Evaluación externa de nuestros datos sintéticos por parte de los expertos en datos de SAS

Utilizamos datos de telecomunicaciones que se utilizan para la predicción de "abandono" como datos objetivo. El objetivo de la evaluación era utilizar datos sintéticos para entrenar varios modelos de predicción de abandono y evaluar el rendimiento de cada modelo. Como la predicción de abandono es una tarea de clasificación, SAS seleccionó modelos de clasificación populares para hacer las predicciones, que incluyen:

1. Bosque al azar
2. Aumento de gradiente
3. Regresión logística
4. Red neuronal

Antes de generar los datos sintéticos, SAS dividió aleatoriamente el conjunto de datos de telecomunicaciones en un conjunto de tren (para entrenar los modelos) y un conjunto reservado (para puntuar los modelos). Tener un conjunto de exclusión separado para la puntuación permite una evaluación imparcial de qué tan bien podría funcionar el modelo de clasificación cuando se aplica a nuevos datos.

Utilizando el conjunto de trenes como entrada, Syntho utilizó su motor Syntho para generar un conjunto de datos sintéticos. Para la evaluación comparativa, SAS también creó una versión anónima del conjunto de trenes después de aplicar varias técnicas de anonimización para alcanzar un cierto umbral (de k-anonimato). Los pasos anteriores dieron como resultado cuatro conjuntos de datos:

1. Un conjunto de datos de tren (es decir, el conjunto de datos original menos el conjunto de datos reservado)
2. Un conjunto de datos reservado (es decir, un subconjunto del conjunto de datos original)
3. Un conjunto de datos anonimizado (datos anonimizados del conjunto de datos del tren, conjunto de datos original menos el conjunto de datos reservado)
4. Un conjunto de datos sintéticos (datos sintetizados del conjunto de datos del tren, conjunto de datos original menos el conjunto de datos reservado)

Se utilizaron los conjuntos de datos 1, 3 y 4 para entrenar cada modelo de clasificación, lo que dio como resultado 12 (3 x 4) modelos entrenados. Posteriormente, SAS utilizó el conjunto de datos de reserva para medir la precisión de cada modelo en la predicción de la pérdida de clientes.

SAS lleva a cabo varias evaluaciones exhaustivas sobre la precisión de los datos, la protección de la privacidad y la usabilidad de los datos sintéticos generados por la IA de Syntho en comparación con los datos originales. Como conclusión, SAS evaluó y aprobó los datos sintéticos de Syntho por ser precisos, seguros y utilizables en comparación con los datos originales.