داده های ترکیبی به داده هایی اطلاق می شود که به جای جمع آوری از منابع دنیای واقعی، به طور مصنوعی تولید می شوند. به طور کلی، در حالی که داده های اصلی در تمام تعاملات شما با افراد (مشتریان، بیماران و غیره) جمع آوری می شوند و از طریق تمام فرآیندهای داخلی شما، داده های مصنوعی توسط یک الگوریتم کامپیوتری تولید می شوند.

داده‌های مصنوعی همچنین می‌توانند برای آزمایش و ارزیابی مدل‌ها در یک محیط کنترل‌شده یا برای محافظت از اطلاعات حساس با تولید داده‌هایی که مشابه داده‌های دنیای واقعی هستند، اما حاوی اطلاعات حساسی نیستند، استفاده شوند. داده های مصنوعی اغلب به عنوان جایگزین برای داده های حساس به حریم خصوصی استفاده می شود و می تواند به عنوان داده های آزمایشی، برای تجزیه و تحلیل یا آموزش یادگیری ماشین استفاده شود.

ادامه مطلب

تضمین اینکه داده‌های مصنوعی همان کیفیت داده‌های اصلی را دارند می‌تواند چالش برانگیز باشد و اغلب به مورد استفاده خاص و روش‌های مورد استفاده برای تولید داده‌های مصنوعی بستگی دارد. برخی از روش‌های تولید داده‌های مصنوعی، مانند مدل‌های تولیدی، می‌توانند داده‌هایی را تولید کنند که بسیار شبیه به داده‌های اصلی است. سوال کلیدی: چگونه می توان این را نشان داد؟

چند راه برای اطمینان از کیفیت داده های مصنوعی وجود دارد:

• معیارهای کیفیت داده از طریق گزارش کیفیت داده ما: یکی از راه‌های اطمینان از اینکه داده‌های مصنوعی همان کیفیت داده‌های اصلی را دارند، استفاده از معیارهای کیفیت داده برای مقایسه داده‌های مصنوعی با داده‌های اصلی است. از این معیارها می توان برای اندازه گیری مواردی مانند شباهت، دقت و کامل بودن داده ها استفاده کرد. نرم افزار Syntho شامل گزارش کیفیت داده با معیارهای مختلف کیفیت داده بود.
• ارزیابی خارجیاز آنجایی که کیفیت داده‌های مصنوعی در مقایسه با داده‌های اصلی کلیدی است، اخیراً ارزیابی‌ای را با کارشناسان داده SAS (پیشرو بازار در تجزیه و تحلیل) انجام دادیم تا کیفیت داده‌های مصنوعی توسط Syntho را در مقایسه با داده‌های واقعی نشان دهیم. Edwin van Unen، کارشناس تجزیه و تحلیل از SAS، مجموعه داده های مصنوعی تولید شده از Syntho را از طریق ارزیابی های مختلف تجزیه و تحلیل (AI) ارزیابی کرد و نتایج را به اشتراک گذاشت. خلاصه ای کوتاه از آن ویدئو را اینجا ببینید.
• تست و ارزیابی توسط خودتان: داده های مصنوعی را می توان با مقایسه آن با داده های دنیای واقعی یا با استفاده از آن برای آموزش مدل های یادگیری ماشین و مقایسه عملکرد آنها با مدل هایی که بر روی داده های دنیای واقعی آموزش دیده اند، آزمایش و ارزیابی کرد. چرا کیفیت داده های داده های مصنوعی را توسط خودتان آزمایش نمی کنید؟ امکانات این کار را در اینجا از کارشناسان ما بخواهید. 

توجه به این نکته مهم است که داده های مصنوعی هرگز نمی توانند تضمین کنند که 100٪ مشابه داده های اصلی هستند، اما می توانند آنقدر نزدیک باشند که برای یک مورد خاص مفید باشند. این مورد خاص حتی می تواند تجزیه و تحلیل پیشرفته یا آموزش مدل های یادگیری ماشین باشد.

"ناشناس سازی" کلاسیک همیشه بهترین راه حل نیست، زیرا:

1. خطر حفظ حریم خصوصی - همیشه خواهید داشت
   خطر حفظ حریم خصوصی اعمال آن ها
   تکنیک های کلاسیک ناشناس سازی
   آن را سخت تر می کند، اما نه
   شناسایی افراد غیرممکن است
2. از بین بردن داده ها - هر چه بیشتر
   ناشناس کنید، بهتر محافظت می کنید
   حریم خصوصی شما، اما بیشتر شما
   داده های شما را نابود کنید این چیزی نیست
   شما برای تجزیه و تحلیل می خواهید، زیرا
   داده های از بین رفته منجر به بد می شود
   بینش
3. زمان بر - راه حل است
   که زمان زیادی می برد، زیرا
   آن تکنیک ها متفاوت عمل می کنند
   در هر مجموعه داده و در هر نوع داده.

هدف داده های مصنوعی حل همه این کاستی ها است. تفاوت آنقدر قابل توجه است که ما یک ویدیو در مورد آن ساختیم. اینجا را تماشا کن.