Opas synteettisen tiedon luomiseen: määritelmä, tyypit ja sovellukset
Ei ole mikään salaisuus, että yrityksillä on haasteita hankkia ja jakaa korkealaatuista dataa. Synteettinen tiedon tuottaminen on käytännöllinen ratkaisu, joka auttaa tuottamaan suuria keinotekoisia tietojoukkoja ja korkealaatuista testidataa ilman tietosuojariskejä tai byrokratiaa.
Synteettisiä tietojoukkoja voidaan luoda useilla eri menetelmillä, jotka tarjoavat erilaisia sovelluksia. Oikein arvioituina kehittyneillä algoritmeilla luodut synteettiset tietojoukot auttavat organisaatioita nopeuttamaan analytiikkaa, tutkimusta ja testausta. Katsotaanpa siis tarkemmin.
Tässä artikkelissa esitellään synteettiset tiedot, mukaan lukien tärkeimmät tyypit, erot anonymisoiduista tietojoukoista ja sääntelyn vivahteet. Opit kuinka keinotekoisesti luotu data ratkaisee tärkeitä tietoongelmia ja minimoi tietyt riskit. Keskustelemme myös sen sovelluksista eri toimialoilla sekä esimerkkejä tapaustutkimuksistamme.
Sisällysluettelo
Synteettiset tiedot: määritelmä ja markkinatilastot
Synteettiset tiedot on keinotekoisesti tuotettua tietoa, josta ei ole luottamuksellista sisältöä, ja se toimii vaihtoehtona todellisille tietojoukoille. Datatieteilijät soittavat usein Tekoälyn luoma synteettinen data synteettinen datakaksois, koska sen tilastollinen tarkkuus on suuri todellisen tiedon matkimisessa.
Keinotekoiset tietojoukot luodaan tekoäly-algoritmeilla ja simulaatioilla, jotka ylläpitävät alkuperäisen tiedon kuvioita ja korrelaatioita. Nämä tiedot voivat sisältää tekstiä, taulukoita ja kuvia. Algoritmit korvaavat henkilökohtaiset tunnistetiedot (PII) tietolla pilkata dataa.
Grand View Researchin ennusteet että markkinat synteettinen tiedon generointi Generatiivisen AI:n avulla kasvaa 1.63 miljardista dollarista vuonna 2022 noin 13.5 miljardiin dollariin vuoteen 2030 mennessä 35 prosentin CAGR:llä. Gartnerin mukaan 60 % vuonna 2024 tekoälyyn käytetystä tiedosta on synteettistä – Se on 60 kertaa enemmän kuin vuonna 2021.
Synteettiset data-alustat ovat myös nousussa. Market Statesville odottaa synteettisten dataalustojen maailmanlaajuiset markkinat kasvavat 218 miljoonasta dollarista vuonna 2022 3.7 miljardiin dollariin vuoteen 2033 mennessä.
Miksi keinotekoinen data lisääntyy? Yksi liikkeellepaneva tekijä on vapautuminen sääntelyn valvonnasta.
Säätelevätkö tietosuojalait tekoälyn tuottamaa synteettistä dataa?
Monet USA ja EU tietoturva ja yksityisyys tunnistettavissa oleviin henkilötietoihin sovelletaan säännöksiä.
Mutta ne säännöt eivät koske synteettinen data — synteettisiä tietoja käsitellään samalla tavalla kuin anonymisoituja tietoja. Ne muodostavat muiden oikeudellisten sääntöjen niin kutsutun "ytimen".
Esimerkiksi GDPR:n johdanto-osan 26 kappale sanoo, että yksityisyyden suojasäännöt koskevat vain tunnistettavaa henkilöä koskevia tietoja. Jos synteettiset tietosi on luotu siten, että niitä ei voida jäljittää tunnistettavissa oleviin henkilöihin, se on vapautettu viranomaisvalvonnasta. Sääntelyn valvonnan lisäksi todellisen tiedon käytöllä on muita esteitä, jotka saavat yritykset tuottamaan synteettistä dataa.
Todellisen datan käytön tärkeimmät haasteet
Monilla yrityksillä on vaikeuksia löytää ja käyttää olennaista, laadukasta dataa, etenkin riittävän suuria määriä tekoälyalgoritmien koulutukseen. Tietojen jakaminen tai hyödyntäminen voi olla haastavaa tietosuojariskien ja yhteensopivuusongelmien vuoksi, vaikka he löytäisivät sen. Tässä osiossa kuvataan avain haastaa synteettisen datan osaa ratkaista.
