सिंथेटिक डेटा उस डेटा को संदर्भित करता है जो वास्तविक दुनिया के स्रोतों से एकत्र किए जाने के बजाय कृत्रिम रूप से उत्पन्न होता है। सामान्य तौर पर, जबकि मूल डेटा व्यक्तियों (ग्राहकों, रोगियों, आदि) के साथ आपकी सभी बातचीत में एकत्र किया जाता है और आपकी सभी आंतरिक प्रक्रियाओं के माध्यम से, सिंथेटिक डेटा एक कंप्यूटर एल्गोरिथम द्वारा उत्पन्न होता है।

सिंथेटिक डेटा का उपयोग नियंत्रित वातावरण में मॉडल का परीक्षण और मूल्यांकन करने के लिए भी किया जा सकता है, या वास्तविक दुनिया के डेटा के समान डेटा उत्पन्न करके संवेदनशील जानकारी की रक्षा के लिए किया जा सकता है, लेकिन इसमें कोई संवेदनशील जानकारी नहीं है। सिंथेटिक डेटा का उपयोग अक्सर गोपनीयता संवेदनशील डेटा के विकल्प के रूप में किया जाता है और इसका उपयोग एनालिटिक्स के लिए या मशीन लर्निंग को प्रशिक्षित करने के लिए टेस्टडेटा के रूप में किया जा सकता है।

अधिक पढ़ें

यह गारंटी देना कि सिंथेटिक डेटा में वही डेटा गुणवत्ता होती है जो मूल डेटा चुनौतीपूर्ण हो सकता है, और अक्सर विशिष्ट उपयोग के मामले और सिंथेटिक डेटा उत्पन्न करने के लिए उपयोग की जाने वाली विधियों पर निर्भर करता है। सिंथेटिक डेटा उत्पन्न करने के कुछ तरीके, जैसे कि जनरेटिव मॉडल, डेटा का उत्पादन कर सकते हैं जो मूल डेटा के समान है। मुख्य प्रश्न: इसे कैसे प्रदर्शित करें?

सिंथेटिक डेटा की गुणवत्ता सुनिश्चित करने के कुछ तरीके हैं:

• हमारी डेटा गुणवत्ता रिपोर्ट के माध्यम से डेटा गुणवत्ता मेट्रिक्स: यह सुनिश्चित करने का एक तरीका है कि सिंथेटिक डेटा में मूल डेटा के समान डेटा गुणवत्ता हो, सिंथेटिक डेटा की मूल डेटा से तुलना करने के लिए डेटा गुणवत्ता मेट्रिक्स का उपयोग करना है। इन मेट्रिक्स का उपयोग डेटा की समानता, सटीकता और पूर्णता जैसी चीजों को मापने के लिए किया जा सकता है। सिंथो सॉफ्टवेयर में विभिन्न डेटा गुणवत्ता मेट्रिक्स के साथ एक डेटा गुणवत्ता रिपोर्ट शामिल थी.
• बाहरी मूल्यांकन: चूंकि मूल डेटा की तुलना में सिंथेटिक डेटा की डेटा गुणवत्ता महत्वपूर्ण है, इसलिए हमने हाल ही में वास्तविक डेटा की तुलना में सिंथो द्वारा सिंथेटिक डेटा की डेटा गुणवत्ता प्रदर्शित करने के लिए एसएएस (एनालिटिक्स में मार्केट लीडर) के डेटा विशेषज्ञों के साथ एक आकलन किया। एसएएस के एनालिटिक्स विशेषज्ञ एडविन वैन उनेन ने विभिन्न एनालिटिक्स (एआई) आकलन के माध्यम से सिंथो से उत्पन्न सिंथेटिक डेटासेट का मूल्यांकन किया और परिणामों को साझा किया। यहां देखें उस वीडियो का एक छोटा सा रिकैप.
• परीक्षण और मूल्यांकन अपने आप से: वास्तविक दुनिया के डेटा से तुलना करके या मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए इसका उपयोग करके और वास्तविक दुनिया के डेटा पर प्रशिक्षित मॉडल के प्रदर्शन की तुलना करके सिंथेटिक डेटा का परीक्षण और मूल्यांकन किया जा सकता है। सिंथेटिक डेटा की डेटा गुणवत्ता का परीक्षण स्वयं क्यों नहीं करते? इसकी संभावनाओं के बारे में हमारे विशेषज्ञों से यहां पूछें. 

यह ध्यान रखना महत्वपूर्ण है कि सिंथेटिक डेटा कभी भी मूल डेटा के 100% समान होने की गारंटी नहीं दे सकता है, लेकिन यह एक विशिष्ट उपयोग के मामले में उपयोगी होने के लिए काफी करीब हो सकता है। यह विशिष्ट उपयोग मामला उन्नत विश्लेषिकी या प्रशिक्षण मशीन लर्निंग मॉडल भी हो सकता है।

क्लासिक 'गुमनामी' हमेशा सबसे अच्छा समाधान नहीं होता है, क्योंकि:

1. गोपनीयता जोखिम - आपके पास हमेशा रहेगा
   एक गोपनीयता जोखिम। उनको लागू करना
   क्लासिक गुमनामीकरण तकनीक
   इसे केवल कठिन बनाता है, लेकिन नहीं
   व्यक्तियों की पहचान करना असंभव है।
2. डेटा नष्ट करना - जितना अधिक आप
   गुमनाम, बेहतर आप रक्षा करते हैं
   आपकी गोपनीयता, लेकिन जितना अधिक आप
   अपना डेटा नष्ट करें। यह क्या नहीं है
   आप एनालिटिक्स के लिए चाहते हैं, क्योंकि
   नष्ट किए गए डेटा का परिणाम खराब होगा
   अंतर्दृष्टि।
3. बहुत अधिक समय लेने वाला - यह एक उपाय है
   इसमें बहुत समय लगता है, क्योंकि
   वे तकनीकें अलग काम करती हैं
   प्रति डेटासेट और प्रति डेटाटाइप।

सिंथेटिक डेटा का उद्देश्य इन सभी कमियों को दूर करना है। अंतर इतना स्पष्ट है कि हमने इसके बारे में एक वीडियो बनाया है। इसे यहाँ देखें.