Mundarija[Yashirish][Show]
Ilg'or tahlil va mashinani o'rganish dasturlari ma'lumotlar bilan ta'minlanadi, ammo maxfiylik va biznes tartib-qoidalari bilan bog'liq muammolar tufayli akademiklar uchun ushbu ma'lumotlarga kirish qiyin bo'lishi mumkin.
Haqiqiy ma'lumotlardan foydalana olmaydigan tarzda almashish va foydalanish mumkin bo'lgan sintetik ma'lumotlar potentsial yangi yo'nalishdir. Biroq, bu yangi strategiya xavf va kamchiliklardan xoli emas, shuning uchun korxonalar o'z resurslarini qayerda va qanday ishlatishlarini diqqat bilan ko'rib chiqishlari juda muhimdir.
Hozirgi sun'iy intellekt davrida biz ma'lumotlar yangi moy ekanligini ham aytishimiz mumkin, ammo faqat bir nechta tanlanganlar suv oqimida o'tirishadi. Shu sababli, ko'p odamlar o'zlari yoqilg'i ishlab chiqaradilar, bu ham arzon, ham samarali. U sintetik ma'lumotlar sifatida tanilgan.
Ushbu postda biz sintetik ma'lumotlarni batafsil ko'rib chiqamiz - nima uchun siz uni ishlatishingiz kerak, uni qanday ishlab chiqarish kerak, uni haqiqiy ma'lumotlardan nimasi bilan farq qiladi, qanday foydalanish holatlari xizmat qilishi mumkin va boshqalar.
Xo'sh, sintetik ma'lumotlar nima?
Haqiqiy ma'lumotlar to'plamlari sifati, soni yoki xilma-xilligi nuqtai nazaridan etarli bo'lmasa, sintetik ma'lumotlardan haqiqiy tarixiy ma'lumotlar o'rniga AI modellarini o'qitish uchun foydalanish mumkin.
Mavjud ma'lumotlar biznes talablariga javob bermasa yoki ishlab chiqishda foydalanilganda maxfiylik xavfi mavjud bo'lsa kompyuterni o'rganish modellar, sinov dasturlari yoki shunga o'xshash sintetik ma'lumotlar korporativ AI harakatlari uchun muhim vosita bo'lishi mumkin.
Oddiy qilib aytganda, sintetik ma'lumotlar ko'pincha haqiqiy ma'lumotlar o'rniga ishlatiladi. Aniqrog'i, bu simulyatsiyalar yoki kompyuter algoritmlari orqali sun'iy ravishda teglangan va ishlab chiqarilgan ma'lumotlardir.
Sintetik ma'lumotlar - bu haqiqiy hodisalar natijasida emas, balki sun'iy ravishda kompyuter dasturi tomonidan yaratilgan ma'lumotlar. Kompaniyalar barcha foydalanish va cheklov holatlarini qamrab olish, ma'lumotlarni yig'ish xarajatlarini kamaytirish yoki maxfiylik qoidalarini qondirish uchun o'zlarining ta'lim ma'lumotlariga sintetik ma'lumotlarni qo'shishlari mumkin.
Sun'iy ma'lumotlarga qayta ishlash quvvati va bulut kabi ma'lumotlarni saqlash usullarining yaxshilanishi tufayli har qachongidan ham foydalanish mumkin. Sintetik ma'lumotlar barcha oxirgi foydalanuvchilar uchun foydaliroq bo'lgan AI echimlarini yaratishni yaxshilaydi va bu, shubhasiz, yaxshi rivojlanishdir.
Sintetik ma'lumotlar qanchalik muhim va nima uchun undan foydalanish kerak?
AI modellarini o'rgatishda ishlab chiquvchilar tez-tez aniq yorliqli katta ma'lumotlar to'plamiga muhtoj bo'ladi. Turli xil ma'lumotlar bilan o'qitilganda, neyron tarmoqlari aniqroq bajaring.
Yuzlab yoki hatto millionlab narsalarni o'z ichiga olgan bu katta ma'lumotlar to'plamini to'plash va etiketlash asossiz vaqt va pul talab qilishi mumkin. Sintetik ma'lumotlardan foydalanish orqali o'quv ma'lumotlarini ishlab chiqarish narxini sezilarli darajada kamaytirish mumkin. Misol uchun, agar sun'iy ravishda yaratilgan bo'lsa, a.dan sotib olinganda $5 turadigan o'quv tasviri ma'lumotlarni yorliqlash provayderi atigi $0.05 turadi.
