15 Alat Pembuatan Data Sintetis Terbaik

Data sintetis, seperti namanya, adalah sesuatu yang dibuat secara artifisial oleh program AI.

Itu bisa apa saja mulai dari teks, gambar, suara, dan bahkan rekaman video.

Sekarang pertanyaan sebenarnya – Mengapa tidak menggunakan data nyata saja?

Alasannya adalah kurangnya kontrol atas data.

Amazon sendiri menghasilkan lebih dari 1000 petabyte data setiap hari. Banyak raksasa teknologi atau media sosial lainnya menghasilkan data pengguna dalam jumlah besar. Tetapi kendali atas data nyata ini hanya berada di bawah segelintir raksasa teknologi.

Perusahaan kecil atau startup, bagaimanapun, tidak memiliki akses ke kelimpahan tersebut. Dan oleh karena itu, data sintetis dapat menjadi peluang yang menguntungkan untuk melatih prototipe dan membuat model.

Selain itu, fakta bahwa digitalisasi telah membuka jalan bagi perusahaan untuk menangkap data kami guna melatih model ML mereka. Ini bukan masalah bagi kami selama mereka menggunakan data kami untuk menghasilkan pendapatan.

Namun masalah besar terjadi ketika peretas membobol suatu sistem dan dapat mengambil data sensitif.

Menggunakan teknik anonimisasi tradisional adalah masalah lain.

Teknik ini menggunakan nama samaran, pengocokan baris dan kolom, penggantian direktori, dan enkripsi.

Meskipun terlihat menjanjikan, studi menunjukkan bahwa identitas 80% pemegang kartu kredit dapat diidentifikasi kembali dari 3 transaksi terakhir dan 87% dari mereka berisiko jika tanggal lahir, jenis kelamin, dan kode pos mereka terungkap.

Untuk mengatasi masalah ini, perusahaan kini beralih ke alat pembuatan data sintetis. Meskipun mereka menawarkan cara alternatif untuk menangkap data dunia nyata, data yang diproses tetap tanpa kompromi.

Apa itu Pembuatan Data Sintetis?

Pembuatan data sintetis adalah proses matematis dan statistik yang dilakukan oleh model pembelajaran mesin yang dilatih menggunakan objek nyata, orang, dan lingkungan.

Namun, data keluaran tidak membawa data sensitif apa pun tetapi mempertahankan fitur perilaku data nyata.

Pembuatan data sintetis bukan hanya sebuah inovasi tetapi juga solusi untuk pemodelan data yang akurat, aman, dan hemat biaya.

Menurut Gartner, data sintetis akan membayangi data nyata pada tahun 2030. Terlebih lagi, dampaknya sudah terlihat di mana beberapa startup memanfaatkan inovasi ini.

Apa manfaat dari data sintetis?

• Pembuatan data sintetis adalah solusi yang aman, cepat, dan skalabel dibandingkan dengan alat anonimisasi tradisional.
• Ini menghemat waktu dan biaya dengan mengotomatisasi persiapan data secara manual dan biasa.
• Data dunia nyata sangat bias terhadap hasil atau kategori tertentu. Data sintetis menghilangkan perilaku miring tersebut dan memberikan pandangan yang beragam tentang kemungkinan.
• Ini memberikan kontrol penuh atas data di mana pengembang dapat menyesuaikan parameter untuk beradaptasi dengan keadaan yang berubah.
• Dengan bantuan data sintetis, peneliti dapat memodelkan skenario yang mungkin tidak ada yang dapat mendorong inovasi.
• Tanpa mengorbankan data sensitif, pemasar dapat membuat persona pelanggan yang menyerupai nyata Perjalanan pelanggan dan perilaku.
• Fitur penyeimbangan kembali dapat membantu mengurangi ketidakakuratan dan informasi yang hilang untuk menyediakan kumpulan data yang komprehensif dan berkualitas.
• Ini dapat memastikan keadilan data dengan distribusi data yang adil sambil mengikuti kebijakan privasi.
• Data sintetis dapat diterapkan ke hampir semua sektor – TI dan perangkat lunak, ritel, keuangan, pertahanan, perawatan kesehatan, pertanian, produksi pangan, konstruksi, permainan, dan banyak lagi.