Tietosuojariskit haittaavat tiedon käyttöä ja jakamista
Tietoturva- ja tietosuojasäännökset, kuten GDPR ja HIPAA, asettavat byrokraattisia esteitä tiedon jakamiselle ja käytölle. Terveydenhuollon kaltaisilla aloilla jopa henkilökohtaisten tunnistetietojen jakaminen saman organisaation osastojen välillä voi viedä aikaa hallintotarkastuksista johtuen. Tietojen jakaminen ulkopuolisten tahojen kanssa on entistä haastavampaa ja sisältää enemmän turvallisuusriskejä.
Tutkimus Fortune Business Insights tunnistaa kasvavat tietosuojariskit ensisijaiseksi katalysaattoriksi synteettisten datakäytäntöjen käyttöönotolle. Mitä enemmän tietoja tallennat, sitä enemmän vaarannat yksityisyyden. Mukaan vuoden 2023 IBM:n tietoturvaloukkausraportin tietoturvakustannukset, keskimääräiset tietomurron kustannukset Yhdysvalloissa olivat 9.48 miljoonaa dollaria. Maailmanlaajuisesti keskimääräiset kustannukset olivat 4.45 miljoonaa dollaria; alle 500 työntekijän yritykset menettävät 3.31 miljoonaa dollaria rikkomusta kohti. Ja se ei ota huomioon maineelle aiheutuvaa vahinkoa.
Vaikeuksia löytää korkealaatuisia tietoja
2022-kysely 500 data-ammattilaista paljasti, että 77 %:lla insinööreistä, analyytikoista ja datatieteilijöistä oli tietojen laatuongelmia. Raportin mukaan tiedon laatu haittaa yrityksen taloudellista suorituskykyä ja tuottavuutta ja tekee kokonaisvaltaisen näkemyksen saavuttamisesta sen palveluista tuskin saavutettavissa.
Yrityksiltä saattaa puuttua riittävästi dataa tietyistä demografisista tiedoista kouluttaakseen koneoppimismallejaan (ML) kunnolla. Ja tietojoukot sisältävät usein epäjohdonmukaisuuksia, epätarkkuuksia ja puuttuvia arvoja. Jos harjoittelet tekoälyalustojasi koneoppimismallit huonolaatuisista tiedoista, joista puuttuu demografinen monimuotoisuus, se tekee epätarkkoja ja puolueellisia ennusteita. Samoin, kuten anonymisoidun tiedon luominen, jalostamattomat algoritmit voivat tuottaa epäluotettavia keinotekoisia tietojoukkoja, jotka vaikuttavat data-analyysin tuloksiin.
Synteettisten tietojen näytteenotto voi parantaa tietojen laatua korjaamalla tietojoukkojen epätasapainoa. Tämä varmistaa, että aliedustetut luokat saavat oikeasuhteisemman edustuksen ja vähentää harhaa. Vankempi ja edustavampi tietojoukko tuottaa parempia analyysituloksia ja mallin koulutusta.
Tietojoukkojen yhteensopimattomuudet
Tietojoukot, jotka on hankittu eri lähteistä tai useista taulukoista koostuvista tietokannoista, voivat aiheuttaa yhteensopimattomuutta, mikä monimutkaistaa tietojen käsittelyä ja analysointia ja estää innovaatioita.
Esimerkiksi terveydenhuollon tietojen yhdistämiseen liittyy sähköisiä terveystietoja (EHR), puettavia laitteita, omaa ohjelmistoa ja kolmannen osapuolen työkaluja. Jokainen lähde voi käyttää erilaisia tietomuotoja ja tietojärjestelmiä, mikä johtaa eroihin tietomuodoissa, rakenteissa tai yksiköissä integroinnin aikana. Synteettisten tietojen käyttö voi vastata tähän haasteeseen varmistamalla yhteensopivuuden ja mahdollistamalla sen tuottaa dataa halutussa muodossa.
Anonymisointi ei riitä
Anonymisointitekniikat eivät riitä ratkaisemaan tietosuojariskejä tai tietojen laatuongelmia. Lisäksi, Tunnisteiden peittäminen tai poistaminen voi poistaa yksityiskohtia, joita tarvitaan syvälliseen analyysiin suurissa tietojoukoissa.
