Synthetic Data क्या है?

डेटा साइंस और मशीन लर्निंग में इस्तेमाल होने वाला synthetic data, कृत्रिम रूप से जेनरेट किए गए डेटा को संदर्भित करता है, जो शोधकर्ताओं और डेवलपर्स को वास्तविक दुनिया के डेटा की गोपनीयता या सुरक्षा जोखिम में डाले बिना एल्गोरिदम का परीक्षण और सुधार करने की अनुमति देता है।

Synthetic Data की व्याख्या

Synthetic data मूलतः एल्गोरिदमिक तरीके से बनाया गया कृत्रिम डेटा होता है। इसे इस तरह डिज़ाइन किया जाता है कि यह वास्तविक दुनिया के डेटा की विशेषताओं की नकल करे, लेकिन इसमें कोई वास्तविक जानकारी न हो। डेटा साइंस और मशीन लर्निंग में व्यापक रूप से उपयोग होने वाला synthetic data एल्गोरिदम को इस तरह परीक्षण और बेहतर बनाने में सक्षम बनाता है कि वास्तविक डेटा की गोपनीयता या सुरक्षा से समझौता न हो। इसे मौजूदा डेटासेट्स को बढ़ाने के लिए भी इस्तेमाल किया जा सकता है, खासकर तब जब मूल डेटा सीमित हो या पक्षपाती हो।

Synthetic data का निर्माण सांख्यिकीय विधियों, मशीन लर्निंग, या दोनों के संयोजन का उपयोग करके किया जाता है ताकि ऐसा डेटा जेनरेट हो जो मूल डेटा में पाई जाने वाली संरचना और पैटर्न का प्रतिबिंब हो। उदाहरण के लिए, Generative Adversarial Networks (GANs), जो मशीन लर्निंग फ़्रेमवर्क्स का एक वर्ग है जिसमें दो न्यूरल नेटवर्क एक-दूसरे से प्रतिस्पर्धा करते हैं, अक्सर उपयोग किए जाते हैं। GANs में एक नेटवर्क, जेनरेटर, synthetic डेटा नमूने बनाता है, जबकि दूसरा, डिसक्रिमिनेटर, उनकी प्रामाणिकता का मूल्यांकन करता है। इस प्रक्रिया से जेनरेटर धीरे-धीरे अधिक यथार्थपरक डेटा बनाना सीखता है।

ऐसे कई वाणिज्यिक टूल भी हैं जिनका उपयोग synthetic data बनाने के लिए किया जा सकता है, जैसे MOSTLY AI और Hazy।

वास्तविक दुनिया में Synthetic Data के उपयोग

Synthetic data के निम्नलिखित क्षेत्रों में उपयोग मिलते हैं:

• स्वायत्त वाहन। Waymo और Tesla जैसी कंपनियाँ अपने स्वचालित ड्राइविंग एल्गोरिदम को प्रशिक्षित करने के लिए synthetic data का उपयोग करती हैं। वे आभासी वातावरण बनाती हैं जो वास्तविक परिदृश्यों की नकल करते हैं, जिससे एल्गोरिदम विभिन्न स्थितियों में बिना वास्तविक परीक्षण के जोखिम के, प्रतिक्रिया करना सीखते हैं।
• स्वास्थ्य सेवा। शोध उद्देश्यों के लिए स्वास्थ्य रिकॉर्ड बनाने में synthetic data का उपयोग होता है। इससे शोधकर्ता ऐसे डेटा के साथ काम कर सकते हैं जो वास्तविक रोगी डेटा के सांख्यिकीय गुण बनाए रखता है, पर रोगी की गोपनीयता से समझौता नहीं करता। उदाहरण के लिए, synthetic data का उपयोग अंगों या ऊतकों की यथार्थपरक छवियाँ बनाने में किया जा सकता है, जिन्हें एल्गोरिदम को पैटर्न पहचानने और वास्तविक रोगी छवियों में असामान्यताओं का पता लगाने के लिए प्रशिक्षित करने में प्रयोग किया जा सकता है। इससे निदान और उपचार योजना अधिक सटीक और कुशल बनती है, और बड़ी मात्रा में वास्तविक रोगी डेटा की आवश्यकता कम होती है। संवेदनशील जानकारी को संसाधित करना सीखने के लिए Python या R के साथ डेटा गोपनीयता और अनामीकरण का कोर्स करें।
• वित्त। Synthetic data का उपयोग वित्तीय बाजारों का सिमुलेशन करने के लिए किया जाता है, जिससे वास्तविक बाजार डेटा की आवश्यकता के बिना ट्रेडिंग रणनीतियों और जोखिम मॉडलों का परीक्षण संभव होता है। उदाहरण के लिए, क्रेडिट जोखिम मॉडलिंग में synthetic data का उपयोग उधारकर्ताओं की विशेषताओं और क्रेडिट व्यवहार का सिमुलेशन करने के लिए किया जा सकता है, जिससे ऋणदाता अपने क्रेडिट जोखिम मॉडलों का परीक्षण और सुधार कर सकें बिना संवेदनशील ग्राहक जानकारी उजागर किए। यह क्रेडिट स्कोरिंग की सटीकता बढ़ाने और डिफ़ॉल्ट के जोखिम को कम करने में मदद कर सकता है।
• मशीन लर्निंग। मशीन लर्निंग मॉडलों के प्रदर्शन और सटीकता को सामान्य रूप से बेहतर करने का एक तरीका synthetic data का उपयोग है। यह असंतुलित डेटा जैसी समस्याओं का समाधान करने और मौजूदा डेटासेट्स में पक्षपात को कम करने में मदद कर सकता है।

Synthetic Data की सीमाएँ क्या हैं?

