Dados sintéticos referem-se a dados gerados artificialmente, em vez de coletados de fontes do mundo real. Em geral, enquanto os dados originais são coletados em todas as suas interações com pessoas (clientes, pacientes, etc.) e por meio de todos os seus processos internos, os dados sintéticos são gerados por um algoritmo de computador.

Os dados sintéticos também podem ser usados ​​para testar e avaliar modelos em um ambiente controlado ou para proteger informações confidenciais gerando dados semelhantes aos dados do mundo real, mas que não contêm informações confidenciais. Os dados sintéticos são frequentemente usados ​​como alternativa para dados confidenciais de privacidade e podem ser usados ​​como dados de teste, para análises ou para treinar aprendizado de máquina.

Saiba mais

Garantir que os dados sintéticos tenham a mesma qualidade de dados que os dados originais pode ser desafiador e geralmente depende do caso de uso específico e dos métodos usados ​​para gerar os dados sintéticos. Alguns métodos para gerar dados sintéticos, como modelos generativos, podem produzir dados muito semelhantes aos dados originais. Questão-chave: como demonstrar isso?

Existem algumas maneiras de garantir a qualidade dos dados sintéticos:

• Métricas de qualidade de dados por meio de nosso relatório de qualidade de dados: uma forma de garantir que os dados sintéticos tenham a mesma qualidade de dados que os dados originais é usar métricas de qualidade de dados para comparar os dados sintéticos com os dados originais. Essas métricas podem ser usadas para medir coisas como similaridade, precisão e integridade dos dados. O software Syntho incluiu um relatório de qualidade de dados com várias métricas de qualidade de dados.
• Avaliação externa: como a qualidade dos dados sintéticos em comparação com os dados originais é fundamental, recentemente fizemos uma avaliação com os especialistas em dados da SAS (líder de mercado em análise) para demonstrar a qualidade dos dados sintéticos da Syntho em comparação com os dados reais. Edwin van Unen, especialista em análise do SAS, avaliou os conjuntos de dados sintéticos gerados pelo Syntho por meio de várias avaliações analíticas (IA) e compartilhou os resultados. Assista a uma breve recapitulação desse vídeo aqui.
• Teste e avaliação por si mesmo: dados sintéticos podem ser testados e avaliados comparando-os com dados do mundo real ou usando-os para treinar modelos de aprendizado de máquina e comparar seu desempenho com modelos treinados em dados do mundo real. Por que não testar você mesmo a qualidade dos dados sintéticos? Pergunte aos nossos especialistas sobre as possibilidades disso aqui. 

É importante observar que os dados sintéticos nunca podem ser 100% semelhantes aos dados originais, mas podem ser próximos o suficiente para serem úteis para um caso de uso específico. Esse caso de uso específico pode até ser análise avançada ou modelos de aprendizado de máquina de treinamento.

A 'anonimização' clássica nem sempre é a melhor solução, porque:

1. Risco de privacidade - você sempre terá
   um risco de privacidade. Aplicando aqueles
   técnicas clássicas de anonimização
   torna apenas mais difícil, mas não
   impossível identificar indivíduos.
2. Destruindo dados - quanto mais você
   anonimize, melhor você protege
   sua privacidade, mas quanto mais você
   destruir seus dados. Isso não é o que
   você quer para análise, porque
   dados destruídos resultarão em problemas
   intuições.
3. Demorada – é uma solução
   isso leva muito tempo, porque
   essas técnicas funcionam de forma diferente
   por conjunto de dados e por tipo de dados.

Dados sintéticos visam resolver todas essas deficiências. A diferença é tão marcante que fizemos um vídeo sobre isso. Assista aqui.