Mwongozo wa Uzalishaji wa Data Sanifu: Ufafanuzi, Aina, & Matumizi
Siyo siri kuwa biashara hukabiliana na changamoto katika kupata na kushiriki data ya ubora wa juu. Uzalishaji wa data ya syntetisk ni suluhisho la vitendo linalosaidia kutoa hifadhidata bandia kubwa na data ya majaribio ya ubora wa juu bila hatari za faragha au utepe nyekundu.
Seti za data za syntetisk zinaweza kuundwa kwa kutumia mbinu mbalimbali, kutoa matumizi mbalimbali. Zinapotathminiwa ipasavyo, hifadhidata za sanisi zinazozalishwa kwa kutumia algoriti za hali ya juu husaidia mashirika kuharakisha uchanganuzi, utafiti na majaribio yao. Basi hebu tuangalie kwa karibu.
Makala haya yanakuletea data ya sanisi, ikiwa ni pamoja na aina kuu, tofauti kutoka kwa seti za data zisizojulikana, na nuances ya udhibiti. Utajifunza jinsi data iliyotengenezwa kwa njia ghushi hutatua matatizo muhimu ya data na kupunguza hatari fulani. Pia tutajadili maombi yake katika sekta zote, ikiambatana na mifano kutoka kwa masomo yetu ya kifani.
Orodha ya Yaliyomo
Data ya syntetisk: ufafanuzi na takwimu za soko
Takwimu za bandia ni maelezo yaliyotolewa kiholela yasiyo na maudhui ya siri, na hutumika kama mbadala wa seti halisi za data. Wanasayansi wa data mara nyingi huita Data ya sintetiki inayozalishwa na AI data ya syntetisk kwa sababu ya usahihi wake wa juu wa takwimu katika kuiga data halisi.
Seti za data Bandia huundwa kwa kutumia algoriti za akili bandia (AI) na uigaji ambao hudumisha ruwaza na uwiano wa data asili. Data hii inaweza kujumuisha maandishi, majedwali na picha. Algorithms hubadilisha maelezo ya mtu binafsi (PII) na data ya kejeli.
Utabiri wa Utafiti wa Grand View kwamba soko la utengenezaji wa data ya syntetisk na Generative AI itakua kutoka $1.63 bilioni mwaka 2022 hadi karibu $13.5 bilioni ifikapo 2030 kwa CAGR ya 35%. Kulingana na Gartner, 60% ya data iliyotumiwa kwa AI mnamo 2024 itakuwa ya syntetisk - hiyo ni mara 60 zaidi ya mwaka wa 2021.
Majukwaa ya data ya usanifu yanaongezeka pia. Market Statesville inatarajia soko la kimataifa la jukwaa la data sintetiki kukua kutoka $218 milioni mwaka 2022 hadi $3.7 bilioni ifikapo 2033.
Kwa nini data ya bandia inaongezeka? Sababu moja ya kuendesha gari ni uhuru kutoka kwa uangalizi wa udhibiti.
Je, sheria za faragha hudhibiti data ya syntetisk inayozalishwa na AI?
Marekani na EU nyingi usalama wa data na faragha kanuni zinatumika kwa data ya kibinafsi inayotambulika.
Lakini kanuni hizo hazitumiki data ya syntetisk - data ya syntetisk inachukuliwa sawa na data isiyojulikana. Wanaunda kile kinachoitwa "msingi" wa sheria zingine za kisheria.
Kwa mfano, risala 26 ya GDPR inasema kuwa sheria za ulinzi wa faragha zinatumika tu kwa data inayohusiana na mtu anayetambulika. Ikiwa data yako ya sanisi imetolewa hivi kwamba haiwezi kufuatiliwa hadi kwa watu binafsi wanaotambulika, haitahusishwa na uangalizi wa udhibiti. Uangalizi wa udhibiti kando, kuna vikwazo vingine vya kutumia data halisi ambayo huendesha biashara kuzalisha data ya syntetisk.
Changamoto kuu za kutumia data halisi
Kampuni nyingi zina wakati mgumu kutafuta na kutumia data inayofaa, yenye ubora wa juu, haswa katika viwango vya kutosha kwa mafunzo ya algorithm ya AI. Hata wanapoipata, kushiriki au kutumia hifadhidata kunaweza kuwa changamoto kutokana na hatari za faragha na masuala ya uoanifu. Sehemu hii inaelezea ufunguo changamoto data sintetiki inaweza kutatua.
