සම්භාව්‍ය නිර්නාමිකකරණය (සහ ව්යාජ නම්) නිර්නාමික දත්ත වලට හේතු නොවන්නේ ඇයි
මෙම බ්ලොගය පහත මාතෘකා ආවරණය කරයි:
සම්භාව්‍ය නිර්නාමිකකරණය යනු කුමක්ද?
සම්භාව්‍ය නිර්නාමිකකරණය සමඟ, පුද්ගලයන් සොයා ගැනීමට බාධා කිරීම සඳහා යමෙකු මුල් දත්ත කට්ටලයක් හසුරුවන හෝ විකෘති කරන සියලුම ක්‍රමවේදයන් අපි ඇඟවුම් කරමු.
සාමාන්‍යකරණය, මර්දනය / අතුගා දැමීම, ව්යාජ නම් කිරීම සහ පේළි සහ තීරු මාරු කිරීම යන ඒවා ප්‍රායෝගිකව අප දකින සම්භාව්‍ය නිර්නාමිකකරණය පිළිබඳ සාමාන්‍ය උදාහරණ වේ.
අනුරූප උදාහරණ සහිතව එම තාක්‍ෂණ මෙයින්.
| තාක්ෂණය | මුල් දත්ත | හසුරුවන ලද දත්ත |
| සාමාන්‍යකරණය | වයස අවු | වයස අවුරුදු 25 ත් 30 ත් අතර |
| මර්දනය / පිස දැමීම | info@syntho.ai | xxxx@xxxxxx.xx |
| ව්යාජ නම් කිරීම | ඇම්ස්ටර්ඩෑම් | hVFD6td3jdHHj78ghdgrewui6 |
| පේළි සහ තීරු මාරු කිරීම | පෙලගැසී ඇත | කලවම් කර ඇත |
සම්භාව්‍ය නිර්නාමිකකරණයේ අවාසි මොනවාද?
සම්භාව්‍ය නිර්නාමිකකරණ තාක්‍ෂණයන් සමඟ දත්ත කට්ටලයක් හැසිරවීම යතුරු 2 ක අවාසි වලට හේතු වේ:
- දත්ත කට්ටලයක් විකෘති කිරීමෙන් දත්ත වල ගුණාත්මක භාවය අඩු වේ (එනම් දත්ත ප්‍රයෝජනය). මෙය සම්භාව්‍ය කසල බැහැර කිරීමේ මූලධර්මය හඳුන්වා දෙයි.
- පෞද්ගලිකත්‍වය අවදානම අඩු වනු ඇත, නමුත් සැමවිටම පවතිනු ඇත. එය 1-1 සබඳතා සමඟ මුල් දත්ත සමූහයේ සංස්කරණයන් ලෙස රැඳී පවතී.
දත්ත උපයෝගිතා සහ පෞද්ගලිකත්‍ව ආරක්‍ෂාව යන ප්‍රධාන අවාසි 2 අපි පෙන්නුම් කරමු. ව්‍යවහාරික මර්දනය සහ සාමාන්‍යකරණය සමඟ අපි පහත උදාහරණයෙන් එය කරන්නෙමු.
සටහන: අපි නිදර්ශන අරමුණු සඳහා රූප භාවිතා කරමු. ව්යුහාත්මක දත්ත කට්ටල සඳහා එකම මූලධර්මය පවතී.
- වම: සම්භාව්‍ය නිර්නාමිකකරණය සුළු වශයෙන් යෙදීමෙන් නියෝජිත නිදර්ශනයක් ලැබේ. කෙසේ වෙතත්, පුද්ගලයා පහසුවෙන් හඳුනාගත හැකි අතර පෞද්ගලිකත්‍වය අවදානම සැලකිය යුතු ය.
- දකුණ: සම්භාව්‍ය නිර්නාමිකකරණය දැඩි ලෙස යෙදීමෙන් දැඩි පෞද්ගලිකත්‍ව ආරක්‍ෂාවක් ලැබේ. කෙසේ වෙතත්, උපමාව නිෂ්ඵල වේ.
සම්භාව්‍ය නිර්නාමිකකරණ තාක්‍ෂණයන් දත්ත උපයෝගිතා සහ පෞද්ගලිකත්‍ව ආරක්‍ෂාව අතර උප-ප්‍රශස්ත සංයෝජනයක් ලබා දේ.
මෙය දත්ත උපයෝගිතා සහ පෞද්ගලිකත්‍ව ආරක්‍ෂාව අතර වෙළෙඳ හුවමාරුව හඳුන්වා දෙන අතර සම්භාව්‍ය නිර්නාමිකකරණ තාක්‍ෂණයන් සෑම විටම මේ දෙකෙහිම උපයෝගීතා සංයෝජනයක් ලබා දේ.
