SAS ၏ ဒေတာကျွမ်းကျင်သူများမှ ကျွန်ုပ်တို့၏ပေါင်းစပ်ဒေတာကို ပြင်ပအကဲဖြတ်ခြင်း။

ကျွန်ုပ်တို့၏ ပေါင်းစပ်ဒေတာသည် အကဲဖြတ် နှင့် အတည်ပြု အချက်အလက်ကျွမ်းကျင်သူများမှ SAS

sas
တစ် ဦး သရုပ်ပြစာအုပ်ဆိုင်

SAS ၏ ဒေတာကျွမ်းကျင်သူများမှ ကျွန်ုပ်တို့၏ ပေါင်းစပ်ဒေတာကို ပြင်ပအကဲဖြတ်ခြင်းဆိုင်ရာ နိဒါန်း

ငါတို့ဘာလုပ်ခဲ့လဲ။

Syntho မှထုတ်ပေးသော Synthetic data အား SAS ၏ အချက်အလက်ကျွမ်းကျင်သူများမှ ပြင်ပနှင့် ဦးတည်ချက်ရှုထောင့်မှ အကဲဖြတ်၊ အတည်ပြုပြီး အတည်ပြုပါသည်။

SAS ၏ ဒေတာကျွမ်းကျင်သူများက ကျွန်ုပ်တို့၏ ပေါင်းစပ်ပေါင်းစပ်ထားသော ဒေတာကို အဘယ်ကြောင့် ပြင်ပတွင် အကဲဖြတ်သနည်း။

Syntho သည် ၎င်း၏အသုံးပြုသူများအား အဆင့်မြင့်အရည်အသွေးအာမခံချက်အစီရင်ခံစာကို ပေးဆောင်ရန် ဂုဏ်ယူသော်လည်း၊ လုပ်ငန်းခေါင်းဆောင်များထံမှ ကျွန်ုပ်တို့၏ပေါင်းစပ်ဒေတာကို ပြင်ပနှင့် ရည်ရွယ်ချက်ရှိရှိ အကဲဖြတ်ခြင်း၏ အရေးကြီးကြောင်းကိုလည်း ကျွန်ုပ်တို့ နားလည်ပါသည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ပေါင်းစပ်ဒေတာကို အကဲဖြတ်ရန် ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာခေါင်းဆောင် SAS နှင့် ပူးပေါင်းဆောင်ရွက်ပါသည်။

SAS သည် မူရင်းဒေတာနှင့် နှိုင်းယှဉ်ကာ Syntho ၏ AI-ထုတ်ပေးသော ပေါင်းစပ်ဒေတာ၏ ဒေတာတိကျမှု၊ ကိုယ်ရေးကိုယ်တာ ကာကွယ်ရေးနှင့် သုံးစွဲနိုင်မှုအပေါ် စေ့စေ့စပ်စပ် အကဲဖြတ်မှုများ ပြုလုပ်သည်။ နိဂုံးချုပ်အနေဖြင့်၊ SAS သည် Syntho ၏ ပေါင်းစပ်ဒေတာကို မူရင်းဒေတာနှင့် နှိုင်းယှဉ်လျှင် တိကျ၊ လုံခြုံပြီး အသုံးပြုရနိုင်သည်ဟု အကဲဖြတ်ပြီး အတည်ပြုခဲ့သည်။

ဤအကဲဖြတ်မှုအတွင်း SAS က ဘာလုပ်ခဲ့သလဲ။

ကျွန်ုပ်တို့သည် ပစ်မှတ်ဒေတာအဖြစ် "churn" ခန့်မှန်းချက်အတွက် အသုံးပြုသည့် တယ်လီကွန်းဒေတာကို အသုံးပြုခဲ့သည်။ အကဲဖြတ်ခြင်း၏ ရည်ရွယ်ချက်မှာ အမျိုးမျိုးသော အလှည့်အပြောင်း ခန့်မှန်းခြင်းပုံစံများကို လေ့ကျင့်ရန်နှင့် မော်ဒယ်တစ်ခုစီ၏ စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရန် ပေါင်းစပ်ဒေတာကို အသုံးပြုရန်ဖြစ်သည်။ လှည့်စားမှုခန့်မှန်းခြင်းသည် အမျိုးအစားခွဲခြင်းလုပ်ငန်းဖြစ်သောကြောင့် SAS အပါအဝင် ခန့်မှန်းချက်များကို ပြုလုပ်ရန်အတွက် ရေပန်းစားသော အမျိုးအစားခွဲခြားမှုပုံစံများကို ရွေးချယ်ခဲ့သည်-

  1. ကျပန်းသစ်တော
  2. Gradient မြှင့်တင်ခြင်း။
  3. ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှု
  4. အာရုံကြောကွန်ယက်ကို