Hatari za faragha huzuia matumizi na kushiriki data
Kanuni za usalama wa data na faragha, kama vile GDPR na HIPAA, huanzisha vikwazo vya ukiritimba katika kushiriki na kutumia data. Katika tasnia kama vile huduma ya afya, hata kushiriki PII kati ya idara ndani ya shirika moja kunaweza kuchukua muda kwa sababu ya ukaguzi wa usimamizi. Kushiriki data na mashirika ya nje ni changamoto zaidi na hubeba hatari zaidi za usalama.
Utafiti kutoka Ufahamu wa Biashara Bahati hubainisha kuongezeka kwa hatari za faragha kama kichocheo kikuu cha kutumia mazoea ya data sanisi. Kadiri unavyohifadhi data nyingi, ndivyo unavyojihatarisha zaidi kuhatarisha faragha. Kulingana na Gharama ya Usalama ya IBM ya 2023 ya Ripoti ya Uvunjaji wa Data, wastani wa gharama ya uvunjaji data nchini Marekani ilikuwa dola milioni 9.48. Ulimwenguni pote, wastani wa gharama ulikuwa dola milioni 4.45; makampuni yenye wafanyakazi chini ya 500 hupoteza dola milioni 3.31 kwa ukiukaji. Na hiyo haizingatii uharibifu wa sifa.
Ugumu wa kupata data ya ubora wa juu
Uchunguzi wa 2022 ya wataalamu 500 wa data walifichua kuwa 77% ya wahandisi, wachambuzi, na wanasayansi wa data walikabili masuala ya ubora wa data. Kulingana na ripoti hiyo, ubora wa data huzuia utendaji wa kifedha wa kampuni na tija na hufanya kufikia mtazamo wa jumla wa huduma zake kuwa vigumu kufikiwa.
Huenda kampuni zikakosa data ya kutosha kutoka kwa demografia mahususi ili kutoa mafunzo kwa miundo yao ya ujifunzaji wa mashine (ML) ipasavyo. Na seti za data mara nyingi huwa na kutofautiana, usahihi na thamani zinazokosekana. Ikiwa utafunza majukwaa yako ya AI na mifano ya kujifunza mashine juu ya data ya ubora wa chini isiyo na utofauti wa idadi ya watu, itafanya ubashiri usio sahihi, wenye upendeleo. Vile vile, kama vile uundaji wa data usiojulikana, algoriti ambazo hazijaboreshwa zinaweza kutoa seti za data zisizotegemewa zinazoathiri matokeo ya uchanganuzi wa data.
Kusasisha data sanisi kunaweza kuongeza ubora wa data kwa kushughulikia usawa katika hifadhidata. Hii inahakikisha kuwa madarasa ambayo hayawakilishwi sana yanapata uwakilishi sawia zaidi na kupunguza upendeleo. Seti thabiti zaidi na wakilishi ya data hutoa matokeo bora ya uchanganuzi na mafunzo ya mfano.
Kutopatana kwa seti ya data
Seti za data zilizopatikana kutoka asili mbalimbali au ndani ya hifadhidata za jedwali nyingi zinaweza kuanzisha kutopatana, na hivyo kusababisha matatizo katika kuchakata na kuchanganua data na kuzuia uvumbuzi.
Kwa mfano, ujumlishaji wa data katika huduma ya afya unahusisha rekodi za afya za kielektroniki (EHRs), vifaa vya kuvaliwa, programu za umiliki na zana za watu wengine. Kila chanzo kinaweza kutumia miundo tofauti ya data na mifumo ya taarifa, hivyo basi kusababisha tofauti katika miundo, miundo au vitengo vya data wakati wa kuunganishwa. Utumiaji wa data sanisi unaweza kushughulikia changamoto hii, kuhakikisha utangamano na kuruhusu kuzalisha data katika muundo unaotaka.
Kuficha utambulisho haitoshi
Mbinu za kutokutambulisha hazitoshi kushinda hatari za faragha au matatizo ya ubora wa data. Aidha, kuficha uso au kuondoa vitambulishi kunaweza kuondoa maelezo yanayohitajika kwa uchanganuzi wa kina katika hifadhidata kubwa.