Alat Terbaik untuk Menghasilkan Data Sintetis

Sekarang saya akan membagikan 15 platform terbaik untuk pembuatan data sintetis yang dapat mengurangi kesenjangan antara dunia nyata dan dunia simulasi.

1. Kabur

Hazy adalah startup pembuatan data sintetis yang berbasis di Inggris yang bertujuan untuk melatih data perbankan mentah untuk industri fintech. Pemodelan data Hazy memungkinkan pengembang meningkatkan alur kerja analitik sambil menghindari risiko penipuan yang tinggi seperti yang ditemukan saat mengumpulkan data pelanggan nyata.

Meskipun bank seharusnya menyediakan API untuk privasi dan transparansi data, mengerjakan data sintetis Hazy memberikan kelegaan karena menawarkan keamanan dan mematuhi kebijakan GDPR.

Sejumlah data kompleks dihasilkan selama layanan keuangan dan umumnya disimpan dalam silo di dalam perusahaan.

Namun, berbagi data keuangan riil di antara berbagai lini bisnis, terutama untuk tujuan penelitian, sangat dibatasi oleh hukum.

Ini juga mencegah perusahaan menciptakan aliran pendapatan baru sambil menjual wawasan pelanggan yang berharga. Oleh karena itu, Hazy memastikan perusahaan dapat memonetisasi data dengan menjual wawasan, bukan identitas.

Berbagi data merupakan bagian dari kebutuhan operasional lembaga perbankan.

Hal ini memungkinkan mereka untuk memahami perilaku pelanggan berdasarkan transaksi dan mensintesis sampel baru tanpa menyimpan data nyata atau bagian darinya. Tetapi setelah mensintesis data pelanggan di tangan, memetakannya kembali ke bentuk aslinya tidak mungkin.

Hazy juga memastikan untuk mengelola proses intensif sumber daya seperti itu dalam beberapa hari yang bisa memakan waktu berbulan-bulan.

2. Tampilan K2

Alat Pembuatan Data Sintetis K2View canggih dan akurat untuk membuat data sintetis yang realistis dan sesuai dalam skala besar.

Anda dapat menggunakannya untuk menyediakan data yang berguna untuk berbagai tujuan. Contohnya termasuk pengujian perangkat lunak dan pelatihan model pembelajaran mesin.

Penawaran utama K2View adalah Pendekatan Badan Usaha yang inovatif. Itu menjaga integritas referensial saat menghasilkan data sintetis. Untuk mencapai ini, mereka menggunakan cetak biru model data yang menunjukkan bagaimana entitas bisnis terhubung.

Data yang dihasilkan akurat dan konsisten di berbagai hal karena hal ini.

K2View menawarkan empat cara untuk menghasilkan data, yang dapat digabungkan untuk hasil yang lebih baik.

1. AI generatif yang memanfaatkan algoritme ML canggih untuk meniru distribusi dan pola data nyata, bahkan saat data asli jarang.
2. Pembuatan berbasis aturan yang ideal untuk menghasilkan data untuk fungsionalitas baru dan skenario pengujian negatif.
3. Kloning data, yang menyalin subkumpulan data produksi untuk pengujian kinerja.
4. Penyembunyian data, yang mengamankan data PII dengan menganonimkan atau mengenkripsinya.

3. Buat data

Diluncurkan pada tahun 2020, Datomize adalah salah satu perusahaan rintisan teratas dan alat pembuatan data sintetis yang sedang berkembang. Pemodelan AI/ML Datomize diarahkan untuk data pelanggan dari bank global.

Memiliki vendor yang memahami persyaratan teknis dan menghormati dewan pengawas adalah setengah dari perjuangan yang harus dimenangkan.

Dan Datomize benar-benar menonjol sebagai penghasil data buatan yang sukses, kolaborator pihak ketiga dalam pengujian, pengembangan, inovasi, serta monetisasi.

Dengan Datomize, Anda dapat dengan mudah terhubung ke server data perusahaan seperti PostgreSQL, MySQL, Oracle, dll… dan memproses struktur dan dependensi data yang kompleks dengan ratusan dan ribuan tabel.

Algoritme kemudian mengekstrak fitur perilaku dari data mentah dan membuat kembar data identik tetapi sama sekali tidak terkait dengan data asli.

Dengan integrasi API, kolaborasi cloud, simulasi data, dan fitur privasi, Datomize menyediakan solusi AI yang canggih.

