一文讀懂什么是合成數(shù)據(jù)？

　　如今，數(shù)據(jù)正在大規(guī)模地產(chǎn)生，為機(jī)器學(xué)習(xí)提供了絕佳的機(jī)會(huì)。然而，對(duì)于數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)實(shí)踐者來(lái)說(shuō)，這些數(shù)據(jù)的很大一部分仍然是超界的。嚴(yán)格的隱私管理、高昂的成本、長(zhǎng)時(shí)間的處理都阻礙了數(shù)據(jù)的分析。

　　因此，Gartner預(yù)估85%的AI項(xiàng)目都將失敗，這就是合成數(shù)據(jù)的好處所在。

　　合成數(shù)據(jù)是在詳細(xì)的算法和仿真的幫助下系統(tǒng)生成的人工數(shù)據(jù)。它是完全匿名的數(shù)據(jù)，是真實(shí)數(shù)據(jù)的絕佳替代品，因?yàn)樗�允許組織創(chuàng)建按需培訓(xùn)數(shù)據(jù)，無(wú)論他們想要多大的規(guī)模。

　　什么是合成數(shù)據(jù)？

　　人工智能算法人工創(chuàng)建合成數(shù)據(jù)，但它是在真實(shí)數(shù)據(jù)集上訓(xùn)練的，具有與原始數(shù)據(jù)相同的屬性。由于合成數(shù)據(jù)與實(shí)際數(shù)據(jù)沒(méi)有一對(duì)一的關(guān)聯(lián)，因此重新識(shí)別的機(jī)會(huì)更少。

　　因此，數(shù)據(jù)科學(xué)家可以自信地復(fù)制和使用數(shù)據(jù)進(jìn)行測(cè)試和建模，而不會(huì)有暴露個(gè)人身份信息的風(fēng)險(xiǎn)，也不會(huì)與監(jiān)管機(jī)構(gòu)發(fā)生沖突。

　　如何生成合成數(shù)據(jù)？

　　有幾種方法可以生成合成數(shù)據(jù)。更簡(jiǎn)單的選擇包括蒙特卡洛模擬和從分布集中繪制數(shù)字，但如果數(shù)據(jù)集很復(fù)雜，通常首選生成模型。

　　生成模型是基于神經(jīng)網(wǎng)絡(luò)的，它可以自動(dòng)從現(xiàn)實(shí)數(shù)據(jù)中找到的模式中學(xué)習(xí)，并產(chǎn)生與現(xiàn)實(shí)數(shù)據(jù)精確匹配的信息。生成對(duì)抗網(wǎng)絡(luò)(GANs)和變分自編碼器(VAEs)是兩種常見(jiàn)的生成模型架構(gòu)。

　　在GAN模型中，兩個(gè)神經(jīng)網(wǎng)絡(luò)模型(稱為生成器和鑒別器)在一個(gè)零和游戲中競(jìng)爭(zhēng)，其中一個(gè)網(wǎng)絡(luò)的收益就是另一個(gè)網(wǎng)絡(luò)的損失。另一方面，變分自編碼器是工作在編碼器-解碼器概念上的無(wú)監(jiān)督模型。

　　什么工具有助于合成數(shù)據(jù)的生成？

　　下面是可以用來(lái)創(chuàng)建合成數(shù)據(jù)的工具示例：

　　Datagen是一個(gè)合成數(shù)據(jù)集解決方案，提供逼真的數(shù)據(jù)集，可用于物聯(lián)網(wǎng)(IoT)、機(jī)器人和增強(qiáng)現(xiàn)實(shí)(AR)。

　　Scikit-learn構(gòu)建于Matplotlib、NumPy和SciPy之上，是一個(gè)開源的Python庫(kù)，提供了生成合成數(shù)據(jù)集的工具。

　　Pydgben是一個(gè)Python庫(kù)，它可以創(chuàng)建常見(jiàn)的條目，如姓名、工作、信用卡號(hào)碼、電子郵件地址等。

　　并行域是一個(gè)合成數(shù)據(jù)平臺(tái)，產(chǎn)生高質(zhì)量的傳感器數(shù)據(jù)，以改善ML模型和計(jì)算機(jī)視覺(jué)工作流程。

　　使用合成數(shù)據(jù)的好處

　　在構(gòu)建機(jī)器學(xué)習(xí)模型時(shí)，合成數(shù)據(jù)比其他類型的數(shù)據(jù)更具可擴(kuò)展性、更容易使用、更具有成本效益。