Sintetik ma'lumotlar haqiqiy dunyodan yaratilgan potentsial nozik ma'lumotlar bilan bog'liq maxfiylik tashvishlarini engillashtirishi va xarajatlarni kamaytirishi mumkin.
Haqiqiy dunyo haqidagi faktlarning to'liq spektrini aniq aks ettira olmaydigan haqiqiy ma'lumotlar bilan taqqoslaganda, bu noto'g'ri fikrni kamaytirishga yordam berishi mumkin. Ma'qul bo'lgan imkoniyatlarni ifodalovchi, lekin qonuniy ma'lumotlardan olish qiyin bo'lishi mumkin bo'lgan noodatiy hodisalarni taqdim etish orqali sintetik ma'lumotlar ko'proq xilma-xillikni taklif qilishi mumkin.
Sintetik ma'lumotlar quyida sanab o'tilgan sabablarga ko'ra loyihangizga juda mos kelishi mumkin:
1. Modelning mustahkamligi
Uni sotib olmasdan, modellaringiz uchun turli xil ma'lumotlarga kiring. Sintetik ma'lumotlar bilan siz o'zingizning modelingizni turli xil soch turmagi, yuz sochlari, ko'zoynaklar, bosh pozalari va boshqalar bilan bir xil odamning variantlari, shuningdek terining ohangi, etnik xususiyatlari, suyak tuzilishi, sepkillari va boshqa xususiyatlardan foydalanib o'rgatishingiz mumkin. yuzlar va uni mustahkamlaydi.
2. Kenar holatlar hisobga olinadi
Balanslangan Ma'lumotlar to'plami mashinani o'rganish orqali afzal ko'riladi algoritmlar. Yuzni tanib olish misolimizga qayting. Ularning modellarining aniqligi yaxshilangan bo'lar edi (va aslida, bu korxonalarning ba'zilari buni qildilar) va ular ma'lumotlar bo'shliqlarini to'ldirish uchun quyuqroq yuzlarning sintetik ma'lumotlarini ishlab chiqarganlarida, yanada axloqiy model ishlab chiqargan bo'lar edi. Jamoalar sintetik ma'lumotlar yordamida barcha foydalanish holatlarini, shu jumladan ma'lumotlar kam yoki mavjud bo'lmagan holatlarni qamrab olishi mumkin.
3. Uni "haqiqiy" ma'lumotlarga qaraganda tezroq olish mumkin
Jamoalar tezda katta hajmdagi sintetik ma'lumotlarni yaratishga qodir. Bu, ayniqsa, haqiqiy hayot ma'lumotlari tasodifiy hodisalarga bog'liq bo'lsa foydalidir. Jamoalar o'z-o'zidan boshqariladigan avtomobil uchun ma'lumotlarni yig'ishda og'ir yo'l sharoitlari haqida yetarlicha real ma'lumotlarni olish qiyin bo'lishi mumkin, masalan, ularning kamdan-kam uchraydiganligi sababli. Mashaqqatli izohlash jarayonini tezlashtirish uchun ma'lumotlar olimlari sintetik ma'lumotlarni yaratilganda avtomatik ravishda etiketlash uchun algoritmlarni qo'yishlari mumkin.
4. U foydalanuvchining shaxsiy ma'lumotlarini himoya qiladi
Kompaniyalar biznes va ma'lumotlar turiga qarab, maxfiy ma'lumotlar bilan ishlashda xavfsizlik bilan bog'liq qiyinchiliklarga duch kelishi mumkin. Masalan, shaxsiy salomatlik to'g'risidagi ma'lumotlar (PHI), sog'liqni saqlash sohasidagi statsionar ma'lumotlarga tez-tez kiritiladi va maksimal xavfsizlik bilan ishlov berilishi kerak.
Sintetik ma'lumotlar haqiqiy odamlar haqidagi ma'lumotlarni o'z ichiga olmaydi, chunki maxfiylik bilan bog'liq muammolar kamayadi. Agar sizning jamoangiz ma'lumotlar maxfiyligi bo'yicha ma'lum qonunlarga rioya qilishi kerak bo'lsa, sintetik ma'lumotlardan alternativa sifatida foydalanishni o'ylab ko'ring.