Baru-baru ini, Datomize berhasil mendapatkan pendanaan awal senilai $6 juta untuk komersialisasi layanannya dan memungkinkan organisasi untuk meningkatkan layanan transformasi digital mereka.

4. tonik

Sering disebut "Perusahaan data palsu", Tonic.ai menawarkan cara sintesis data otomatis dan anonim untuk digunakan dalam pengujian dan pengembangan.

Platform ini juga menerapkan de-identifikasi basis data, yang berarti menyaring Data Identifikasi Pribadi (PII) dari data nyata dan melindungi privasi pelanggan.

Algoritme AI Tonic yang kuat mengkategorikan tabel yang berbeda di seluruh database dengan bantuan Generative Adversarial Network, atau model GAN.

Ini terdiri dari dua sub-model – Generator dan Diskriminator. Mereka bekerja melawan satu sama lain.

Generator mengambil data input nyata dan membuat contoh data yang serupa namun benar-benar baru. Diskriminator, yang dilatih dari generator pada data nyata dan sintetik, membedakan kedua data tersebut. Proses berlanjut selama diskriminator tidak dapat membedakan antara data asli dan palsu.

Platform ini mempertahankan perilaku dan ketergantungan dalam data dan memudahkan tim ilmu data untuk bekerja dengan data yang sama berharganya dengan menghapus jam kerja manual.

Baru-baru ini, Tonic telah meluncurkan Smart Linking Generator, yang memanfaatkan jaringan saraf untuk meniru kumpulan data kompleks yang memerlukan banyak kategorisasi.

5. KEBANYAKAN.AI

Mostly.AI adalah platform data sintetis berbasis di Wina yang melayani industri seperti asuransi, perbankan, dan telekomunikasi. Ini memungkinkan AI mutakhir dan privasi tingkat atas sambil mengekstraksi pola dan struktur dari data asli untuk menyiapkan kumpulan data yang sama sekali berbeda.

Mostly.AI secara ketat mematuhi undang-undang privasi GDPR dan mengklaim sebagai penghasil data sintetis pertama yang menerima sertifikasi SOC 2 Tipe 2. Artinya etika kerja perusahaan mengikuti keamanan, transparansi, dan kerahasiaan.

Platform ini memungkinkan pengguna untuk mengambil sampel data mentah dari awal sambil mempertimbangkan kemungkinan membuat data sintetis yang tidak memiliki hubungan langsung dengan mereka.

Tapi ini juga berarti tidak ada sistem dua arah di mana identifikasi ulang data yang disintesis dapat dibalik.

Tidak hanya sintesis data. Sebagian besar. Sistem pembelajaran mesin AI juga membuka jalan bagi para insinyur data untuk memvisualisasikan beberapa skenario serangan dan mengambil tindakan penghindaran risiko jika diperlukan.

Dilengkapi dengan pemodelan prediktif, analitik canggih, dan fitur deteksi penipuan, Mostly.AI adalah perangkat lunak andalan bagi bisnis yang mencari kinerja, kolaborasi , dan inovasi yang lancar.

6. Sogeti

Sogeti adalah anak perusahaan dari Capgemini Group dan solusi berbasis kognitif untuk pemrosesan dan sintesis data.

Ini menggunakan teknologi yang dibangun secara asli yang disebut Artificial Data Amplifier (ADA) yang dapat mempelajari dan memberi alasan tentang semua jenis data yang dimasukkan ke dalamnya, apakah itu dokumen terstruktur atau dokumen tidak terstruktur seperti tulisan tangan, foto, salinan pindaian, atau tabel.

ADA menggunakan metode pembelajaran mendalam yang dapat meniru kemampuan pengenalan seperti manusia dan membedakan Sogeti dari para pesaingnya.

Baik untuk ekstraksi data, sistem ADA dapat mengidentifikasi relevansi informasi yang akan diproses dan mengklasifikasikannya sesuai dengan kategorinya.

Setelah data sintetis dihasilkan, Sogeti mempertahankan karakteristik dan korelasi data yang secara statistik mirip dengan data asli tetapi tanpa identitas apa pun.

Dengan menerapkan sistem ADA, Sogeti telah muncul sebagai salah satu solusi berbasis ilmu data terbaik khusus untuk rekayasa, penelitian, jaminan kualitas, dan pengujian.