　　可伸縮性。ML模型消耗大量數(shù)據(jù)。為了訓(xùn)練和測(cè)試的目的，根本不可能獲得如此大量的有關(guān)數(shù)據(jù)。借助合成數(shù)據(jù)工具，數(shù)據(jù)科學(xué)家可以創(chuàng)建任意數(shù)量的數(shù)據(jù)副本，以構(gòu)建高質(zhì)量的AI/ML模型。

　　易用性。在處理真實(shí)數(shù)據(jù)時(shí)，保護(hù)個(gè)人信息、消除不準(zhǔn)確信息和有效地處理不同格式的數(shù)據(jù)至關(guān)重要。合成數(shù)據(jù)處理起來(lái)要容易得多，因?yàn)樗�掩蓋了私人信息、消除了錯(cuò)誤，并標(biāo)準(zhǔn)化了格式，以更直觀地進(jìn)行標(biāo)記。

　　具有成本效益。獲取真實(shí)的培訓(xùn)數(shù)據(jù)可能會(huì)讓企業(yè)花費(fèi)大量資金。此外，手動(dòng)標(biāo)記它們是耗時(shí)的。有了合成數(shù)據(jù)生成工具，這一過(guò)程被簡(jiǎn)化，并證明是一個(gè)更經(jīng)濟(jì)和更快的過(guò)程。

　　使用合成數(shù)據(jù)的挑戰(zhàn)

　　合成數(shù)據(jù)提供了一些好處，但它也有一定的局限性。例如，一個(gè)顯著的缺點(diǎn)是，有效地使用合成數(shù)據(jù)需要高技能的分析師，他們知道如何使用復(fù)雜的數(shù)據(jù)生成器工具。這通常是困難的，因?yàn)樵诰蜆I(yè)市場(chǎng)上缺乏合格的人工智能工人。

　　此外，合成數(shù)據(jù)只與原始數(shù)據(jù)一樣好，而真實(shí)數(shù)據(jù)往往充滿偏見(jiàn)。因此，當(dāng)神經(jīng)網(wǎng)絡(luò)在有偏差的歷史數(shù)據(jù)上訓(xùn)練時(shí)，它們反映了相同的偏差。這通常會(huì)導(dǎo)致機(jī)器學(xué)習(xí)模型的輸出不準(zhǔn)確。

　　合成數(shù)據(jù)的用例

　　合成數(shù)據(jù)最突出的兩個(gè)應(yīng)用案例是自動(dòng)駕駛汽車和醫(yī)療保健。

　　自動(dòng)駕駛。到目前為止，自動(dòng)駕駛汽車是合成數(shù)據(jù)的最佳用例。汽車制造商必須考慮數(shù)以百萬(wàn)計(jì)的場(chǎng)景，并收集相應(yīng)的數(shù)據(jù)，以制造安全的汽車。這在現(xiàn)實(shí)中是不可能實(shí)現(xiàn)的，但通過(guò)合成數(shù)據(jù)，組織可以生成任何可以想象的駕駛場(chǎng)景的數(shù)百萬(wàn)甚至數(shù)十億種排列，從而達(dá)成安全駕駛解決方案。

　　醫(yī)療保健。醫(yī)療保健是一個(gè)高度監(jiān)管的行業(yè)，有嚴(yán)格的法律管理患者數(shù)據(jù)的使用。由于合成數(shù)據(jù)是完全匿名的，不存在重新識(shí)別的風(fēng)險(xiǎn)，醫(yī)療機(jī)構(gòu)可以輕松地使用它進(jìn)行科學(xué)研究、臨床試驗(yàn)和訓(xùn)練醫(yī)療行業(yè)的ML模型。

　　合成數(shù)據(jù)的未來(lái)

　　合成數(shù)據(jù)生成是創(chuàng)建具有成本效益和高度可伸縮數(shù)據(jù)的革命性方法。隨著人們對(duì)合成數(shù)據(jù)及其各種好處的認(rèn)識(shí)越來(lái)越多，越來(lái)越多的企業(yè)將挖掘其潛力以獲得好處。

　　此外，隨著隱私法的收緊，企業(yè)將別無(wú)選擇，只能求助于合成數(shù)據(jù)。因此，它將繼續(xù)受到歡迎，直到它完全成為主流。