सिंथेटिक डेटा म्हणजे वास्तविक-जगातील स्त्रोतांकडून गोळा करण्याऐवजी कृत्रिमरित्या व्युत्पन्न केलेला डेटा. सर्वसाधारणपणे, मूळ डेटा व्यक्तींशी (क्लायंट, रुग्ण, इ.) तुमच्या सर्व परस्परसंवादांमध्ये आणि तुमच्या सर्व अंतर्गत प्रक्रियांद्वारे संकलित केला जातो, सिंथेटिक डेटा संगणक अल्गोरिदमद्वारे व्युत्पन्न केला जातो.

सिंथेटिक डेटाचा वापर नियंत्रित वातावरणात मॉडेल्सची चाचणी आणि मूल्यमापन करण्यासाठी किंवा वास्तविक-जगातील डेटा सारखा डेटा तयार करून संवेदनशील माहितीचे संरक्षण करण्यासाठी देखील केला जाऊ शकतो परंतु त्यात कोणतीही संवेदनशील माहिती नाही. सिंथेटिक डेटा प्रायव्हसी सेन्सिटिव्ह डेटासाठी पर्यायी म्हणून वापरला जातो आणि चाचणी डेटा म्हणून, विश्लेषणासाठी किंवा मशीन लर्निंगला प्रशिक्षित करण्यासाठी वापरला जाऊ शकतो.

अधिक वाचा

सिंथेटिक डेटा मूळ डेटा प्रमाणेच डेटा गुणवत्ता धारण करतो याची हमी देणे आव्हानात्मक असू शकते आणि बर्‍याचदा विशिष्ट वापर केस आणि सिंथेटिक डेटा तयार करण्यासाठी वापरल्या जाणार्‍या पद्धतींवर अवलंबून असते. सिंथेटिक डेटा व्युत्पन्न करण्याच्या काही पद्धती, जसे की जनरेटिव्ह मॉडेल्स, डेटा तयार करू शकतात जो मूळ डेटासारखाच असतो. मुख्य प्रश्न: हे कसे दाखवायचे?

सिंथेटिक डेटाची गुणवत्ता सुनिश्चित करण्याचे काही मार्ग आहेत:

• आमच्या डेटा गुणवत्ता अहवालाद्वारे डेटा गुणवत्ता मेट्रिक्स: सिंथेटिक डेटामध्ये मूळ डेटा सारखीच डेटा गुणवत्ता आहे याची खात्री करण्याचा एक मार्ग म्हणजे सिंथेटिक डेटाची मूळ डेटाशी तुलना करण्यासाठी डेटा गुणवत्ता मेट्रिक्स वापरणे. डेटाची समानता, अचूकता आणि पूर्णता यासारख्या गोष्टी मोजण्यासाठी या मेट्रिक्सचा वापर केला जाऊ शकतो. सिंथो सॉफ्टवेअरमध्ये विविध डेटा गुणवत्तेच्या मेट्रिक्ससह डेटा गुणवत्ता अहवालाचा समावेश आहे.
• बाह्य मूल्यमापन: मूळ डेटाच्या तुलनेत सिंथेटिक डेटाची डेटा गुणवत्ता महत्त्वाची असल्याने, वास्तविक डेटाच्या तुलनेत सिंथोद्वारे सिंथेटिक डेटाची डेटा गुणवत्ता प्रदर्शित करण्यासाठी आम्ही अलीकडे SAS (विश्लेषणातील मार्केट लीडर) डेटा तज्ञांसह एक मूल्यांकन केले. एडविन व्हॅन युनेन, SAS मधील विश्लेषण तज्ञ, विविध विश्लेषणे (AI) मूल्यांकनांद्वारे सिंथोकडून व्युत्पन्न सिंथेटिक डेटासेटचे मूल्यांकन केले आणि परिणाम सामायिक केले. त्या व्हिडीओची एक छोटीशी रीकॅप येथे पहा.
• स्वतः चाचणी आणि मूल्यमापन: सिंथेटिक डेटाची वास्तविक-जगातील डेटाशी तुलना करून किंवा मशीन लर्निंग मॉडेलला प्रशिक्षित करण्यासाठी वापरून आणि वास्तविक-जगातील डेटावर प्रशिक्षित केलेल्या मॉडेलशी त्यांच्या कार्यप्रदर्शनाची तुलना करून त्याची चाचणी आणि मूल्यमापन केले जाऊ शकते. सिंथेटिक डेटाच्या डेटा गुणवत्तेची स्वतःहून चाचणी का करत नाही? याच्या शक्यतांबद्दल आमच्या तज्ञांना येथे विचारा. 

हे लक्षात घेणे महत्त्वाचे आहे की सिंथेटिक डेटा कधीही मूळ डेटा प्रमाणे 100% सारखा असण्याची हमी देऊ शकत नाही, परंतु विशिष्ट वापराच्या केससाठी उपयुक्त होण्यासाठी ते पुरेसे जवळ असू शकते. हे विशिष्ट वापर प्रकरण प्रगत विश्लेषण किंवा प्रशिक्षण मशीन लर्निंग मॉडेल देखील असू शकते.

क्लासिक 'अॅनोनिमायझेशन' हा नेहमीच सर्वोत्तम उपाय नसतो, कारण:

1. गोपनीयता धोका - आपल्याकडे नेहमीच असेल
   गोपनीयतेचा धोका. त्या लागू करणे
   क्लासिक अनामिकरण तंत्र
   ते फक्त कठीण करते, परंतु नाही
   व्यक्ती ओळखणे अशक्य.
2. डेटा नष्ट करणे - आपण जितके अधिक
   अनामित करा, तुम्ही जितके चांगले संरक्षण कराल
   तुमची गोपनीयता, पण तुम्ही जितके अधिक
   तुमचा डेटा नष्ट करा. हे काय नाही
   तुम्हाला विश्लेषण हवे आहे, कारण
   नष्ट डेटा खराब होईल
   अंतर्दृष्टी
3. वेळखाऊ - तो एक उपाय आहे
   यासाठी खूप वेळ लागतो, कारण
   ती तंत्रे वेगळी काम करतात
   प्रति डेटासेट आणि प्रति डेटाटाइप.

सिंथेटिक डेटाचा उद्देश या सर्व उणीवा सोडवणे आहे. फरक इतका धक्कादायक आहे की आम्ही याबद्दल एक व्हिडिओ तयार केला आहे. ते येथे पहा.