7. Disintesis

Synthesized.io adalah solusi dataOps AI all-in-one untuk penyediaan data, augmentasi, berbagi aman, dan kolaborasi.

Platform menghasilkan versi data asli serta beberapa skenario data uji yang mengidentifikasi nilai yang hilang dan informasi sensitif. Perusahaan memahami masalah ketidakseimbangan data seperti nilai yang hilang atau informasi yang bias mengenai pemodelan prediktif.

Oleh karena itu, platform menggunakan model generatif otomatis yang disebut Synthesized SDK yang membantu membentuk kembali data sesuai kebutuhan. Model dapat memastikan data relevan, bebas dari bias apa pun, dan tidak berisi informasi sensitif.

Selain itu, insinyur data juga dapat menganonimkan data untuk digunakan kembali.

Baru-baru ini, perusahaan merilis Synthesized SDK di Google Colab, yang menjadikannya platform yang ideal untuk memperoleh wawasan kritis dan bekerja sama di perpustakaan pembelajaran mendalam.

Platform ini memungkinkan tim R&D dan pelanggan perusahaan saling mengenal dan memungkinkan mereka mempelajari fitur yang diperlukan untuk membuat data sintetis kelas atas.

Selain itu, perusahaan juga meluncurkan pustaka Python open-source yang disebut FairLens yang bekerja dengan Synthesized SDK dan memungkinkan pengembang untuk mendapatkan wawasan data, menemukan bias, dan memastikan penggunaan data yang adil.

Beberapa perusahaan asuransi dan perbankan sekarang mempercayai SDK yang disintesis dan menjadikannya platform yang menuntut ilmuwan data untuk memberikan hasil yang lebih cepat dan lebih baik daripada teknik sintesis konvensional.  

8. Data Y

YData adalah perusahaan rintisan yang berbasis di Portugal yang membantu ilmuwan data untuk menyelesaikan masalah kualitas data yang buruk atau akses ke data pengguna yang besar menggunakan solusi AI yang dapat diskalakan.

Perusahaan menawarkan alat berpemilik dan kerangka kerja otomatis untuk memudahkan proses mengakses data, membuat profil, dan menghasilkan data sintetis sambil mengikuti persyaratan kepatuhan privasi dan perlindungan pengguna.

YData tidak hanya memberikan data sintesis berkualitas tinggi tetapi juga memastikan data tersebut bebas dari bias atau PII (Informasi Identifikasi Pribadi) apa pun.

Meskipun platform diluncurkan pada 2019, layanan mereka telah diadopsi oleh banyak organisasi seperti ritel, keuangan, perawatan kesehatan, telekomunikasi, dan bahkan utilitas publik seperti listrik atau pasokan air.

Saat melakukan pengujian seperti serangan inferensi, teknisi YData tetap bertanggung jawab atas risiko kebocoran identitas atau identifikasi ulang. Oleh karena itu, mereka menggunakan metode TSTR (Train Synthetic Test Real) yang mengevaluasi kemampuan data yang dihasilkan AI untuk digunakan untuk model prediksi pelatihan.

YData baru-baru ini menutup pendanaan awal senilai $2.7 juta untuk memperluas layanannya di seluruh dunia, sehingga memungkinkan para mitra untuk menggunakan kemampuan penghasilan datanya.

9. MDClone

Digitalisasi industri perawatan kesehatan telah menghasilkan banyak data pasien yang memungkinkan industri memanfaatkan informasi untuk perawatan yang dipersonalisasi.

Namun, untuk mengakses data klinis, peneliti harus bergantung pada mediator untuk mengakses data pasien. Namun, prosesnya lambat dan membatasi fleksibilitas dan aksesibilitas data. Privasi pasien juga menjadi perhatian utama.

Oleh karena itu, MDClone menawarkan pendekatan sistematis untuk mendemokratisasikan data perawatan kesehatan untuk penelitian, analitik, dan sintesis secara real-time tanpa melanggar data sensitif pasien.

Platform ilmu hayati yang berbasis di Israel ini menggunakan infrastruktur ADAMS (bertanya, menemukan, bertindak, mengukur, dan berbagi) untuk membantu pengguna mengatasi hambatan umum seperti ketersediaan data, inovasi, keamanan, dan mendorong peluang kemitraan baru.