Lisäksi anonymisoidut tiedot voidaan tunnistaa uudelleen ja jäljittää yksilöihin. Haitalliset toimijat voivat käyttää kehittynyttä analytiikkaa paljastaakseen aikaan perustuvia malleja, jotka vaarantavat näennäisesti tunnistamattomien tietojen anonymiteetin. Synteettinen data on tässä suhteessa parempi kuin anonymisoitu data.
Toisin kuin anonymisointi, synteettiset tiedot ei muuta olemassa olevia tietojoukkoja, mutta luo uutta dataa, joka muistuttaa sen ominaisuuksia ja rakennetta raakadata, säilyttäen sen hyödyllisyyden. Se on täysin uusi tietojoukko, joka ei sisällä henkilökohtaisia tunnistetietoja.
Mutta se on sitä monimutkaisempi. On olemassa useita tyyppejä synteettiset tiedonmuodostusmenetelmät.
Synteettisen tiedon tuoton tyypit
Synteettisen tiedon luominen prosessit vaihtelevat vaadittavan tiedon tyypin mukaan. Synteettiset tietotyypit sisältävät täysin tekoälyn luomaa, sääntöpohjaista ja valedataa – jokainen vastaa eri tarpeisiin.
Täysin tekoälyn luoma synteettinen data
Tämän tyyppinen synteettinen data on rakennettu tyhjästä käyttämällä ML-algoritmeja. The koneoppimismalli junat päällä todellisia tietoja oppiaksesi tietojen rakenteesta, malleista ja suhteista. Generatiivinen tekoäly käyttää sitten tätä tietoa luodakseen uutta dataa, joka muistuttaa läheisesti alkuperäisen tilastollisia ominaisuuksia (jälleen tekemällä siitä tunnistamattomia).
Tämän tyyppinen täysin synteettistä dataa on hyödyllinen tekoälymallikoulutuksessa ja on tarpeeksi hyvä käytettäväksi ikään kuin se olisi todellista dataa. Se on erityisen hyödyllistä, kun et voi jakaa tietojoukkojasi sopimukseen perustuvien tietosuojasopimusten vuoksi. Synteettisen tiedon luomiseksi tarvitset kuitenkin huomattavan määrän alkuperäistä dataa lähtökohtana koneoppimismalli koulutusta.
Synteettinen valedata
Tämä synteettinen data tyyppi viittaa keinotekoisesti luotuun tietoon, joka jäljittelee todellisen tiedon rakennetta ja muotoa, mutta ei välttämättä heijasta todellista tietoa. Se auttaa kehittäjiä varmistamaan, että heidän sovelluksensa voivat käsitellä erilaisia syötteitä ja skenaarioita käyttämättä aitoa, yksityistä tai arkaluonteisia tietoja ja mikä tärkeintä, luottamatta todelliseen dataan. Tämä käytäntö on välttämätön toiminnallisuuden testaamiseksi ja ohjelmistosovellusten jalostamiseksi hallitusti ja turvallisesti.
Milloin sitä käytetään: Korvaamaan suoria tunnisteita (PII) tai kun sinulla ei ole tällä hetkellä tietoja etkä halua käyttää aikaa ja energiaa sääntöjen määrittämiseen. Kehittäjät käyttävät yleensä valedataa arvioidakseen sovellusten toimivuutta ja ulkonäköä kehitystyön alkuvaiheessa, jolloin he voivat tunnistaa mahdolliset ongelmat tai suunnitteluvirheet.
Vaikka valedatasta puuttuu todellisen tiedon aitous, se on edelleen arvokas työkalu järjestelmien asianmukaisen toiminnan ja visuaalisen esityksen varmistamiseksi ennen varsinaista tietojen integrointia.
Huomautus: Synteettistä pilkattua dataa kutsutaan usein nimellä "väärennettyjä tietoja,' vaikka emme suosittele näiden termien käyttöä keskenään, koska niillä voi olla eri konnotaatioita.
Sääntöihin perustuva synteettinen data
Sääntöihin perustuva synteettinen data on hyödyllinen työkalu räätälöityjen tietojoukkojen luomiseen ennalta määritettyjen sääntöjen, rajoitusten ja logiikan perusteella. Tämä menetelmä tarjoaa joustavuutta, koska sen avulla käyttäjät voivat konfiguroida datatulosteen tiettyjen liiketoimintatarpeiden mukaan ja säätää parametreja, kuten minimi-, maksimi- ja keskiarvoja. Toisin kuin täysin tekoälyn luoma data, josta ei ole räätälöityjä, sääntöihin perustuva synteettinen data tarjoaa räätälöidyn ratkaisun erilaisten toimintavaatimusten täyttämiseen. Tämä synteettinen tiedontuotantoprosessi osoittautuu erityisen hyödylliseksi testauksessa, kehityksessä ja analytiikassa, missä tarkka ja kontrolloitu tiedon tuottaminen on välttämätöntä.