Kando na hilo, data isiyojulikana inaweza kutambuliwa tena na kufuatiliwa hadi kwa watu binafsi. Waigizaji hasidi wanaweza kutumia uchanganuzi wa hali ya juu ili kugundua ruwaza kulingana na wakati ambazo zinahatarisha kutokujulikana kwa data inayoonekana kutotambuliwa. Data ya syntetisk ni bora kuliko data isiyojulikana katika suala hilo.
Tofauti kutokujulikana, data ya syntetisk haibadilishi hifadhidata zilizopo lakini hutoa data mpya ambayo inafanana na sifa na muundo wa takwimu ghafi, kuhifadhi matumizi yake. Ni mkusanyiko mpya kabisa wa data usio na taarifa zinazoweza kumtambulisha mtu binafsi.
Lakini ni nuanced zaidi kuliko hiyo. Kuna aina kadhaa za njia za kutengeneza data za syntetisk.
Aina za utengenezaji wa data ya syntetisk
Uundaji wa data ya syntetisk michakato hutofautiana kulingana na aina ya data inayohitajika. Aina za data za syntetisk zinajumuisha data kamili inayozalishwa na AI, kulingana na sheria na dhihaka - kila inakidhi hitaji tofauti.
Data ya syntetisk inayozalishwa kikamilifu na AI
Aina hii ya data ya syntetisk imejengwa kutoka mwanzo kwa kutumia algoriti za ML. The modeli ya kujifunza mashine treni juu data halisi ili kupata maelezo kuhusu muundo, muundo na uhusiano wa data. AI ya Kuzalisha basi hutumia maarifa haya kutoa data mpya ambayo inafanana kwa karibu na sifa za takwimu za asili (tena, huku zikifanya isitambulike).
Aina hii ya data ya syntetisk kikamilifu ni muhimu kwa mafunzo ya kielelezo cha AI na ni nzuri ya kutosha kutumika kana kwamba ni data halisi. Inanufaisha hasa wakati huwezi kushiriki hifadhidata zako kwa sababu ya makubaliano ya faragha ya kimkataba. Hata hivyo, ili kuzalisha data ya syntetisk, unahitaji kiasi kikubwa cha data asili kama mahali pa kuanzia modeli ya kujifunza mashine mafunzo.
Data ya dhihaka ya syntetisk
hii data ya syntetisk type inarejelea data iliyoundwa ghushi ambayo inaiga muundo na umbizo la data halisi lakini haiakisi taarifa halisi. Husaidia wasanidi programu kuhakikisha kuwa programu zao zinaweza kushughulikia pembejeo na matukio mbalimbali bila kutumia halisi, faragha au data nyeti na, muhimu zaidi, bila kutegemea data ya ulimwengu halisi. Zoezi hili ni muhimu kwa kupima utendakazi na kuboresha programu za programu kwa njia iliyodhibitiwa na salama.
Wakati wa kuitumia: Kubadilisha vitambulishi vya moja kwa moja (PII) au wakati huna data kwa sasa na unapendelea kutowekeza wakati na nishati katika kufafanua sheria. Wasanidi programu kwa kawaida hutumia data ya dhihaka ili kutathmini utendakazi na mwonekano wa programu katika hatua za mwanzo za usanidi, hivyo kuziruhusu kutambua matatizo yanayoweza kutokea au dosari za muundo.
Ingawa data ya kejeli inakosa uhalisi wa taarifa za ulimwengu halisi, inasalia kuwa zana muhimu ya kuhakikisha utendakazi sahihi wa mifumo na uwakilishi wa kuona kabla ya ujumuishaji halisi wa data.
Kumbuka: Data ya dhihaka ya syntetisk mara nyingi hujulikana kama 'data bandia,' ingawa hatupendekezi kutumia maneno haya kwa kubadilishana kwani yanaweza kutofautiana katika maana.
Data ya syntetisk kulingana na sheria
Data ya syntetisk kulingana na sheria ni zana muhimu ya kutengeneza seti za data zilizobinafsishwa kulingana na sheria, vikwazo na mantiki iliyofafanuliwa awali. Mbinu hii hutoa unyumbulifu kwa kuruhusu watumiaji kusanidi matokeo ya data kulingana na mahitaji mahususi ya biashara, kurekebisha vigezo kama vile thamani za chini zaidi, za juu zaidi na za wastani. Kinyume na data kamili inayozalishwa na AI, ambayo haina ubinafsishaji, data ya syntetisk inayotegemea sheria hutoa suluhisho iliyoundwa ili kukidhi mahitaji tofauti ya kiutendaji. Hii mchakato wa kutengeneza data ya syntetisk huthibitisha kuwa muhimu hasa katika majaribio, uundaji na uchanganuzi, ambapo uundaji wa data sahihi na unaodhibitiwa ni muhimu.