Haqiqiy ma'lumotlar va sintetik ma'lumotlar
Haqiqiy dunyoda haqiqiy ma'lumotlar olinadi yoki o'lchanadi. Kimdir smartfon, noutbuk yoki kompyuterdan foydalansa, qo'l soatini taqib olsa, veb-saytga kirsa yoki onlayn tranzaksiyani amalga oshirsa, bu turdagi ma'lumotlar bir zumda hosil bo'ladi.
Bundan tashqari, so'rovlar haqiqiy ma'lumotlarni taqdim etish uchun ishlatilishi mumkin (onlayn va oflayn). Raqamli sozlamalar sintetik ma'lumotlarni ishlab chiqaradi. Haqiqiy dunyo voqealaridan kelib chiqmagan qismdan tashqari, sintetik ma'lumotlar asosiy sifatlari bo'yicha haqiqiy ma'lumotlarni muvaffaqiyatli taqlid qiladigan tarzda yaratiladi.
Sintetik ma'lumotlardan haqiqiy ma'lumotlar o'rnini bosuvchi sifatida foydalanish g'oyasi juda istiqbolli, chunki ulardan foydalanish mumkin. Mashinani o'rganadigan o'quv ma'lumotlari modellar talab qiladi. Lekin bu aniq emas sun'iy intellekt haqiqiy dunyoda yuzaga keladigan har qanday muammoni hal qila oladi.
Vaziyatlardan foydalaning
Sintetik ma'lumotlar turli xil tijorat maqsadlarida, jumladan, modelni o'qitish, modelni tekshirish va yangi mahsulotlarni sinovdan o'tkazish uchun foydalidir. Biz uni mashinani o'rganishda qo'llashda etakchilik qilgan bir nechta sektorlarni sanab o'tamiz:
1. Sog'liqni saqlash
Ma'lumotlarning sezgirligini hisobga olgan holda, sog'liqni saqlash sohasi sintetik ma'lumotlardan foydalanish uchun juda mos keladi. Sintetik ma'lumotlar guruhlar tomonidan mavjud bo'lishi mumkin bo'lgan har qanday bemorning fiziologiyasini qayd etish uchun ishlatilishi mumkin, bu esa kasalliklarni tezroq va aniqroq tashxislashda yordam beradi.
Google kompaniyasining melanomani aniqlash modeli buning hayratlanarli tasviridir, chunki u terining barcha turlari uchun samarali ishlashi uchun modelni ta'minlash uchun quyuqroq teriga ega odamlarning sintetik ma'lumotlarini (afsuski, kam ifodalangan klinik ma'lumotlar sohasi) o'z ichiga oladi.
2. Avtomobillar
Simulyatorlar tez-tez o'z-o'zidan boshqariladigan avtomobillarni yaratadigan kompaniyalar tomonidan ish faoliyatini baholash uchun ishlatiladi. Masalan, ob-havo og'ir bo'lsa, haqiqiy yo'l ma'lumotlarini yig'ish xavfli yoki qiyin bo'lishi mumkin.
Yo'llarda haqiqiy avtomobillar bilan jonli testlarga tayanish odatda yaxshi fikr emas, chunki har xil haydash holatlarida hisobga olinadigan o'zgaruvchilar juda ko'p.
3. Ma'lumotlarning ko'chishi
Ta'lim ma'lumotlarini boshqalar bilan baham ko'rish uchun tashkilotlar ishonchli va xavfsiz usullarni talab qiladi. Ma'lumotlar to'plamini ommaga oshkor qilishdan oldin shaxsni aniqlash mumkin bo'lgan ma'lumotlarni (PII) yashirish sintetik ma'lumotlar uchun yana bir qiziqarli dasturdir. Ilmiy tadqiqot ma'lumotlar to'plami, tibbiy ma'lumotlar, sotsiologik ma'lumotlar va PIIni o'z ichiga olishi mumkin bo'lgan boshqa sohalar bilan almashish maxfiylikni saqlaydigan sintetik ma'lumotlar deb ataladi.
4. xavfsizlik
Sintetik ma'lumotlar tufayli tashkilotlar xavfsizroq. Yuzni tanib olish misolimizga yana bir bor kelsak, siz uydirma fotosuratlar yoki videolarni tasvirlaydigan "chuqur soxtalar" iborasi bilan tanish bo'lishingiz mumkin. Chuqur soxta narsalar korxonalar tomonidan o'zlarining yuzni aniqlash va xavfsizlik tizimlarini sinab ko'rish uchun ishlab chiqarilishi mumkin. Sintetik ma'lumotlar, shuningdek, modellarni tezroq va arzonroq narxda tayyorlash uchun videokuzatuvda ham qo'llaniladi.