Jokaisella synteettisellä tiedontuotantomenetelmällä on eri sovellukset. Synthon alusta erottuu edukseen luomalla synteettisiä datakaksosia ilman vaivaa. Saat tilastollisesti tarkan, korkealaatuista synteettistä dataa tarpeisiisi, joka on vapaa vaatimustenmukaisuudesta.
Taulukkomuotoinen synteettinen data
Termi taulukkomuotoiset synteettiset tiedot viittaa keinotekoisen datan luominen osajoukot, jotka jäljittelevät todellisen maailman rakennetta ja tilastollisia ominaisuuksia taulukkotiedot, kuten taulukoihin tai laskentataulukoihin tallennetut tiedot. Tämä synteettinen data luodaan käyttämällä synteettiset tiedon generointialgoritmit ja tekniikat, jotka on suunniteltu jäljittelemään sen ominaisuuksia lähdetiedot varmistaen samalla, että luottamuksellinen tai arkaluonteisia tietoja ei paljasteta.
Tekniikat luoda taulukkomuodossa synteettinen data tyypillisesti tilastollinen mallinnus, koneoppimismallittai generatiiviset mallit, kuten generatiiviset vastavuoroiset verkot (GAN) ja variational autoencoders (VAE). Nämä synteettiset tiedon generointityökalut analysoida kuvioissa esiintyviä malleja, jakaumia ja korrelaatioita todellinen tietojoukko ja sitten luoda uutta datapisteet että muistuttaa läheisesti todellista dataa mutta eivät sisällä mitään todellista tietoa.
Tyypillinen taulukko synteettisten tietojen käyttötapaukset Yksityisyyteen liittyviin huolenaiheisiin vastaaminen, tiedon saatavuuden lisääminen sekä tietopohjaisten sovellusten tutkimuksen ja innovaation helpottaminen. On kuitenkin tärkeää varmistaa, että synteettinen data kaappaa tarkasti ylläpidettävien alkuperäisten tietojen taustalla olevat mallit ja jakaumat data-apuohjelma ja kelpoisuus loppupään tehtäviin.
Suosituimmat synteettiset datasovellukset
Keinotekoisesti tuotettu data avaa innovaatiomahdollisuuksia terveydenhuollolle, vähittäiskaupalle, teollisuudelle, rahoitukselle ja muille toimialoille. Ensisijainen Käytä koteloita sisältää tietojen näytteenoton, analytiikan, testauksen ja jakamisen.
Näytteenotto tietojoukkojen parantamiseksi
Upsampling tarkoittaa suurempien tietojoukkojen luomista pienemmistä skaalausta ja monipuolistamista varten. Tätä menetelmää käytetään, kun todellista dataa on vähän, se on epätasapainossa tai epätäydellistä.
Harkitse muutamia esimerkkejä. Rahoituslaitosten kehittäjät voivat parantaa petosten havaitsemismallien tarkkuutta ottamalla uudelleen näytteitä harvinaisista havainnoista ja toimintamalleista taloudelliset tiedot. Vastaavasti markkinointitoimisto voi ottaa otoksia aliedustettuihin ryhmiin liittyvien tietojen lisäämiseksi, mikä parantaa segmentoinnin tarkkuutta.
Kehittynyt analytiikka tekoälyn luomalla tiedolla
Yritykset voivat hyödyntää tekoälyn tuottamaa korkealaatuista synteettistä dataa tietojen mallintamiseen, liiketoimintaanalytiikkaan ja kliiniseen tutkimukseen. Datan syntetisointi osoittautuu varteenotettavaksi vaihtoehdoksi, kun oikeiden aineistojen hankkiminen on joko liian kallista tai aikaa vievää.
Synteettiset tiedot antaa tutkijoille mahdollisuuden tehdä perusteellisia analyyseja potilaan luottamuksellisuudesta tinkimättä. Tietotieteilijät ja tutkijat pääsevät käsiksi potilastietoihin, kliinisiä tiloja koskeviin tietoihin ja hoitoyksityiskohtiin, jolloin he saavat oivalluksia, jotka vievät huomattavasti enemmän aikaa todellisten tietojen kanssa. Lisäksi valmistajat voivat vapaasti jakaa tietoja toimittajien kanssa sisältäen manipuloituja GPS- ja sijaintitietoja suorituskyvyn testausalgoritmien luomiseksi tai ennakoivan ylläpidon parantamiseksi.