फायदों के बावजूद, synthetic data की कुछ सीमाएँ भी हैं:

• गुणवत्ता। Synthetic data की गुणवत्ता उसे बनाने के लिए उपयोग किए गए एल्गोरिदम पर निर्भर करती है। यदि एल्गोरिदम वास्तविक दुनिया के डेटा के अंतर्निहित वितरण को सटीक रूप से कैप्चर नहीं करते, तो synthetic data प्रतिनिधि नहीं हो सकता।
• पक्षपात। Synthetic data कुछ मान्यताओं, एल्गोरिदम, या मॉडलों के आधार पर जेनरेट होता है। यदि ये आधारभूत मान्यताएँ पक्षपाती हैं या वास्तविक दुनिया के परिदृश्यों को सटीक रूप से नहीं दर्शातीं, तो synthetic data वे पक्षपात अपना सकता है। पक्षपाती synthetic data से विकृत या गलत मॉडल या भविष्यवाणियाँ हो सकती हैं।
• दुर्लभ घटनाओं को कैप्चर करने में अक्षमता। वास्तविक डेटा में मौजूद दुर्लभ घटनाएँ या अपवाद synthetic data में पर्याप्त रूप से कैप्चर नहीं हो पाते। अत्यंत दुर्लभ घटनाओं या अपवादों का सटीक प्रतिनिधित्व करने वाला synthetic data बनाना चुनौतीपूर्ण है। यह सीमा ऐसे मॉडलों के प्रदर्शन को प्रभावित कर सकती है जो केवल synthetic data पर प्रशिक्षित हैं और इन अपवाद मामलों को संभालना पड़ता है।
• जटिलता। उच्च-गुणवत्ता वाला synthetic data बनाना एक जटिल प्रक्रिया हो सकती है, जिसके लिए उन्नत मशीन लर्निंग तकनीकों का ज्ञान और पर्याप्त कंप्यूटेशनल संसाधन आवश्यक होते हैं।

प्रोजेक्ट्स के लिए Synthetic Data का उपयोग

Gartner का अनुमान है कि 2024 तक, मशीन लर्निंग और विश्लेषणात्मक अनुप्रयोगों के निर्माण में उपयोग होने वाले 60% डेटा कृत्रिम रूप से जेनरेट किए जाएँगे। यह रुझान वास्तविक दुनिया के डेटा को एकत्रित और साफ करने की उच्च लागत और दुर्लभता के कारण है।

उदाहरण के लिए, बैंक धोखाधड़ी, स्तन कैंसर, स्वचालित वाहन, और मैलवेयर हमलों से संबंधित डेटा वास्तविक दुनिया में मिलना कठिन है। और यदि डेटा मिल भी जाए, तो उसे मशीन लर्निंग कार्यों में उपयोग के लिए साफ़ करने और संसाधित करने में काफी समय और संसाधन लग सकते हैं।

इसके अलावा, मैं डेटाबेस और विभिन्न अनुप्रयोगों के परीक्षण के लिए नमूना डेटासेट बनाने हेतु faker Python लाइब्रेरी का उपयोग करता/करती हूँ। हालाँकि, यह मशीन लर्निंग अनुप्रयोगों के लिए उपयोगी नहीं है क्योंकि यह सीमित पूल से डेटा जेनरेट करती है। मशीन लर्निंग के लिए, मैं synthetic टैबुलर डेटा जेनरेट करने के लिए Conditional GANs का उपयोग करता/करती हूँ। इससे मॉडल के प्रदर्शन और स्थिरता में सुधार हुआ है।

यदि आप किसी विशिष्ट मशीन लर्निंग समस्या से निपट रहे हैं, तो आपको अपनी विशेष आवश्यकताओं को पूरा करने के लिए synthetic data जेनरेशन तकनीकों का पता लगाने की आवश्यकता पड़ सकती है। ऐसा इसलिए क्योंकि Kaggle और Accuriqin के पुराने डेटा अनुकूलनीय नहीं होते।

क्या आप AI और मशीन लर्निंग के बारे में और जानना चाहते हैं? निम्न संसाधन देखें:

• Understanding machine learning पाठ्यक्रम
• Understanding AI पाठ्यक्रम
• Learn ChatGPT पाठ्यक्रम
• मशीन लर्निंग क्या है?
• Generative Adversarial Networks (GANs) ट्यूटोरियल