ပေါင်းစပ်ဒေတာကို မထုတ်လုပ်မီ၊ SAS သည် တယ်လီကွန်းဒေတာအစုံကို ရထားတွဲတစ်ခု (မော်ဒယ်များကို လေ့ကျင့်ရန်အတွက်) နှင့် ကိုင်ဆောင်ထားမှုတစ်ခု (မော်ဒယ်များကို အမှတ်ပေးရန်အတွက်) အဖြစ်သို့ ကျပန်းခွဲခဲ့သည်။ အမှတ်ပေးရန်အတွက် သီးခြားကန့်သတ်ထားချက်ရှိခြင်းသည် ဒေတာအသစ်တွင် အသုံးပြုသည့်အခါ အမျိုးအစားခွဲခြားမှုပုံစံသည် မည်မျှကောင်းမွန်ကြောင်းကို ဘက်မလိုက်ဘဲ အကဲဖြတ်နိုင်စေသည်။

ထည့်သွင်းမှုအဖြစ် သတ်မှတ်ထားသော ရထားကို အသုံးပြု၍ Syntho သည် ၎င်း၏ Syntho အင်ဂျင်ကို အသုံးပြု၍ ပေါင်းစပ်ဒေတာအတွဲကို ထုတ်ပေးပါသည်။ စံသတ်မှတ်ခြင်းအတွက်၊ SAS သည် သတ်မှတ်ထားသော အဆင့်တစ်ခုသို့ရောက်ရှိရန် အမျိုးမျိုးသော အမည်ဝှက်ခြင်းနည်းပညာများကို အသုံးပြုပြီးနောက် သတ်မှတ်ထားသော သတ်မှတ်ချက်တစ်ခု (k-anonymity) ၏ အမည်မသိရထားတွဲကို ဖန်တီးခဲ့သည်။ ယခင်အဆင့်များသည် ဒေတာအတွဲလေးခုအဖြစ် ထွက်ပေါ်လာသည်-

  1. ရထားဒေတာအတွဲ (ဆိုလိုသည်မှာ မူရင်းဒေတာအတွဲမှ သိမ်းဆည်းထားသည့် ဒေတာအတွဲကို အနုတ်လက္ခဏာဆောင်သည်)
  2. သိမ်းဆည်းထားသောဒေတာအတွဲ (ဆိုလိုသည်မှာ မူရင်းဒေတာအတွဲ၏ အစုခွဲတစ်ခု)
  3. အမည်မဖော်လိုသော ဒေတာအတွဲ (ရထားဒေတာအတွဲ၏ အမည်မဖော်လိုသောဒေတာ၊ မူရင်းဒေတာအတွဲမှ သိမ်းဆည်းထားသည့် ဒေတာအတွဲ)
  4. ပေါင်းစပ်ထားသော ဒေတာအတွဲ (ရထားဒေတာအတွဲ၏ ပေါင်းစပ်ထားသော ဒေတာ၊ မူရင်းဒေတာအတွဲမှ သိမ်းဆည်းထားသည့် ဒေတာအတွဲကို နှုတ်သည်)

ဒေတာအတွဲများ 1၊ 3 နှင့် 4 ကို အမျိုးအစားခွဲခြင်းပုံစံတစ်ခုစီအတွက် လေ့ကျင့်ရန်အသုံးပြုခဲ့ပြီး 12 (3 x 4) လေ့ကျင့်ထားသော မော်ဒယ်များကို ဖြစ်ပေါ်စေသည်။ နောက်ပိုင်းတွင် SAS သည် ဖောက်သည်အလှည့်အပြောင်းကို ခန့်မှန်းရာတွင် မော်ဒယ်တစ်ခုစီ၏ တိကျမှုကို တိုင်းတာရန် သိုလှောင်မှုဒေတာအတွဲကို အသုံးပြုခဲ့သည်။

SAS သည် မူရင်းဒေတာနှင့် နှိုင်းယှဉ်ကာ Syntho ၏ AI-ထုတ်ပေးသော ပေါင်းစပ်ဒေတာ၏ ဒေတာတိကျမှု၊ ကိုယ်ရေးကိုယ်တာ ကာကွယ်ရေးနှင့် သုံးစွဲနိုင်မှုအပေါ် စေ့စေ့စပ်စပ် အကဲဖြတ်မှုများ ပြုလုပ်သည်။ နိဂုံးချုပ်အနေဖြင့်၊ SAS သည် Syntho ၏ ပေါင်းစပ်ဒေတာကို မူရင်းဒေတာနှင့် နှိုင်းယှဉ်လျှင် တိကျ၊ လုံခြုံပြီး အသုံးပြုရနိုင်သည်ဟု အကဲဖြတ်ပြီး အတည်ပြုခဲ့သည်။