Kuitenkin, synteettinen tietojen arviointi on kriittinen. Syntho Enginen tuotoksen vahvistaa sisäinen laadunvarmistustiimi ja ulkopuolisia asiantuntijoita SAS Institutesta. Ennakoivaa mallintamista koskevassa tutkimuksessa koulutimme neljä koneoppimismallit todellisiin, anonymisoituihin ja synteettisiin tietoihin. Tulokset osoittivat, että synteettisillä tietojoukoillamme opetetuilla malleilla oli sama tarkkuustaso kuin todellisilla tietojoukoilla koulutetuilla malleilla, kun taas anonymisoitu data vähensi mallien hyödyllisyyttä.
Ulkoinen ja sisäinen tiedonjako
Synteettinen data yksinkertaistaa tiedon jakamista organisaatioiden sisällä ja niiden välillä. Sinä pystyt käyttää synteettistä dataa että vaihtaa tietoja vaarantamatta tietosuojaloukkauksia tai säännösten noudattamatta jättämistä. Synteettisen datan etuja ovat nopeutuneet tutkimustulokset ja tehokkaampi yhteistyö.
Vähittäismyyntiyritykset voivat jakaa näkemyksiä toimittajien tai jakelijoiden kanssa käyttämällä synteettistä dataa, joka kuvastaa asiakkaiden käyttäytymistä, varastotasoja tai muita keskeisiä mittareita. Kuitenkin varmistaakseen korkeimman tason Tietosuoja, arkaluontoiset asiakastiedot ja yrityssalaisuudet pidetään luottamuksellisina.
Syntho voitti 2023 Global SAS Hackathonin kyvystämme luoda ja jakaa aoikeaa synteettistä dataa tehokkaasti ja riskittömästi. Syntetisoimme potilastietoja useista sairaaloista, joissa oli eri potilaspopulaatioita, osoittaaksemme ennustavien mallien tehokkuuden. Yhdistettyjen synteettisten tietokokonaisuuksien käyttäminen osoitettiin olevan yhtä tarkkaa kuin todellisen tiedon käyttäminen.
Synteettiset testitiedot
Synteettiset testitiedot ovat keinotekoisesti tuotettuja tietoja, jotka on suunniteltu simuloimaan tietojen testaus ympäristöt ohjelmistokehitykseen. Sen lisäksi, että synteettiset testitiedot vähentävät tietosuojariskejä, kehittäjät voivat arvioida tarkasti sovellusten suorituskykyä, turvallisuutta ja toimivuutta useissa mahdollisissa skenaarioissa vaikuttamatta todelliseen järjestelmään.
Yhteistyömme yhden hollantilaisten suurimmista pankeista vitriinit synteettisten tietojen edut ohjelmistojen testausta varten. Testitietojen luominen Syntho Enginen avulla saatiin tuotantomaisia tietojoukkoja, jotka auttoivat pankkia nopeuttamaan ohjelmistokehitystä ja vikojen havaitsemista, mikä johti nopeampiin ja turvallisempiin ohjelmistojulkaisuihin.
Tekniikat luoda taulukkomuodossa synteettinen data tyypillisesti tilastollinen mallinnus, koneoppimismallittai generatiiviset mallit, kuten generatiiviset vastavuoroiset verkot (GAN) ja variational autoencoders (VAE). Nämä synteettiset tiedon generointityökalut analysoida kuvioissa esiintyviä malleja, jakaumia ja korrelaatioita todellinen tietojoukko ja sitten luoda uutta datapisteet että muistuttaa läheisesti todellista dataa mutta eivät sisällä mitään todellista tietoa.
Tyypillinen taulukko synteettisten tietojen käyttötapaukset Yksityisyyteen liittyviin huolenaiheisiin vastaaminen, tiedon saatavuuden lisääminen sekä tietopohjaisten sovellusten tutkimuksen ja innovaation helpottaminen. On kuitenkin tärkeää varmistaa, että synteettinen data kaappaa tarkasti ylläpidettävien alkuperäisten tietojen taustalla olevat mallit ja jakaumat data-apuohjelma ja kelpoisuus loppupään tehtäviin.