Kila mbinu ya kutengeneza data sintetiki ina matumizi tofauti. Jukwaa la Syntho linajitokeza kwa kuunda mapacha ya data ya sintetiki bila juhudi yoyote kwa upande wako. Unapata usahihi wa takwimu, data ya syntetisk ya ubora wa juu kwa mahitaji yako ambayo hayana utiifu wa ziada.
Data ya sintetiki ya jedwali
mrefu data ya sintetiki ya jedwali inahusu kuunda data bandia seti ndogo zinazoiga muundo na sifa za takwimu za ulimwengu halisi data ya tabular, kama vile data iliyohifadhiwa katika majedwali au lahajedwali. Hii data ya syntetisk imeundwa kwa kutumia algorithms ya kutengeneza data ya syntetisk na mbinu iliyoundwa ili kuiga sifa za data chanzo huku akihakikisha kuwa siri au data nyeti haijafichuliwa.
Mbinu za kuzalisha tabular data ya syntetisk kawaida huhusisha uundaji wa takwimu, mifano ya kujifunza mashine, au miundo zalishaji kama vile mitandao generative adversarial (GANs) na visimbaji kiotomatiki tofauti (VAEs). Haya zana za kutengeneza data sintetiki kuchambua ruwaza, usambazaji, na uunganisho uliopo kwenye faili ya seti halisi ya data na kisha kuzalisha mpya vidokezo vya data Kwamba inafanana kwa karibu na data halisi lakini hazina habari yoyote ya kweli.
Jedwali la kawaida kesi za matumizi ya data ya syntetisk ni pamoja na kushughulikia masuala ya faragha, kuongeza upatikanaji wa data, na kuwezesha utafiti na uvumbuzi katika programu zinazoendeshwa na data. Walakini, ni muhimu kuhakikisha kuwa data ya syntetisk hunasa kwa usahihi ruwaza na usambazaji wa data asili ili kudumisha matumizi ya data na uhalali wa kazi za mkondo wa chini.
Programu maarufu za data ya syntetisk
Data inayozalishwa kwa njia isiyo ya kweli hufungua uwezekano wa uvumbuzi kwa huduma za afya, rejareja, utengenezaji, fedha na tasnia zingine. Msingi kutumia kesi ni pamoja na kuongeza data, uchanganuzi, majaribio na kushiriki.
Uboreshaji ili kuboresha hifadhidata
Kuongeza data kunamaanisha kutoa seti kubwa zaidi za data kutoka kwa ndogo kwa kuongeza na kugawanya. Mbinu hii inatumika wakati data halisi ni chache, haijasawazishwa, au haijakamilika.
Fikiria mifano michache. Kwa taasisi za fedha, wasanidi programu wanaweza kuboresha usahihi wa miundo ya kugundua ulaghai kwa kuinua uchunguzi na mifumo adimu ya shughuli katika data ya fedha. Vile vile, wakala wa uuzaji anaweza kuwa sampuli ya kuongeza data inayohusiana na vikundi visivyo na uwakilishi, na kuimarisha usahihi wa sehemu.
Uchanganuzi wa hali ya juu na data inayozalishwa na AI
Makampuni yanaweza kutumia data ya syntetisk ya ubora wa juu inayozalishwa na AI kwa muundo wa data, uchanganuzi wa biashara na utafiti wa kimatibabu. Inakusanya data inathibitisha kuwa njia mbadala inayofaa wakati kupata hifadhidata halisi ni ghali sana au kunatumia wakati.
Takwimu za bandia huwapa watafiti uwezo wa kufanya uchanganuzi wa kina bila kuathiri usiri wa mgonjwa. Wanasayansi wa data na watafiti hupata ufikiaji wa data ya mgonjwa, maelezo kuhusu hali ya kiafya, na maelezo ya matibabu, kupata maarifa ambayo yangechukua muda mwingi na data halisi. Zaidi ya hayo, watengenezaji wanaweza kushiriki data na wasambazaji kwa uhuru, ikijumuisha GPS iliyodanganywa na data ya eneo ili kuunda algoriti za majaribio ya utendakazi au kuboresha matengenezo ya ubashiri.
