Verilerin üstün olduğu makine öğrenimi alanında, etkili model geliştirmeyi ve test etmeyi sürdürmek, veri erişimi ile güvenlik kısıtlamaları arasındaki dengeyi kurmayı gerektirir. Bunun farkına varan Capital One, Sentetik Veri olarak adlandırılan öncü bir açık kaynak projesini gün ışığına çıkarmak için harekete geçti.
Capital One'ın lider makine öğrenimi mühendisi ve ortak katkıda bulunan Taylor Turner tarafından tasarlanan Sentetik Veri, asırlık güvenli veri paylaşımı ve işleme sorununa yeni bir çözüm sunuyor. Araç, 'gerçek' veya kişisel olarak tanımlanabilir verilere olan ihtiyacı ortadan kaldırarak yapay veriler üretir ve böylece fikir oluşturma ve hipotez test etme süreçlerini hızlandırır.
Sentetik Veriler, şeması ve istatistiksel özellikleri açısından orijinal verileri temsil ederken gizliliği garanti eder ve derin öğrenme modellerinde olduğu gibi karmaşık, doğrusal olmayan veri kümelerinin gerekli olduğu yerlerde özellikle faydalı olmasını sağlar.
Capital One'da kıdemli bir makine öğrenimi mühendisi ve araştırmacı olan Brian Barr tarafından açıklandığı gibi, Sentetik Veriler, model tarafından verilen istatistiksel özellikleri (örneğin, girdilerin marjinal dağılımı, girdilerin korelasyonu ve girdileri çıktılarla eşleştiren analitik bir ifade) alarak çalışır. , daha sonra istenen veri kümesini oluşturur.
Barr, bu çerçevenin sunduğu yaratıcı özgürlüğün etkileyici olduğunu, basitlik ile sanatsal şekillendirilebilirliği dengeleyerek onu makine öğreniminde ezber bozan bir hale getirdiğini belirtti.
Ancak bu, sentetik veri kavramının gündeme getirildiği ilk sefer değil. Barr'ın işaret ettiği gibi, 80'lerdeki önceki girişimler, popüler Python makine öğrenimi kütüphanesi scikit-learn'de işlevselliklerin geliştirilmesine yol açmıştı. Ancak doğrusal olmayan ilişkilerle derin öğrenmenin ön plana çıkmasıyla bu fonksiyonların kısıtlayıcı ve yetersiz olduğu görüldü.
Bu çığır açan proje, Capital One'ın makine öğrenimi araştırma programının verimli iniş alanlarından ortaya çıktı. Makine öğreniminin yöntemlerini, uygulamalarını ve tekniklerini yükseltmeyi, bankacılığı daha erişilebilir ve güvenli hale getirmeyi amaçlıyor. Barr'ın 'Tablo Verilerde Temel Gerçeğin Açıklanabilirliğine Doğru' başlıklı araştırma makalesi, Sentetik Veriler için yaratıcı çekirdek görevi gördü.
Dahası, Sentetik Veriler, Capital One'ın büyük veri izleme ve hassas bilgi tespitine yönelik açık kaynaklı makine öğrenimi kitaplığı olan Data Profiler ile uyumlu olduğunu kanıtlıyor. Veri Profilcisi, veri kümesini temsil edecek istatistikleri sağlayarak sentetik veri oluşturmanın temelini oluşturur.
Turner, araştırmayı yönlendirme ve açık kaynak araçlarını geliştirme taahhüdümüzün bir parçası olarak, veri profili oluşturma ile bu içgörüleri toplulukla paylaşan sentetik veriler arasındaki kesişimleri daha derinlemesine araştırmaktan heyecan duyduğumuzu belirtti.
Yazılım geliştirmeyi kolaylaştırma ve teknik borcu ortadan kaldırma konusunda aynı doğrultuda AppMaster gibi diğer platformlar da büyük değer sunuyor. Kullanıcı dostu arayüzü ve sağlam kapasitesiyle AppMaster, tek geliştiricilerin bile kapsamlı ve ölçeklenebilir yazılım çözümleri oluşturmasına olanak tanır.