Synthon synteettisen tiedon tuottoalusta
Syntho tarjoaa älykkään synteettisen tiedontuotantoalustan, joka antaa organisaatioille mahdollisuuden muuttaa tiedot älykkäästi kilpailueduksi. Tarjoamalla kaikki synteettiset tiedontuotantomenetelmät yhdelle alustalle, Syntho tarjoaa kattavan ratkaisun organisaatioille, jotka pyrkivät hyödyntämään dataa, joka kattaa:
- Tekoälyn luoma synteettinen data joka jäljittelee alkuperäisen datan tilastollisia malleja synteettisissä tiedoissa tekoälyn voimalla.
- Älykäs henkilöllisyyden poistaminen suojella arkaluonteisia tietoja poistamalla tai muokkaamalla henkilökohtaisia tunnistetietoja (PII).
- Test data management joka mahdollistaa edustavien testitietojen luominen, ylläpito ja hallinta ei-tuotantoympäristöihin.
Alustamme integroituvat mihin tahansa pilveen tai paikalliseen ympäristöön. Lisäksi huolehdimme suunnittelusta ja käyttöönotosta. Tiimimme kouluttaa työntekijäsi käyttämään Syntho moottori tehokkaasti, ja tarjoamme jatkuvaa käyttöönoton jälkeistä tukea.
Voit lukea lisää Synthon ominaisuuksista synteettinen data sukupolven alusta Ratkaisut-osio verkkosivuillamme.
Mitä synteettiselle datalle on tulossa?
Synteettinen tiedon generointi generatiivisella tekoälyllä auttaa luomaan ja jakamaan suuria määriä asiaankuuluvat tiedot, ohittamalla muotojen yhteensopivuusongelmat, lainsäädännölliset rajoitukset ja tietomurtojen riskin.
Toisin kuin anonymisointi, synteettisen tiedon tuottaminen mahdollistaa rakenteellisten suhteiden säilyttämisen tiedoissa. Tämä tekee synteettisestä datasta soveltuvan edistyneeseen analytiikkaan, tutkimukseen ja kehitykseen, monipuolistamiseen ja testaukseen.
Synteettisten tietokokonaisuuksien käyttö laajenee vain toimialoilla. Yritykset ovat valmiita luoda synteettistä dataa, laajentamalla sen soveltamisalaa monimutkaisiin kuviin, ääni- ja videosisältöön. Yritykset laajentavat käyttöä koneoppimismallit edistyneempiin simulaatioihin ja sovellukset.
Haluatko oppia lisää käytännön sovelluksista synteettinen data? Voit vapaasti ajoita demo päälle Sivuillamme.
Tietoja Synthosta
Syntho tarjoaa älykkään synteettinen tiedontuotanto alusta, vipuvaikutus useita synteettisiä tietolomakkeita ja tuotantomenetelmiä, jotka antavat organisaatioille mahdollisuuden muuttaa dataa älykkäästi kilpailueduksi. Tekoälyn luoma synteettinen tietomme jäljittelee alkuperäisen datan tilastollisia malleja ja varmistaa tarkkuuden, yksityisyyden ja nopeuden ulkopuolisten asiantuntijoiden, kuten SAS:n, arvioiden mukaan. Älykkäillä tunnistusominaisuuksilla ja johdonmukaisella kartoituksella arkaluontoiset tiedot suojataan samalla, kun viitteellinen eheys säilyy. Alustamme mahdollistaa testitietojen luomisen, hallinnan ja hallinnan ei-tuotantoympäristöihin sääntöpohjaisia hyödyntäen synteettiset tiedonmuodostusmenetelmät kohdistettuja skenaarioita varten. Lisäksi käyttäjät voivat luoda synteettistä dataa ohjelmallisesti ja hankkia realistiset testitiedot kehittää kattavia testaus- ja kehitysskenaarioita helposti.
Kirjailijasta
Wim Kees Janssen
Toimitusjohtaja ja perustaja
Syntho, skaalautuminen, joka häiritsee datateollisuutta tekoälyn luomalla synteettisellä datalla. Wim Kees on osoittanut Synthon kanssa, että hän voi avata yksityisyyden kannalta arkaluontoiset tiedot tehdäkseen datasta älykkäämpiä ja nopeampia saataville, jotta organisaatiot voivat toteuttaa tietopohjaisia innovaatioita. Tämän seurauksena Wim Kees ja Syntho voittivat arvostetun Philips Innovation Award -palkinnon, voittivat SAS:n maailmanlaajuisen hackathonin terveydenhuollon ja life science -alalla ja on valittu NVIDIA:n johtavaksi generatiiviseksi AI Scale-Up -ohjelmaksi.