Sintetik ma'lumotlar va mashinani o'rganish
Qattiq va ishonchli modelni yaratish uchun mashinani o'rganish algoritmlari qayta ishlanishi kerak bo'lgan katta miqdordagi ma'lumotlarni talab qiladi. Sintetik ma'lumotlar bo'lmasa, bunday katta hajmdagi ma'lumotlarni ishlab chiqarish qiyin bo'ladi.
Kompyuterni ko'rish yoki tasvirni qayta ishlash kabi sohalarda, modellarni ishlab chiqish erta sintetik ma'lumotlarni ishlab chiqish orqali osonlashtirilsa, bu juda muhim bo'lishi mumkin. Rasmni aniqlash sohasidagi yangi ishlanma - bu Generative Adversarial Networks (GAN) dan foydalanish. Odatda ikkita tarmoqdan iborat: generator va diskriminator.
Diskriminator tarmog'i haqiqiy fotosuratlarni soxtalardan ajratishga qaratilgan bo'lsa-da, generator tarmog'i haqiqiy dunyo tasvirlariga sezilarli darajada o'xshash sintetik tasvirlarni ishlab chiqarish uchun ishlaydi.
Mashinani o'rganishda GANlar neyron tarmoqlar oilasining bir qismi bo'lib, u erda ikkala tarmoq ham yangi tugunlar va qatlamlarni qo'shish orqali doimiy ravishda o'rganadi va rivojlanadi.
Sintetik ma'lumotlarni yaratishda sizda modelning ish faoliyatini yaxshilash uchun kerak bo'lganda muhit va ma'lumotlar turini o'zgartirish imkoniyati mavjud. Sintetik ma'lumotlarning aniqligiga kuchli ball bilan osongina erishish mumkin bo'lsa-da, belgilangan real vaqtda ma'lumotlarning aniqligi vaqti-vaqti bilan juda qimmatga tushishi mumkin.
Sintetik ma'lumotlarni qanday yaratish mumkin?
Sintetik ma'lumotlar to'plamini yaratish uchun quyidagi usullar qo'llaniladi:
Statistik taqsimot asosida
Bu holatda qo'llaniladigan strategiya taqsimotdan raqamlarni olish yoki taqqoslanadigan ko'rinadigan noto'g'ri ma'lumotlarni yaratish uchun haqiqiy statistik taqsimotlarga qarashdir. Ba'zi hollarda haqiqiy ma'lumotlar butunlay yo'q bo'lishi mumkin.
Ma'lumot olimi, agar u haqiqiy ma'lumotlardagi statistik taqsimotni chuqur tushunsa, har qanday taqsimotning tasodifiy namunasini o'z ichiga olgan ma'lumotlar to'plamini yaratishi mumkin. Oddiy taqsimot, eksponensial taqsimot, chi-kvadrat taqsimoti, lognormal taqsimot va boshqalar buning uchun ishlatilishi mumkin bo'lgan statistik ehtimollik taqsimotlarining bir nechta misolidir.
Ma'lumotlar olimining vaziyat bo'yicha tajribasi darajasi o'qitilgan modelning aniqligiga sezilarli ta'sir qiladi.
Modelga qarab
Ushbu uslub tasodifiy ma'lumotlarni yaratish uchun ushbu modeldan foydalanishdan oldin kuzatilgan xatti-harakatlarni hisobga oladigan modelni yaratadi. Aslida, bu ma'lum taqsimotdan olingan ma'lumotlarga haqiqiy ma'lumotlarni moslashtirishni o'z ichiga oladi. Monte-Karlo yondashuvi keyinchalik korporatsiyalar tomonidan soxta ma'lumotlarni yaratish uchun ishlatilishi mumkin.
Bundan tashqari, tarqatishlar yordamida ham o'rnatilishi mumkin mashinani o'rganish modellari qaror daraxtlari kabi. Ma'lumot olimlari prognozga e'tibor berish kerak, chunki qaror daraxtlari oddiyligi va chuqurligi tufayli odatda haddan tashqari mos keladi.