သင်သည်မည်သည့်မေးခွန်းများကိုရှိပါသလား

ကျွန်ုပ်တို့၏ပညာရှင်တစ်ဦးနှင့် စကားပြောပါ။

ဆက်သွယ်ရန်

SAS မှ ဒေတာအကဲဖြတ်မှု၏ ကနဦးရလဒ်များ

ပေါင်းစပ်ဒေတာတွင် လေ့ကျင့်ထားသော မော်ဒယ်များသည် မူရင်းဒေတာတွင် လေ့ကျင့်ထားသော မော်ဒယ်များနှင့် နှိုင်းယှဉ်လျှင် အလွန်တူညီပါသည်။

Syntho မှ Synthetic data သည် အခြေခံပုံစံများအတွက်သာမက အဆင့်မြင့် ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းများအတွက် လိုအပ်သော နက်နဲသော 'ဝှက်ထားသော' ကိန်းဂဏန်းပုံစံများကိုပါ ဖမ်းယူပါသည်။ မူရင်းဒေတာတွင် လေ့ကျင့်ထားသော မော်ဒယ်များနှင့် ပေါင်းစပ်ထားသော ဒေတာနှင့် ပေါင်းစပ်ထားသော မော်ဒယ်များ၏ တိကျမှန်ကန်မှုကို ဘားဇယားတွင် သရုပ်ပြထားသည်။ ထို့ကြောင့် မော်ဒယ်များ၏ လက်တွေ့လေ့ကျင့်မှုအတွက် ပေါင်းစပ်ဒေတာကို အသုံးပြုနိုင်သည်။ မူရင်းဒေတာနှင့် နှိုင်းယှဉ်ပါက ပေါင်းစပ်ဒေတာပေါ်ရှိ algorithms မှရွေးချယ်ထားသော သွင်းအားစုများနှင့် ပြောင်းလဲနိုင်သောအရေးပါမှုတို့သည် အလွန်ဆင်တူပါသည်။ ထို့ကြောင့်၊ အမှန်တကယ် ထိလွယ်ရှလွယ် ဒေတာကို အသုံးပြုခြင်းအတွက် အခြားရွေးချယ်စရာအဖြစ် ပေါင်းစပ်မှုဆိုင်ရာ အချက်အလက်ပေါ်တွင် မော်ဒယ်ပြုလုပ်ခြင်းလုပ်ငန်းစဉ်ကို လုပ်ဆောင်နိုင်သည်ဟု ကောက်ချက်ချထားသည်။

အမည်မသိဒေတာအတွက် လေ့ကျင့်ထားသော မော်ဒယ်များသည် အဘယ်ကြောင့် ရလဒ်ပိုဆိုးသနည်း။

ဂန္တဝင်အမည်ဝှက်ခြင်းနည်းပညာများသည် လူတစ်ဦးချင်းစီကို နောက်ကြောင်းပြန်လှည့်ခြင်းကို ဟန့်တားရန်အတွက် မူရင်းဒေတာကို ကြိုးကိုင်ခြယ်လှယ်ခြင်းတွင် တူညီသည်။ ၎င်းတို့သည် ဒေတာကို အသုံးချပြီး လုပ်ငန်းစဉ်တွင် ဒေတာများကို ဖျက်ဆီးသည်။ အမည်ဝှက်ထားလေလေ၊ သင့်ဒေတာကို ပိုကောင်းလေလေ ကာကွယ်လေလေ၊ သင့်ဒေတာများ ပျက်စီးလေလေဖြစ်သည်။ အရည်အသွေးမကောင်းတဲ့ဒေတာက AI မော်ဒယ်ကနေ ဆိုးရွားတဲ့ထိုးထွင်းသိမြင်မှုတွေကို ဖြစ်ပေါ်စေတဲ့အတွက် “ကြိုတင်ခန့်မှန်းနိုင်စွမ်းအား” က မရှိမဖြစ်လိုအပ်တဲ့ AI နဲ့ မော်ဒယ်လုပ်ဆောင်ခြင်းလုပ်ငန်းအတွက် အထူးဆိုးရွားပါတယ်။ SAS သည် ၎င်းကို မျဉ်းကွေး (AUC*) အောက်တွင် 0.5 အနီးရှိ ဧရိယာဖြင့် သရုပ်ပြခဲ့ပြီး အမည်မသိဒေတာဖြင့် လေ့ကျင့်ထားသော မော်ဒယ်များသည် အဆိုးရွားဆုံး လုပ်ဆောင်နိုင်သည်ကို သရုပ်ပြခဲ့သည်။

