Ekstera taksado de niaj sintezaj datumoj de la fakuloj pri datumoj de SAS

Ni uzis telekomunikajn datumojn, kiuj estas uzataj por antaŭdiro de "ĉiriĝo" kiel celajn datumojn. La celo de la taksado estis uzi sintezajn datenojn por trejni diversajn churn-prognozmodelojn kaj por taksi la efikecon de ĉiu modelo. Ĉar la antaŭdiro estas klasifika tasko, SAS elektis popularajn klasifikmodelojn por fari la prognozojn, inkluzive de:

1. Hazarda arbaro
2. Pliigo de gradienteco
3. Loĝistika regreso
4. Neura reto

Antaŭ generado de la sintezaj datenoj, SAS hazarde dividis la telekomunikadatumaron en trajnaron (por trejnado de la modeloj) kaj holdout aro (por gajnado de la modeloj). Havi apartan holdon aron por poentado permesas senantaŭjuĝan takson de kiom bone la klasifikmodelo povus fari kiam aplikite al novaj datenoj.

Utiligante la vagonaron kiel enigaĵon, Syntho uzis ĝian Syntho Engine por generi sintezan datumaron. Por benchmarking, SAS ankaŭ kreis anonimigitan version de la trajnaro post aplikado de diversaj anonimigteknikoj por atingi certan sojlon (de k-anonimeco). La antaŭaj paŝoj rezultigis kvar datumarojn:

1. Trajna datumaro (t.e. la originala datumaro minus la tenita datumaro)
2. Rezigna datumaro (t.e. subaro de la origina datumaro)
3. Anonimigita datumaro (anonimigitaj datenoj de la trajna datumaro, originala datumaro minus la tenita datumaro)
4. Sinteza datumaro (sintezitaj datenoj de la trajna datumaro, origina datumaro minus la tenita datumaro)

Datenserioj 1, 3 kaj 4 estis uzitaj por trejni ĉiun klasifikmodelon, rezultigante 12 (3 x 4) trejnitajn modelojn. SAS poste uzis la tenan datumaron por mezuri la precizecon de ĉiu modelo en la antaŭdiro de klientfalo.

SAS faras diversajn ĝisfundajn taksojn pri datumprecizeco, privateca protekto kaj uzebleco de la sintezaj datumoj generitaj de AI de Syntho kompare al la originaj datumoj. Kiel konkludo, SAS taksis kaj aprobis la sintezajn datumojn de Syntho kiel precizajn, sekurajn kaj uzeblajn kompare kun la originaj datumoj.