Hata hivyo, tathmini ya data ya syntetisk ni muhimu. Matokeo ya Injini ya Syntho yanathibitishwa na timu ya ndani ya uhakikisho wa ubora na wataalam wa nje kutoka Taasisi ya SAS. Katika utafiti wa modeli za ubashiri, tulifunza wanne mifano ya kujifunza mashine kwenye data halisi, isiyojulikana, na ya sintetiki. Matokeo yalionyesha kuwa miundo iliyofunzwa kwenye mkusanyiko wetu wa data sanisi ilikuwa na kiwango sawa cha usahihi na ile iliyofunzwa kwenye seti halisi za data, huku data isiyojulikana ilipunguza matumizi ya miundo.
Ushiriki wa data wa nje na wa ndani
Data ya syntetisk hurahisisha ushiriki wa data ndani na katika mashirika yote. Unaweza tumia data ya syntetisk kwa kubadilishana habari bila kuhatarisha ukiukaji wa faragha au kutofuata kanuni. Manufaa ya data sanisi ni pamoja na matokeo ya utafiti yaliyoharakishwa na ushirikiano mzuri zaidi.
Makampuni ya rejareja yanaweza kushiriki maarifa na wasambazaji au wasambazaji kwa kutumia data sanisi inayoakisi tabia ya wateja, viwango vya orodha au vipimo vingine muhimu. Hata hivyo, ili kuhakikisha kiwango cha juu cha faragha ya data, data nyeti ya mteja, na siri za shirika huwekwa kwa siri.
Syntho alishinda 2023 Global SAS Hackathon kwa uwezo wetu wa kuzalisha na kushiriki adata sahihi ya syntetisk kwa ufanisi na bila hatari. Tulikusanya data ya wagonjwa kwa hospitali nyingi zilizo na idadi tofauti ya wagonjwa ili kuonyesha ufanisi wa mifano ya ubashiri. Kutumia mkusanyiko wa data sanisi kulionyeshwa kuwa sahihi sawa na kutumia data halisi.
Data ya jaribio la syntetisk
Data ya jaribio la syntetisk ni data iliyoundwa kwa njia isiyo ya kweli iliyoundwa kuiga mtihani wa data mazingira kwa ajili ya maendeleo ya programu. Mbali na kupunguza hatari za faragha, data ya majaribio ya sintetiki huwezesha wasanidi programu kutathmini kwa uthabiti utendakazi, usalama na utendakazi wa programu katika anuwai ya matukio yanayoweza kutokea bila kuathiri mfumo halisi.
Ushirikiano wetu na moja ya benki kubwa zaidi za Uholanzi showcases faida za data ya syntetisk kwa majaribio ya programu. Uzalishaji wa data ya majaribio kwa kutumia Injini ya Syntho ilisababisha mkusanyiko wa data kama wa uzalishaji ambao ulisaidia benki kuharakisha uundaji wa programu na ugunduzi wa hitilafu, na kusababisha utoaji wa programu kwa haraka na salama zaidi.
Mbinu za kuzalisha tabular data ya syntetisk kawaida huhusisha uundaji wa takwimu, mifano ya kujifunza mashine, au miundo zalishaji kama vile mitandao generative adversarial (GANs) na visimbaji kiotomatiki tofauti (VAEs). Haya zana za kutengeneza data sintetiki kuchambua ruwaza, usambazaji, na uunganisho uliopo kwenye faili ya seti halisi ya data na kisha kuzalisha mpya vidokezo vya data Kwamba inafanana kwa karibu na data halisi lakini hazina habari yoyote ya kweli.
Jedwali la kawaida kesi za matumizi ya data ya syntetisk ni pamoja na kushughulikia masuala ya faragha, kuongeza upatikanaji wa data, na kuwezesha utafiti na uvumbuzi katika programu zinazoendeshwa na data. Walakini, ni muhimu kuhakikisha kuwa data ya syntetisk hunasa kwa usahihi ruwaza na usambazaji wa data asili ili kudumisha matumizi ya data na uhalali wa kazi za mkondo wa chini.
