Syntho-ի որակի ապահովման հաշվետվությունը գնահատում է ստեղծված սինթետիկ տվյալները և ցույց է տալիս սինթետիկ տվյալների ճշգրտությունը, գաղտնիությունը և արագությունը՝ համեմատած սկզբնական տվյալների հետ:
Syntho-ում մենք հասկանում ենք հուսալի և ճշգրիտ սինթետիկ տվյալների կարևորությունը: Այդ իսկ պատճառով մենք տրամադրում ենք որակի ապահովման համապարփակ հաշվետվություն յուրաքանչյուր սինթետիկ տվյալների համար: Մեր որակի հաշվետվությունը ներառում է տարբեր չափումներ, ինչպիսիք են բաշխումները, հարաբերակցությունները, բազմաչափ բաշխումները, գաղտնիության չափումները և այլն: Այսպիսով, դուք հեշտությամբ կարող եք գնահատել, որ մեր տրամադրած սինթետիկ տվյալները ամենաբարձր որակի են և կարող են օգտագործվել նույն ճշգրտությամբ և հուսալիությամբ, որքան ձեր սկզբնական տվյալները:
Հայացք. այս բաժինը ցույց է տալիս մեր սինթետիկ տվյալների որակի զեկույցի կարևորագույն կետերը: Մեր գնահատականները ուսումնասիրում են սինթետիկ տվյալները՝ համեմատած իրական տվյալների հետ տարբեր հարթություններում:
Սինթետիկ տվյալների բազմաչափ բաշխումներ իրական տվյալների համեմատ
Բազմփոփոխական բաշխումները և բազմաչափ փոխկապակցվածությունները մեզ դուրս են բերում եզակի չափսերից՝ ապահովելով համապարփակ պատկերացում, թե ինչպես են բազմաթիվ փոփոխականները կապված: The Syntho Engine-ն արտացոլում է այս հարաբերությունները:
Սինթետիկ տվյալների ստեղծումը բարդ է, և որոգայթներ կան, որոնք պետք է վերահսկվեն: Արհեստական ինտելեկտի ալգորիթմների դեպքում ավելորդ հարմարեցումը վտանգ է, և դա տեղի է ունենում նաև արհեստական ինտելեկտի միջոցով սինթետիկ տվյալների ստեղծման դեպքում: Հետևաբար, սինթետիկ տվյալներ ստեղծելիս պետք է վերահսկել չափից ավելի տեղակայման ռիսկը: Syntho Engine-ում վերահսկվում է չափից ավելի տեղադրման վտանգը: Բացի այդ, Syntho Quality Assurance (QA) զեկույցը թույլ է տալիս կազմակերպություններին ցույց տալ, որ սինթետիկ տվյալները չեն գերազանցում սկզբնական տվյալների վրա: Մենք նաև գնահատում ենք ավելի շատ գաղտնիության հետ կապված ասպեկտները, որոնք հաճախ օգտագործվում են ներքին աուդիտորների կողմից:
Թեստ «Ճշգրիտ համընկնումներ» նույնական համընկնման հարաբերակցությամբ (IMR)
Ցույց, որ սինթետիկ տվյալների գրառումների հարաբերակցությունը, որոնք համապատասխանում են սկզբնական տվյալների իրական ռեկորդին, էականորեն ավելի մեծ չէ, քան այն հարաբերակցությունը, որը կարելի է ակնկալել գնացքի տվյալները վերլուծելիս:
Փորձարկումը միացված է «Նման հանդիպումներ» հեռավորությունից մինչև ամենամոտ գրառումը (DCR)
Ցուցադրում, որ սինթետիկ տվյալների գրանցման նորմալացված հեռավորությունը սկզբնական տվյալների մեջ իրենց մոտակա փաստացի գրառումից էականորեն ավելի մոտ չէ, քան այն հեռավորությունը, որը կարելի է ակնկալել գնացքի տվյալները վերլուծելիս:
Փորձարկումը միացված է «Outliers» հետ Մոտակա հարևանի հեռավորության հարաբերակցությունը (NNDR)
Ցուցում, որ սկզբնական տվյալների մեջ ամենամոտ և երկրորդ մոտակա սինթետիկ գրառումների միջև հեռավորության հարաբերակցությունը էականորեն ավելի մոտ չէ, քան գնացքի տվյալների համար ակնկալվող հարաբերակցությունը:
Սա ընդամենը մի լուսանկար է, որն ամփոփում է մեր սինթետիկ տվյալների որակի հետազոտման և որակի ապահովման զեկույցի էությունը: Այն առաջարկում է բաշխումների, փոխկապակցվածությունների և բազմաչափ բաշխումների նրբերանգ պատկերացում՝ որպես սինթետիկ տվյալների մի մաս, որը գրավված է Syntho Engine-ի առաջադեմ հնարավորություններով: Մեր որակի ապահովման հաշվետվության վերաբերյալ լրացուցիչ մանրամասները հասանելի են ըստ պահանջի: