehrere Krankenhäuser mit unterschiedlichen Patientenpopulationen synthetisiert, um die Wirksamkeit von Vorhersagemodellen zu demonstrieren. Die Verwendung der kombinierten synthetischen Datensätze erwies sich als genauso genau wie die Verwendung realer Daten.
Synthetische Testdaten
Bei synthetischen Testdaten handelt es sich um künstlich erzeugte Daten, die zur Simulation dienen Datentest Umgebungen für die Softwareentwicklung. Zusätzlich zur Reduzierung von Datenschutzrisiken ermöglichen synthetische Testdaten Entwicklern, die Leistung, Sicherheit und Funktionalität von Anwendungen in einer Reihe potenzieller Szenarien genau zu bewerten, ohne das reale System zu beeinträchtigen.
Unsere Zusammenarbeit mit einer der größten niederländischen Banken Vitrinen Vorteile synthetischer Daten für Softwaretests. Testdatengenerierung mit der Syntho Engine führte zu produktionsähnlichen Datensätzen, die der Bank dabei halfen, die Softwareentwicklung und Fehlererkennung zu beschleunigen, was zu schnelleren und sichereren Software-Releases führte.
Techniken zum Generieren tabellarisch synthetische Daten beinhalten typischerweise statistische Modellierung, Modelle des maschinellen Lernensoder generative Modelle wie Generative Adversarial Networks (GANs) und Variational Autoencoder (VAEs). Diese Werkzeuge zur Generierung synthetischer Daten Analysieren Sie die Muster, Verteilungen und Korrelationen in der echter Datensatz und dann neu generieren Datenpunkte zur Verbesserung der Gesundheitsgerechtigkeit ähneln stark realen Daten enthalten aber keine wirklichen Informationen.
Typisch tabellarisch Anwendungsfälle für synthetische Daten Dazu gehören die Bewältigung von Datenschutzbedenken, die Erhöhung der Datenverfügbarkeit und die Erleichterung von Forschung und Innovation bei datengesteuerten Anwendungen. Es ist jedoch unbedingt darauf zu achten, dass die synthetische Daten erfasst genau die zugrunde liegenden Muster und Verteilungen der zu pflegenden Originaldaten Datendienstprogramm und Gültigkeit für nachgelagerte Aufgaben.
Synthos Plattform zur Generierung synthetischer Daten
Syntho bietet eine intelligente Plattform zur Generierung synthetischer Daten, die es Unternehmen ermöglicht, Daten intelligent in einen Wettbewerbsvorteil umzuwandeln. Durch die Bereitstellung aller Methoden zur Generierung synthetischer Daten auf einer Plattform bietet Syntho eine umfassende Lösung für Organisationen, die Daten nutzen möchten, die Folgendes abdeckt:
- KI-generierte synthetische Daten die statistische Muster von Originaldaten in synthetischen Daten mit der Kraft künstlicher Intelligenz nachahmt.
- Intelligente De-Identifizierung beschützen sensible Daten durch Entfernen oder Ändern personenbezogener Daten (PII).
- Test data management das ermöglicht die Erstellung, Pflege und Kontrolle repräsentativer Testdaten für Nicht-Produktionsumgebungen.
Unsere Plattformen lassen sich in jede Cloud- oder lokale Umgebung integrieren. Darüber hinaus kümmern wir uns um die Planung und den Einsatz. Unser Team schult Ihre Mitarbeiter in der Anwendung Syntho-Engine effektiv und wir bieten kontinuierlichen Support nach der Bereitstellung.
Sie können mehr über die Fähigkeiten von Syntho lesen synthetische Daten Generationsplattform in der Lösungsbereich unserer Website.
Wie sieht die Zukunft für synthetische Daten aus?
Synthetische Datengenerierung mit generativer KI hilft beim Erstellen und Teilen großer Mengen von relevante Daten, wodurch Formatkompatibilitätsprobleme, regulatorische Einschränkungen und das Risiko von Datenschutzverletzungen umgangen werden.
Im Gegensatz zur Anonymisierung Generierung synthetischer Daten ermöglicht die Beibehaltung struktureller Beziehungen in den Daten. Dadurch eignen sich synthetische Daten für fortgeschrittene Analysen, Forschung und Entwicklung, Diversifizierung und Tests.
Die Verwendung synthetischer Datensätze wird branchenübergreifend nur zunehmen. Unternehmen sind bereit dazu synthetische Daten erstellen, Erweiterung des Anwendungsbereichs auf komplexe Bild-, Audio- und Videoinhalte. Unternehmen werden den Einsatz von erweitern Modelle des maschinellen Lernens zu fortgeschritteneren Simulationen und Anwendungen.
Möchten Sie mehr praktische Anwendungen erfahren? synthetische Daten? Fühlen sich frei Vereinbaren Sie eine Demo unter unserer Website.
Über Syntho
Synth bietet eine kluge synthetische Datengenerierung Plattform, Hebelwirkung mehrere synthetische Datenformen und Generierungsmethoden, die es Unternehmen ermöglichen, Daten intelligent in einen Wettbewerbsvorteil umzuwandeln. Unsere KI-generierten synthetischen Daten ahmen statistische Muster der Originaldaten nach und gewährleisten so Genauigkeit, Datenschutz und Geschwindigkeit, wie von externen Experten wie SAS bewertet. Mit intelligenten De-Identifikationsfunktionen und konsistenter Zuordnung werden vertrauliche Informationen geschützt und gleichzeitig die referenzielle Integrität gewahrt. Unsere Plattform ermöglicht die Erstellung, Verwaltung und Kontrolle von Testdaten für Nicht-Produktionsumgebungen auf Basis von Regeln synthetische Datengenerierungsmethoden für gezielte Szenarien. Darüber hinaus können Benutzer synthetische Daten programmgesteuert generieren und erhalten realistische Testdaten um mit Leichtigkeit umfassende Test- und Entwicklungsszenarien zu entwickeln.
Über den Autor
Wim Kees Janssen
Geschäftsführer und Gründer
Syntho, das Scale-up, das die Datenbranche mit KI-generierten synthetischen Daten revolutioniert. Wim Kees hat mit Syntho bewiesen, dass er datenschutzrelevante Daten freischalten kann, um Daten intelligenter und schneller verfügbar zu machen, damit Unternehmen datengesteuerte Innovationen realisieren können. Infolgedessen gewannen Wim Kees und Syntho den prestigeträchtigen Philips Innovation Award, gewannen den globalen SAS-Hackathon im Gesundheitswesen und den Biowissenschaften und wurden von NVIDIA zum führenden generativen KI-Scale-Up gewählt.