Dữ liệu tổng hợp đề cập đến dữ liệu được tạo ra một cách giả tạo thay vì được thu thập từ các nguồn trong thế giới thực. Nói chung, trong khi dữ liệu gốc được thu thập trong tất cả các tương tác của bạn với mọi người (khách hàng, bệnh nhân, v.v.) và thông qua tất cả các quy trình nội bộ của bạn, dữ liệu tổng hợp được tạo bởi thuật toán máy tính.

Dữ liệu tổng hợp cũng có thể được sử dụng để kiểm tra và đánh giá các mô hình trong môi trường được kiểm soát hoặc để bảo vệ thông tin nhạy cảm bằng cách tạo dữ liệu tương tự như dữ liệu trong thế giới thực nhưng không chứa bất kỳ thông tin nhạy cảm nào. Dữ liệu tổng hợp thường được sử dụng thay thế cho dữ liệu nhạy cảm về quyền riêng tư và có thể được sử dụng làm dữ liệu thử nghiệm, để phân tích hoặc để đào tạo máy học.

Tìm hiểu thêm

Việc đảm bảo rằng dữ liệu tổng hợp giữ chất lượng dữ liệu giống như dữ liệu gốc có thể là một thách thức và thường phụ thuộc vào trường hợp sử dụng cụ thể và các phương pháp được sử dụng để tạo dữ liệu tổng hợp. Một số phương pháp tạo dữ liệu tổng hợp, chẳng hạn như mô hình tổng hợp, có thể tạo ra dữ liệu rất giống với dữ liệu gốc. Câu hỏi chính: làm thế nào để chứng minh điều này?

Có một số cách để đảm bảo chất lượng của dữ liệu tổng hợp:

• Số liệu chất lượng dữ liệu thông qua báo cáo chất lượng dữ liệu của chúng tôi: Một cách để đảm bảo rằng dữ liệu tổng hợp giữ chất lượng dữ liệu giống như dữ liệu gốc là sử dụng chỉ số chất lượng dữ liệu để so sánh dữ liệu tổng hợp với dữ liệu gốc. Các số liệu này có thể được sử dụng để đo lường những thứ như độ tương tự, độ chính xác và tính đầy đủ của dữ liệu. Phần mềm Syntho bao gồm một báo cáo chất lượng dữ liệu với các số liệu chất lượng dữ liệu khác nhau.
• Đánh giá bên ngoài: vì chất lượng dữ liệu của dữ liệu tổng hợp so với dữ liệu gốc là yếu tố then chốt nên gần đây chúng tôi đã thực hiện đánh giá với các chuyên gia dữ liệu của SAS (dẫn đầu thị trường về phân tích) để chứng minh chất lượng dữ liệu của dữ liệu tổng hợp của Syntho so với dữ liệu thực. Edwin van Unen, chuyên gia phân tích từ SAS, đã đánh giá các bộ dữ liệu tổng hợp được tạo từ Syntho thông qua các đánh giá phân tích (AI) khác nhau và chia sẻ kết quả. Xem một đoạn tóm tắt ngắn về video đó tại đây.
• Tự kiểm tra và đánh giá: dữ liệu tổng hợp có thể được kiểm tra và đánh giá bằng cách so sánh dữ liệu đó với dữ liệu trong thế giới thực hoặc bằng cách sử dụng dữ liệu đó để đào tạo các mô hình máy học và so sánh hiệu suất của chúng với các mô hình được đào tạo trên dữ liệu trong thế giới thực. Tại sao không tự mình kiểm tra chất lượng dữ liệu của dữ liệu tổng hợp? Hãy hỏi các chuyên gia của chúng tôi về các khả năng của việc này tại đây. 

Điều quan trọng cần lưu ý là dữ liệu tổng hợp không bao giờ có thể đảm bảo giống 100% với dữ liệu gốc, nhưng nó có thể đủ gần để hữu ích cho một trường hợp sử dụng cụ thể. Trường hợp sử dụng cụ thể này thậm chí có thể là các mô hình học máy hoặc phân tích nâng cao.

'Ẩn danh' cổ điển không phải lúc nào cũng là giải pháp tốt nhất, bởi vì:

1. Rủi ro về quyền riêng tư - bạn sẽ luôn có
   một rủi ro riêng tư. Áp dụng những
   kỹ thuật ẩn danh cổ điển
   làm cho nó chỉ khó khăn hơn, nhưng không
   không thể xác định cá nhân.
2. Phá hủy dữ liệu – bạn càng nhiều
   ẩn danh, bạn càng bảo vệ tốt hơn
   quyền riêng tư của bạn, nhưng bạn càng
   phá hủy dữ liệu của bạn. Đây không phải là những gì
   bạn muốn phân tích, bởi vì
   dữ liệu bị phá hủy sẽ dẫn đến xấu
   những hiểu biết sâu sắc.
3. Mất thời gian - đó là một giải pháp
   mất rất nhiều thời gian, bởi vì
   những kỹ thuật đó hoạt động khác nhau
   mỗi tập dữ liệu và mỗi kiểu dữ liệu.

Dữ liệu tổng hợp nhằm mục đích giải quyết tất cả những bất cập này. Sự khác biệt nổi bật đến mức chúng tôi đã làm một video về nó. Xem nó ở đây.