ပေါင်းစပ်ဒေတာရလဒ် SAS

SAS မှ ပေါင်းစပ်ဒေတာ အကဲဖြတ်မှု၏ နောက်ထပ်ရလဒ်များ

SAS မှ ပေါင်းစပ်ဒေတာ အကဲဖြတ်မှု၏ နောက်ထပ်ရလဒ်များ

ကိန်းရှင်များကြား ဆက်စပ်မှုနှင့် ဆက်နွယ်မှုများကို ပေါင်းစပ်ဒေတာတွင် တိကျစွာ ထိန်းသိမ်းထားသည်။

မော်ဒယ်စွမ်းဆောင်ရည်ကို တိုင်းတာသည့် မက်ထရစ်တစ်ခုဖြစ်သည့် Curve Under the Area (AUC) သည် တသမတ်တည်းရှိနေခဲ့သည်။

ထို့အပြင်၊ မော်ဒယ်တစ်ခုရှိ ကိန်းရှင်များ၏ ကြိုတင်ခန့်မှန်းနိုင်စွမ်းအားကို ညွှန်ပြသည့် ကိန်းရှင် ကိန်းရှင်၏ အရေးပါမှုသည် ပေါင်းစပ်ဒေတာကို မူရင်းဒေတာအတွဲနှင့် နှိုင်းယှဉ်သောအခါတွင် ကျန်ရှိနေဆဲဖြစ်သည်။

SAS မှ ဤလေ့လာတွေ့ရှိချက်များအပေါ် အခြေခံ၍ SAS Viya ကိုအသုံးပြုခြင်းဖြင့် Syntho Engine မှထုတ်ပေးသော ပေါင်းစပ်အချက်အလက်များသည် အရည်အသွေးအရ အစစ်အမှန်ဒေတာများနှင့် တန်းတူဖြစ်ကြောင်း ယုံကြည်စိတ်ချစွာ ကောက်ချက်ချနိုင်ပါသည်။ ၎င်းသည် မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုအတွက် ပေါင်းစပ်ဒေတာအသုံးပြုမှုကို တရားဝင်စေပြီး၊ အဆင့်မြင့် ခွဲခြမ်းစိတ်ဖြာမှုများအတွက် ပေါင်းစပ်ဒေတာဖြင့် လမ်းခင်းပေးပါသည်။

SAS ၏ အချက်အလက်ကျွမ်းကျင်သူများမှ ကောက်ချက်ချသည်။

  • မူရင်းဒေတာတွင် လေ့ကျင့်ထားသော မော်ဒယ်များနှင့် နှိုင်းယှဉ်လျှင် ပေါင်းစပ်ဒေတာဖြင့် လေ့ကျင့်ထားသော မော်ဒယ်များသည် အလွန်ဆင်တူသော စွမ်းဆောင်ရည်ကို ပြသသည်။
  • 'ဂန္ထဝင်အမည်ဝှက်ခြင်းနည်းပညာများ' ဖြင့် အမည်မသိဒေတာကို လေ့ကျင့်သင်ကြားထားသည့် မော်ဒယ်များသည် မူရင်းဒေတာ သို့မဟုတ် ပေါင်းစပ်ဒေတာတွင် လေ့ကျင့်ထားသော မော်ဒယ်များနှင့် နှိုင်းယှဉ်ပါက စွမ်းဆောင်ရည် နိမ့်ကျသည်
  • နည်းပညာသည် ဒေတာအတွဲတစ်ခုနှင့် ဒေတာအမျိုးအစားအလိုက် အတိအကျတူညီသောကြောင့် ပေါင်းစပ်ဒေတာထုတ်လုပ်ခြင်းသည် လွယ်ကူမြန်ဆန်သောကြောင့်ဖြစ်သည်။
Sas လိုဂို

ကျွန်ုပ်တို့၏ ပေါင်းစပ်ဒေတာသည် အတည်ပြု SAS ၏ အချက်အလက်ကျွမ်းကျင်သူများမှ

ဆောင်းပါး Read

ကိုးကားဆောင်းပါးများ

syntho လမ်းညွှန်အဖုံး

သင်၏ပေါင်းစပ်ဒေတာလမ်းညွှန်ကို ယခုသိမ်းဆည်းပါ။

  • synthetic data ဆိုတာဘာလဲ။
  • အဖွဲ့အစည်းတွေက ဘာကြောင့်သုံးတာလဲ။
  • ပေါင်းစပ်ဒေတာ အသုံးပြုသူကိစ္စများကို တန်ဖိုးထည့်ခြင်း။
  • မည်သို့စတင်ရန်
လမ်းညွှန်တောင်းဆိုပါ။
ကျွမ်းကျင်သူများထံ ဆက်သွယ်ပါ။