දත්ත කට්ටලයෙන් සියලුම identifජු හඳුනාගැනීම් (නම් වැනි) ඉවත් කිරීම විසඳුමක් ද?
නැත. මෙය විශාල වැරදි වැටහීමක් වන අතර නිර්නාමික දත්ත වලට හේතු නොවේ. ඔබේ දත්ත කට්ටලය නිර්නාමිකකරණය කිරීමේ ක්‍රමයක් ලෙස ඔබ තවමත් මෙය යොදනවාද? එසේනම් මෙම බ්ලොගය ඔබ විසින් කියවිය යුතුම ලිපියකි.
කෘතිම දත්ත වෙනස් වන්නේ කෙසේද?
සින්ටෝ මෘදුකාංගය සකස් කරන්නේ නැවුම් දත්ත වාර්තා වල සම්පුර්ණයෙන්ම නව දත්ත සමූහයක් ජනනය කිරීම සඳහා ය. සැබෑ පුද්ගලයන් හඳුනා ගැනීමට තොරතුරු කෘතීම දත්ත කට්ටලයක නොමැත. කෘතිම දත්ත වල මෘදුකාංග මඟින් උත්පාදනය කරන ලද කෘතීම දත්ත වාර්තා අඩංගු බැවින් පුද්ගලික දත්ත නොමැති නම් පෞද්ගලිකත්‍වය අවදානමක් නොමැති තත්වයක් ඇති වේ.
සින්තෝ හි ප්‍රධාන වෙනස: අපි යන්ත්‍ර ඉගෙනීම අදාළ කරමු. එහි ප්‍රති, ලයක් වශයෙන් අපගේ විසඳුම මඟින් කෘතිම දත්ත කට්ටලයේ මුල් දත්ත කට්ටලයේ ව්‍යුහය හා ගුණාංග නැවත ප්‍රතිනිෂ්පාදනය කරන අතර එමඟින් උපරිම දත්ත උපයෝගීතාවයක් ඇති වේ. ඒ අනුව, මුල් දත්ත භාවිතා කිරීමට සාපේක්ෂව කෘතිම දත්ත විශ්ලේෂණය කිරීමේදී එම ප්‍රතිඵල ලබා ගැනීමට ඔබට හැකි වේ.
මෙම සිද්ධි අධ්‍යයනය මුල් දත්ත වලට සාපේක්ෂව අපේ සින්තෝ එන්ජිම හරහා ජනනය කරන ලද කෘතීම දත්ත වලින් විවිධ සංඛ්‍යාලේඛන ඇතුළත් අපගේ තත්ත්ව වාර්තාව තුළින් කැපී පෙනෙන කරුණු පෙන්නුම් කරයි.
අවසාන වශයෙන්, සියලු සම්භාව්‍ය නිර්නාමිකකරණ තාක්‍ෂණ මඟින් ඔබට ලබා දෙන දත්ත උපයෝගීතාව සහ පෞද්ගලිකත්‍වය අතර සාමාන්‍ය උප ප්‍රශස්ත වෙළඳාම ජය ගැනීමට කෘතීම දත්ත වඩාත් කැමති විසඳුමකි.
ඉතින්, ඔබට කෘතිම දත්ත භාවිතා කළ හැකි විට සැබෑ (සංවේදී) දත්ත භාවිතා කරන්නේ ඇයි?
අවසාන වශයෙන්, දත්ත උපයෝගිතා සහ පෞද්ගලිකත්‍ව ආරක්‍ෂක දෘෂ්ටි කෝණයෙන් බලන කල, යමෙක් ඔබේ භාවිත-නඩුව ඉඩ දෙන විට කෘතිම දත්ත තෝරා ගත යුතුය.
| විශ්ලේෂණය සඳහා වටිනාකම | පෞද්ගලිකත්‍වය අවදානම | |
| කෘතිම දත්ත | අධි | නැහැ |
| සැබෑ (පුද්ගලික) දත්ත | අධි | අධි |
| හැසිරවූ දත්ත (සම්භාව්‍ය 'නිර්නාමිකකරණය' හරහා) | අඩු මධ්‍යම | මධ්‍යම-ඉහළ |
සින්තෝගේ කෘතීම දත්ත දෙකම උපරිම කිරීමෙන් සම්භාව්‍ය නිර්නාමිකකරණ තාක්ෂණය අඩු වන හිඩැස් පුරවයි දත්ත උපයෝගිතා සහ පෞද්ගලිකත්‍වය-ආරක්‍ෂාව.