सिंथेटिक डेटाले वास्तविक-विश्व स्रोतहरूबाट सङ्कलन गर्नुको सट्टा कृत्रिम रूपमा उत्पन्न गरिएको डेटालाई जनाउँछ। सामान्यतया, जहाँ मौलिक डाटा व्यक्तिहरू (ग्राहकहरू, बिरामीहरू, आदि) सँग तपाईंको सबै अन्तरक्रियाहरूमा र तपाईंको सबै आन्तरिक प्रक्रियाहरू मार्फत सङ्कलन गरिन्छ, सिंथेटिक डाटा कम्प्युटर एल्गोरिदमद्वारा उत्पन्न हुन्छ।

सिंथेटिक डाटालाई नियन्त्रित वातावरणमा मोडेलहरूको परीक्षण र मूल्याङ्कन गर्न वा वास्तविक-विश्व डाटासँग मिल्दोजुल्दो तर कुनै पनि संवेदनशील जानकारी समावेश नगर्ने डाटा उत्पन्न गरेर संवेदनशील जानकारीको सुरक्षा गर्न पनि प्रयोग गर्न सकिन्छ। सिंथेटिक डेटा प्रायः गोपनीयता संवेदनशील डेटाको विकल्पको रूपमा प्रयोग गरिन्छ र परीक्षण डेटाको रूपमा, विश्लेषणका लागि वा मेसिन लर्निङलाई तालिम दिन प्रयोग गर्न सकिन्छ।

थप पढ्नुहोस्

सिंथेटिक डाटाले मौलिक डाटाको रूपमा समान डाटा गुणस्तर राख्छ भन्ने ग्यारेन्टी दिनु चुनौतीपूर्ण हुन सक्छ, र प्रायः विशिष्ट प्रयोग केस र सिंथेटिक डाटा उत्पन्न गर्न प्रयोग गरिने विधिहरूमा निर्भर गर्दछ। सिंथेटिक डाटा उत्पन्न गर्नका लागि केही विधिहरू, जस्तै जेनेरेटिभ मोडेलहरूले डाटा उत्पादन गर्न सक्छन् जुन मूल डाटासँग धेरै मिल्दोजुल्दो छ। मुख्य प्रश्न: यो कसरी प्रदर्शन गर्ने?

सिंथेटिक डाटाको गुणस्तर सुनिश्चित गर्न केही तरिकाहरू छन्:

• हाम्रो डाटा गुणस्तर रिपोर्ट मार्फत डाटा गुणस्तर मेट्रिक्स: सिंथेटिक डेटाले मौलिक डेटाको रूपमा समान डेटा गुणस्तर राख्छ भनी सुनिश्चित गर्ने एउटा तरिका सिंथेटिक डेटालाई मौलिक डेटासँग तुलना गर्न डेटा गुणस्तर मेट्रिक्स प्रयोग गर्नु हो। यी मेट्रिकहरू डेटाको समानता, शुद्धता र पूर्णता जस्ता चीजहरू मापन गर्न प्रयोग गर्न सकिन्छ। सिन्थो सफ्टवेयरले विभिन्न डेटा गुणस्तर मेट्रिक्स सहितको डाटा गुणस्तर रिपोर्ट समावेश गरेको थियो.
• बाह्य मूल्याङ्कन: मौलिक डाटाको तुलनामा सिंथेटिक डाटाको डाटा गुणस्तर प्रमुख भएकोले, हामीले हालसालै SAS (विश्लेषणमा बजार नेता) का डाटा विशेषज्ञहरूसँग सिन्थोद्वारा वास्तविक डाटाको तुलनामा सिंथेटिक डाटाको डाटा गुणस्तर प्रदर्शन गर्नको लागि मूल्याङ्कन गरेका थियौँ। SAS का एनालिटिक्स विशेषज्ञ एडविन भ्यान उनेनले विभिन्न एनालिटिक्स (AI) मूल्याङ्कनहरू मार्फत सिन्थोबाट उत्पन्न सिंथेटिक डेटासेटहरूको मूल्याङ्कन गरे र परिणामहरू साझा गरे। त्यो भिडियोको छोटो रिक्याप यहाँ हेर्नुहोस्.
• आफैले परीक्षण र मूल्याङ्कन: सिंथेटिक डाटालाई वास्तविक-विश्व डाटासँग तुलना गरेर वा मेसिन लर्निङ मोडेलहरूलाई तालिम दिन प्रयोग गरेर र वास्तविक-विश्व डाटामा प्रशिक्षित मोडेलहरूसँग तिनीहरूको कार्यसम्पादन तुलना गरेर परीक्षण र मूल्याङ्कन गर्न सकिन्छ। किन सिंथेटिक डाटाको डाटा गुणस्तर आफैले परीक्षण नगर्ने? यहाँका सम्भावनाहरूका लागि हाम्रा विशेषज्ञहरूलाई सोध्नुहोस्. 

यो नोट गर्न महत्त्वपूर्ण छ कि सिंथेटिक डेटाले कहिल्यै पनि 100% मौलिक डेटासँग मिल्दोजुल्दो ग्यारेन्टी दिन सक्दैन, तर यो एक विशेष प्रयोग केसको लागि उपयोगी हुन पर्याप्त हुन सक्छ। यो विशिष्ट प्रयोग केस पनि उन्नत विश्लेषण वा प्रशिक्षण मेसिन लर्निंग मोडेल हुन सक्छ।

क्लासिक 'अनामकरण' सधैं उत्तम समाधान होइन, किनभने:

1. गोपनीयता जोखिम - तपाईं सधैं हुनेछ
   एक गोपनीयता जोखिम। ती लागू गर्दै
   क्लासिक बेनामीकरण प्रविधि
   यसलाई केवल कठिन बनाउँछ, तर होइन
   व्यक्ति पहिचान गर्न असम्भव।
2. डाटा नष्ट गर्दै - अधिक तपाईं
   गुमनाम बनाउनुहोस्, जति राम्रो सुरक्षा गर्नुहोस्
   तपाईंको गोपनीयता, तर अधिक तपाईं
   आफ्नो डाटा नष्ट। यो के होइन
   तपाईं विश्लेषणको लागि चाहनुहुन्छ, किनभने
   नष्ट डाटा खराब परिणाम हुनेछ
   अन्तर्दृष्टि।
3. समय खपत - यो एक समाधान हो
   यसले धेरै समय लिन्छ, किनभने
   ती प्रविधिहरू फरक काम गर्छन्
   प्रति डाटासेट र प्रति डाटाटाइप।

सिंथेटिक डाटाले यी सबै कमजोरीहरू समाधान गर्ने लक्ष्य राख्छ। फरक यति उल्लेखनीय छ कि हामीले यसको बारेमा भिडियो बनाएका छौं। यहाँ हेर्नुहोस्.