ຂໍ້​ມູນ​ສັງ​ເຄາະ​ໝາຍ​ເຖິງ​ຂໍ້​ມູນ​ທີ່​ຖືກ​ສ້າງ​ໂດຍ​ປອມ​ແທນ​ທີ່​ຈະ​ເກັບ​ກຳ​ຈາກ​ແຫຼ່ງ​ຂໍ້​ມູນ​ໃນ​ໂລກ​ຈິງ. ໂດຍທົ່ວໄປ, ໃນຂະນະທີ່ຂໍ້ມູນຕົ້ນສະບັບໄດ້ຖືກເກັບກໍາໃນການໂຕ້ຕອບທັງຫມົດຂອງທ່ານກັບບຸກຄົນ (ລູກຄ້າ, ຄົນເຈັບ, ແລະອື່ນໆ) ແລະໂດຍຜ່ານຂະບວນການພາຍໃນທັງຫມົດຂອງທ່ານ, ຂໍ້ມູນສັງເຄາະແມ່ນສ້າງຂຶ້ນໂດຍລະບົບຄອມພິວເຕີ.

ຂໍ້ມູນສັງເຄາະຍັງສາມາດຖືກນໍາໃຊ້ເພື່ອທົດສອບແລະປະເມີນແບບຈໍາລອງໃນສະພາບແວດລ້ອມທີ່ມີການຄວບຄຸມ, ຫຼືເພື່ອປົກປ້ອງຂໍ້ມູນທີ່ລະອຽດອ່ອນໂດຍການສ້າງຂໍ້ມູນທີ່ຄ້າຍຄືກັບຂໍ້ມູນໃນໂລກທີ່ແທ້ຈິງແຕ່ບໍ່ມີຂໍ້ມູນທີ່ລະອຽດອ່ອນ. ຂໍ້ມູນສັງເຄາະມັກຈະຖືກໃຊ້ເປັນທາງເລືອກສໍາລັບຂໍ້ມູນທີ່ມີຄວາມອ່ອນໄຫວດ້ານຄວາມເປັນສ່ວນຕົວ ແລະສາມາດຖືກນໍາໃຊ້ເປັນຂໍ້ມູນທົດສອບ, ສໍາລັບການວິເຄາະ ຫຼືເພື່ອຝຶກອົບຮົມການຮຽນຮູ້ຂອງເຄື່ອງຈັກ.

ອ່ານ​ເພິ່ມ​ເຕິມ

ການຮັບປະກັນວ່າຂໍ້ມູນສັງເຄາະມີຄຸນນະພາບຂໍ້ມູນດຽວກັນກັບຂໍ້ມູນຕົ້ນສະບັບສາມາດເປັນສິ່ງທ້າທາຍ, ແລະມັກຈະຂຶ້ນກັບກໍລະນີການນໍາໃຊ້ສະເພາະແລະວິທີການທີ່ໃຊ້ໃນການສ້າງຂໍ້ມູນສັງເຄາະ. ບາງວິທີການສ້າງຂໍ້ມູນສັງເຄາະ, ເຊັ່ນ: ແບບຈໍາລອງການຜະລິດ, ສາມາດຜະລິດຂໍ້ມູນທີ່ມີຄວາມຄ້າຍຄືກັນກັບຂໍ້ມູນຕົ້ນສະບັບ. ຄໍາ​ຖາມ​ທີ່​ສໍາ​ຄັນ​: ວິ​ທີ​ການ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ນີ້​?

ມີບາງວິທີເພື່ອຮັບປະກັນຄຸນນະພາບຂອງຂໍ້ມູນສັງເຄາະ:

• ການວັດແທກຄຸນນະພາບຂໍ້ມູນຜ່ານບົດລາຍງານຄຸນນະພາບຂໍ້ມູນຂອງພວກເຮົາ: ວິທີຫນຶ່ງເພື່ອຮັບປະກັນວ່າຂໍ້ມູນສັງເຄາະມີຄຸນນະພາບຂໍ້ມູນດຽວກັນກັບຂໍ້ມູນຕົ້ນສະບັບແມ່ນການນໍາໃຊ້ metrics ຄຸນນະພາບຂໍ້ມູນເພື່ອປຽບທຽບຂໍ້ມູນສັງເຄາະກັບຂໍ້ມູນຕົ້ນສະບັບ. ຕົວຊີ້ວັດເຫຼົ່ານີ້ສາມາດຖືກນໍາໃຊ້ເພື່ອວັດແທກສິ່ງຕ່າງໆເຊັ່ນ: ຄວາມຄ້າຍຄືກັນ, ຄວາມຖືກຕ້ອງ, ແລະຄວາມສົມບູນຂອງຂໍ້ມູນ. ຊອບແວ Syntho ປະກອບມີບົດລາຍງານຄຸນນະພາບຂໍ້ມູນທີ່ມີຕົວຊີ້ບອກຄຸນນະພາບຂໍ້ມູນຕ່າງໆ.
• ການ​ປະ​ເມີນ​ຜົນ​ພາຍ​ນອກ​: ເນື່ອງຈາກຄຸນນະພາບຂໍ້ມູນຂອງຂໍ້ມູນສັງເຄາະໃນການປຽບທຽບກັບຂໍ້ມູນຕົ້ນສະບັບແມ່ນສໍາຄັນ, ພວກເຮົາບໍ່ດົນມານີ້ໄດ້ດໍາເນີນການປະເມີນກັບຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS (ຜູ້ນໍາຕະຫຼາດໃນການວິເຄາະ) ເພື່ອສະແດງໃຫ້ເຫັນເຖິງຄຸນນະພາບຂໍ້ມູນຂອງຂໍ້ມູນສັງເຄາະໂດຍ Syntho ໃນການປຽບທຽບກັບຂໍ້ມູນທີ່ແທ້ຈິງ. Edwin van Unen, ຜູ້ຊ່ຽວຊານດ້ານການວິເຄາະຈາກ SAS, ໄດ້ປະເມີນຊຸດຂໍ້ມູນສັງເຄາະທີ່ສ້າງຂຶ້ນຈາກ Syntho ໂດຍຜ່ານການປະເມີນການວິເຄາະຕ່າງໆ (AI) ແລະແບ່ງປັນຜົນໄດ້ຮັບ. ເບິ່ງບົດສະຫຼຸບສັ້ນໆຂອງວິດີໂອນັ້ນຢູ່ບ່ອນນີ້.
• ການ​ທົດ​ສອບ​ແລະ​ການ​ປະ​ເມີນ​ຜົນ​ດ້ວຍ​ຕົວ​ທ່ານ​ເອງ​: ຂໍ້ມູນສັງເຄາະສາມາດທົດສອບ ແລະປະເມີນໄດ້ໂດຍການປຽບທຽບມັນກັບຂໍ້ມູນໃນໂລກທີ່ແທ້ຈິງ ຫຼືໂດຍການໃຊ້ມັນເພື່ອຝຶກອົບຮົມແບບຈໍາລອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ແລະປຽບທຽບປະສິດທິພາບຂອງເຂົາເຈົ້າກັບຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມຈາກຂໍ້ມູນໃນໂລກທີ່ແທ້ຈິງ. ເປັນຫຍັງບໍ່ທົດສອບຄຸນນະພາບຂໍ້ມູນຂອງຂໍ້ມູນສັງເຄາະດ້ວຍຕົວທ່ານເອງ? ຖາມຜູ້ຊ່ຽວຊານຂອງພວກເຮົາສໍາລັບຄວາມເປັນໄປໄດ້ຂອງສິ່ງນີ້ທີ່ນີ້. 

ມັນເປັນສິ່ງສໍາຄັນທີ່ຄວນສັງເກດວ່າຂໍ້ມູນສັງເຄາະບໍ່ສາມາດຮັບປະກັນໄດ້ 100% ຄ້າຍຄືກັນກັບຂໍ້ມູນຕົ້ນສະບັບ, ແຕ່ມັນສາມາດໃກ້ຊິດພຽງພໍທີ່ຈະເປັນປະໂຫຍດສໍາລັບກໍລະນີການນໍາໃຊ້ສະເພາະ. ກໍລະນີການນໍາໃຊ້ສະເພາະນີ້ສາມາດເປັນການວິເຄາະແບບພິເສດຫຼືແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກ.

'ການປິດບັງຊື່' ແບບເກົ່າບໍ່ແມ່ນທາງອອກທີ່ດີທີ່ສຸດສະເໝີໄປ, ເພາະວ່າ:

1. ຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ - ທ່ານ​ຈະ​ມີ​ສະ​ເຫມີ​ໄປ​
   ຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ. ການ​ນໍາ​ໃຊ້​ເຫຼົ່າ​ນັ້ນ​
   ເທັກນິກການປິດບັງຊື່ລັບແບບເກົ່າ
   ເຮັດໃຫ້ມັນຍາກກວ່າ, ແຕ່ບໍ່ແມ່ນ
   ເປັນ​ໄປ​ບໍ່​ໄດ້​ທີ່​ຈະ​ລະ​ບຸ​ບຸກ​ຄົນ​.
2. ການທໍາລາຍຂໍ້ມູນ – ຫຼາຍທ່ານ
   anonymize, ການທີ່ດີກວ່າທ່ານປົກປ້ອງ
   ຄວາມເປັນສ່ວນຕົວຂອງທ່ານ, ແຕ່ຫຼາຍທ່ານ
   ທໍາລາຍຂໍ້ມູນຂອງທ່ານ. ນີ້ບໍ່ແມ່ນສິ່ງທີ່
   ທ່ານຕ້ອງການການວິເຄາະ, ເພາະວ່າ
   ຂໍ້ມູນທີ່ຖືກທໍາລາຍຈະສົ່ງຜົນບໍ່ດີ
   ຄວາມເຂົ້າໃຈ.
3. ໃຊ້ເວລາຫຼາຍ – ມັນ​ເປັນ​ການ​ແກ້​ໄຂ​
   ມັນໃຊ້ເວລາຫຼາຍ, ເພາະວ່າ
   ເຕັກນິກເຫຼົ່ານັ້ນເຮັດວຽກແຕກຕ່າງກັນ
   ຕໍ່ຊຸດຂໍ້ມູນ ແລະຕໍ່ປະເພດຂໍ້ມູນ.

ຂໍ້ມູນສັງເຄາະມີຈຸດປະສົງເພື່ອແກ້ໄຂຂໍ້ບົກຜ່ອງທັງຫມົດເຫຼົ່ານີ້. ຄວາມແຕກຕ່າງແມ່ນດີຫຼາຍທີ່ພວກເຮົາໄດ້ເຮັດວິດີໂອກ່ຽວກັບມັນ. ເບິ່ງມັນຢູ່ທີ່ນີ້.