Chuqur o'rganish bilan
Chuqur o'rganish Variational Autoencoder (VAE) yoki Generative Adversarial Network (GAN) modellaridan foydalanadigan modellar sintetik ma'lumotlarni yaratishning ikkita usuli hisoblanadi. Nazorat qilinmagan mashinani o'rganish modellariga VAE kiradi.
Ular asl ma'lumotlarni kichraytiruvchi va ixchamlashtiradigan kodlovchilardan va haqiqiy ma'lumotlarni taqdim etish uchun ushbu ma'lumotlarni sinchkovlik bilan tekshiradigan dekoderlardan iborat. Kirish va chiqish ma'lumotlarini iloji boricha bir xil saqlash VAE ning asosiy maqsadi hisoblanadi. Ikki qarama-qarshi neyron tarmoqlar GAN modellari va raqib tarmoqlardir.
Jeneratör tarmog'i deb nomlanuvchi birinchi tarmoq soxta ma'lumotlarni ishlab chiqarish uchun javobgardir. Diskriminator tarmog'i, ikkinchi tarmoq, ma'lumotlar to'plamining firibgarligini aniqlash uchun yaratilgan sintetik ma'lumotlarni haqiqiy ma'lumotlar bilan solishtirish orqali ishlaydi. Diskriminator soxta ma'lumotlar to'plamini aniqlaganida generatorni ogohlantiradi.
Diskriminatorga taqdim etilgan quyidagi ma'lumotlar to'plami keyinchalik generator tomonidan o'zgartiriladi. Natijada, diskriminator vaqt o'tishi bilan soxta ma'lumotlar to'plamini aniqlashda yaxshilanadi. Ushbu turdagi model ko'pincha moliyaviy sektorda firibgarlikni aniqlash uchun, shuningdek, tibbiy tasvirlash uchun sog'liqni saqlash sohasida qo'llaniladi.
Ma'lumotlarni ko'paytirish - bu ma'lumotlar olimlari ko'proq ma'lumot ishlab chiqarish uchun foydalanadigan boshqa usul. Biroq, soxta ma'lumotlar bilan adashmaslik kerak. Oddiy qilib aytganda, ma'lumotlarni ko'paytirish - bu allaqachon mavjud bo'lgan haqiqiy ma'lumotlar to'plamiga yangi ma'lumotlarni qo'shish harakati.
Masalan, orientatsiya, yorqinlik, kattalashtirish va boshqalarni sozlash orqali bitta tasvirdan bir nechta rasm yaratish. Ba'zan haqiqiy ma'lumotlar to'plamidan faqat shaxsiy ma'lumotlar qolgan holda foydalaniladi. Ma'lumotni anonimlashtirish - bu nima va bunday ma'lumotlar to'plami ham sintetik ma'lumotlar deb hisoblanmaydi.
Sintetik ma'lumotlarning qiyinchiliklari va cheklovlari
Sintetik ma'lumotlar firmalarga ma'lumotlar fanlari faoliyatida yordam beradigan turli xil afzalliklarga ega bo'lsa-da, u ma'lum cheklovlarga ham ega:
- Ma'lumotlarning ishonchliligi: Ma'lumki, har bir mashinani o'rganish/chuqur o'rganish modeli faqat ma'lumotlar bilan ta'minlanganidek yaxshi. Ushbu kontekstda sintetik ma'lumotlarning sifati kirish ma'lumotlarining sifati va ma'lumotlarni ishlab chiqarish uchun ishlatiladigan model bilan kuchli bog'liqdir. Manba ma'lumotlarida hech qanday noxolisliklar yo'qligiga ishonch hosil qilish juda muhim, chunki ular sintetik ma'lumotlarda juda aniq aks ettirilishi mumkin. Bundan tashqari, har qanday prognoz qilishdan oldin, ma'lumotlar sifati tasdiqlanishi va tekshirilishi kerak.
- Bilim, kuch va vaqt talab qiladi: Sintetik ma'lumotlarni yaratish haqiqiy ma'lumotlarni yaratishdan ko'ra soddaroq va arzonroq bo'lishi mumkin bo'lsa-da, u biroz bilim, vaqt va kuch talab qiladi.
- Anomaliyalarni takrorlash: Haqiqiy dunyo ma'lumotlarining mukammal nusxasi mumkin emas; sintetik ma'lumotlar faqat taxminiy bo'lishi mumkin. Shuning uchun, haqiqiy ma'lumotlarda mavjud bo'lgan ba'zi bir chegaralar sintetik ma'lumotlar bilan qoplanmasligi mumkin. Ma'lumotlar anomaliyalari odatiy ma'lumotlarga qaraganda muhimroqdir.