Jukwaa la synthetic la kuunda data la Syntho
Syntho hutoa jukwaa mahiri la kutengeneza data ya syntetisk, kuwezesha mashirika kubadilisha data kwa busara kuwa makali ya ushindani. Kwa kutoa mbinu zote za kutengeneza data katika jukwaa moja, Syntho inatoa suluhisho la kina kwa mashirika yanayolenga kutumia data inayoshughulikia:
- Data ya sintetiki inayozalishwa na AI ambayo huiga ruwaza za takwimu za data asilia katika data sanisi kwa uwezo wa akili bandia.
- Utambulisho mahiri kulinda data nyeti kwa kuondoa au kurekebisha taarifa zinazoweza kumtambulisha mtu binafsi (PII).
- Test data management ambayo inawezesha uundaji, matengenezo na udhibiti wa data wakilishi ya majaribio kwa mazingira yasiyo ya uzalishaji.
Majukwaa yetu huunganishwa katika mazingira yoyote ya wingu au kwenye majengo. Zaidi ya hayo, tunatunza upangaji na upelekaji. Timu yetu itafundisha wafanyikazi wako kutumia Injini ya Syntho kwa ufanisi, na tutatoa usaidizi endelevu baada ya kupelekwa.
Unaweza kusoma zaidi juu ya uwezo wa Syntho's data ya syntetisk jukwaa la kizazi katika Sehemu ya suluhisho kwenye wavuti yetu.
Je, kuna nini katika siku zijazo kwa data ya sintetiki?
Uzalishaji wa data ya syntetisk na AI generative husaidia kuunda na kushiriki viwango vya juu vya data husika, kukwepa masuala ya uoanifu wa umbizo, vikwazo vya udhibiti na hatari ya ukiukaji wa data.
Tofauti na kutokujulikana, kuzalisha data ya syntetisk inaruhusu kuhifadhi uhusiano wa kimuundo katika data. Hii inafanya data ya syntetisk kufaa kwa uchanganuzi wa hali ya juu, utafiti na ukuzaji, mseto, na majaribio.
Utumiaji wa hifadhidata za sanisi utapanuka tu katika tasnia zote. Kampuni ziko tayari kuunda data ya syntetisk, kupanua wigo wake kwa picha changamano, sauti, na maudhui ya video. Makampuni yatapanua matumizi ya mifano ya kujifunza mashine kwa masimulizi ya hali ya juu zaidi na maombi.
Je! unataka kujifunza matumizi ya vitendo zaidi ya data ya syntetisk? Jisikie huru panga onyesho liwashwe yetu tovuti.
Kuhusu Syntho
Syntho hutoa smart utengenezaji wa data ya syntetisk jukwaa, leveraging aina nyingi za data za syntetisk na mbinu za uzalishaji, kuwezesha mashirika kubadilisha data kwa akili kuwa makali ya ushindani. Data yetu ya syntetisk inayozalishwa na AI inaiga mifumo ya takwimu ya data halisi, kuhakikisha usahihi, faragha na kasi, kama ilivyotathminiwa na wataalamu wa nje kama SAS. Kwa vipengele mahiri vya uondoaji utambulisho na upangaji ramani thabiti, maelezo nyeti yanalindwa huku yakihifadhi uadilifu wa marejeleo. Mfumo wetu huwezesha uundaji, usimamizi na udhibiti wa data ya majaribio kwa mazingira yasiyo ya uzalishaji, kwa kutumia kanuni njia za kutengeneza data za syntetisk kwa matukio yaliyolengwa. Kwa kuongeza, watumiaji wanaweza kuzalisha data synthetic kwa utaratibu na upate data ya kweli ya mtihani kuendeleza majaribio ya kina na matukio ya maendeleo kwa urahisi.
kuhusu mwandishi
Wim Kees Janssen
Mkurugenzi Mtendaji na mwanzilishi
Syntho, kiwango-juu ambacho kinatatiza tasnia ya data na data ya syntetisk inayozalishwa na AI. Wim Kees amethibitisha kupitia Syntho kwamba anaweza kufungua data nyeti kwa faragha ili kufanya data kuwa nadhifu na kupatikana kwa haraka zaidi ili mashirika yatambue uvumbuzi unaoendeshwa na data. Kama matokeo, Wim Kees na Syntho walishinda Tuzo ya Uvumbuzi ya Philips, walishinda tuzo ya kimataifa ya SAS katika huduma ya afya na sayansi ya maisha, na amechaguliwa kama kiongozi wa uzalishaji wa AI Scale-Up na NVIDIA.