- Ishlab chiqarishni nazorat qilish va sifatini ta'minlash: Sintetik ma'lumotlar haqiqiy dunyo ma'lumotlarini takrorlash uchun mo'ljallangan. Ma'lumotlarni qo'lda tekshirish muhim bo'lib qoladi. Algoritmlardan foydalangan holda avtomatik ravishda yaratilgan murakkab ma'lumotlar to'plamlari uchun mashinani o'rganish/chuqur o'rganish modellariga kiritishdan oldin ma'lumotlarning to'g'riligini tekshirish juda muhimdir.
- Foydalanuvchining mulohazasi: Sintetik ma'lumotlar yangi kontseptsiya bo'lgani uchun hamma ham u bilan tuzilgan prognozlarga ishonishga tayyor emas. Bu shuni ko'rsatadiki, foydalanuvchilarning maqbulligini oshirish uchun birinchi navbatda sintetik ma'lumotlarning foydaliligi haqidagi bilimlarni oshirish kerak.
kelajak
O'tgan o'n yillikda sintetik ma'lumotlardan foydalanish keskin oshdi. Bu kompaniyalarning vaqtini va pulini tejashga yordam bergan bo'lsa-da, kamchiliklari ham yo'q emas. Unda haqiqiy ma'lumotlarda tabiiy ravishda yuzaga keladigan va ba'zi modellarda aniqlik uchun juda muhim bo'lgan chegaralar mavjud emas.
Shuni ham ta'kidlash joizki, sintetik ma'lumotlarning sifati ko'pincha yaratish uchun ishlatiladigan kirish ma'lumotlariga bog'liq; kirish ma'lumotlaridagi noaniqliklar sintetik ma'lumotlarga tez tarqalishi mumkin, shuning uchun boshlang'ich nuqta sifatida yuqori sifatli ma'lumotlarni tanlash ortiqcha baholanmasligi kerak.
Nihoyat, u qo'shimcha chiqish nazoratini talab qiladi, jumladan, tafovutlar kiritilmaganligini tekshirish uchun sintetik ma'lumotlarni inson tomonidan izohlangan haqiqiy ma'lumotlar bilan solishtirish. Ushbu to'siqlarga qaramay, sintetik ma'lumotlar istiqbolli soha bo'lib qolmoqda.
Bu haqiqiy ma'lumotlar mavjud bo'lmaganda ham yangi AI echimlarini yaratishga yordam beradi. Eng muhimi, bu korxonalarga ko'proq qamrab oluvchi va yakuniy iste'molchilarning xilma-xilligini ko'rsatadigan mahsulotlarni yaratishga imkon beradi.
Ma'lumotlarga asoslangan kelajakda sintetik ma'lumotlar ma'lumotlar olimlariga faqat haqiqiy ma'lumotlar bilan bajarish qiyin bo'lgan yangi va ijodiy vazifalarni bajarishda yordam berish niyatida.
Xulosa
Ba'zi hollarda sintetik ma'lumotlar korxona yoki tashkilot ichidagi ma'lumotlar tanqisligini yoki tegishli ma'lumotlarning etishmasligini engillashtirishi mumkin. Shuningdek, biz sintetik ma'lumotlarni yaratishda qaysi strategiyalar yordam berishi mumkinligini va undan kim foyda olishini ko'rib chiqdik.
Shuningdek, biz sintetik ma'lumotlar bilan ishlashda yuzaga keladigan ba'zi qiyinchiliklar haqida gapirdik. Tijorat qarorlarini qabul qilish uchun har doim haqiqiy ma'lumotlar afzal ko'riladi. Biroq, haqiqiy ma'lumotlar tahlil qilish uchun mavjud bo'lmaganda keyingi eng yaxshi variant hisoblanadi.
Ammo shuni esda tutish kerakki, sintetik ma'lumotlarni ishlab chiqarish uchun ma'lumotlarni modellashtirishni yaxshi biladigan ma'lumotlar olimlari talab qilinadi. Haqiqiy ma'lumotlar va uning atrofidagi narsalarni to'liq tushunish ham muhimdir. Bu, agar mavjud bo'lsa, ishlab chiqarilgan ma'lumotlarning iloji boricha aniqligiga ishonch hosil qilish uchun juda muhimdir.
Leave a Reply