MDClone telah mengambil langkah transformasional dalam menyediakan data pasien kloning namun anonim. Teknologi ini membantu membuat data sintetik berdasarkan karakteristik statistik nyata pasien tanpa memiliki pasien tersebut.

Dengan bantuan data pasien fiktif, penyedia layanan kesehatan dapat memiliki beragam informasi berdasarkan usia pasien, jenis kelamin, riwayat kesehatan, dll. Misalnya, mereka dapat mempelajari reaksi berbagai jenis obat yang diresepkan untuk penyakit tertentu yang dapat membantu mereka menemukan tindakan pengobatan yang lebih baik.

10. Fakta

Facteus adalah penghasil data sintetis berbasis fintech yang menangkap wawasan yang dapat ditindaklanjuti dari detail transaksi seperti transaksi kartu kredit dan debit tanpa mengorbankan detail sensitif pelanggan.

Platform ini menggunakan teknologi asli, Mimic dan Quantamatics untuk melakukan analitik, pengujian, pelatihan, dan berbagi cloud sambil mengikuti undang-undang peraturan dan privasi.

Teknologi sintesis data Mimic memungkinkan para insinyur mengakses data pengguna berkualitas tinggi, meningkatkan inovasi, dan menghasilkan sistem pendapatan baru.

Sementara Mimic membantu menghasilkan data sintetis, Quantamatics memungkinkan pengguna untuk mengisi bagian informasi yang hilang dan memprediksi kinerja di masa mendatang.

Facteus baru-baru ini menjalin kerja sama dengan Pacific Epoch , sebuah perusahaan riset investasi, untuk menawarkan data ringkas pengeluaran konsumen AS kepada investor di pasar Asia.

Kemitraan ini akan memberi investor wawasan pasar yang unik untuk memperkuat model investasi di seluruh Asia dan AS

Perusahaan juga bekerja sama dengan Jaringan Mitra Snowflake untuk memanfaatkan migrasi data, penggunaan alat analitik, dan kemampuan komputasi platform menggunakan layanan cloud Snowflake.

11. Apapun

Pemodelan persepsi adalah teknologi mutakhir dalam pembelajaran mesin. Anyverse menggunakan teknologi ini untuk membuat lingkungan 3D yang disimulasikan secara sintetis.

Ini semua tentang menangkap rekaman dunia nyata dan menghasilkan data khusus sensor yang perlu divalidasi, dilatih, dan diuji.

Anyverse merender dan mengonfigurasi skenario yang berbeda untuk data sampel dengan bantuan mesin ray-tracing. Teknologi menghitung interaksi berkas cahaya dengan objek di tempat kejadian pada tingkat fisik.

Ini cukup berguna dalam membuat ulang pemandangan yang sama sekali berbeda dan properti dinamis sambil mengisi celah data apa pun di pemandangan aslinya.

Tahun lalu, Anyverse bermitra dengan penyedia solusi keamanan berbasis Lidar, Velodyne, untuk melayani industri pengembangan otonom yang berkembang pesat.

Platform ini mendukung berbagai kasus penggunaan di mana pengembang dapat mengontrol rekaman yang diambil secara terprogram dan menghasilkan beberapa versi data.

Misalnya, melatih kamera pintar untuk drone, kendaraan, atau skenario dalam ruangan seperti CCTV memungkinkan platform untuk mengumpulkan database yang kaya dan menggunakannya untuk memodelkan skenario.

Hal ini dapat bermanfaat dalam memodelkan kota pintar atau masalah kemacetan lalu lintas sekaligus menangkap perilaku manusia dan fisika yang terlibat di dunia nyata.

12. CVEDIA

Dikemas dengan beberapa algoritme ML, CVEDIA menawarkan solusi visi komputer sintetis untuk pengenalan objek dan rendering AI yang lebih baik.

Platform ini bekerja bersama dengan program Metropolis NVIDIA yang mencakup perangkat keras dan perangkat lunak untuk solusi teknik kelas atas. Platform ini menggunakan serangkaian alat, sensor, dan IoT untuk mengembangkan aplikasi AI tingkat lanjut.

Misalnya, TALOS CVEDIA adalah detektor manusia canggih yang dapat mengidentifikasi wajah dengan akurasi tinggi bahkan dalam situasi keramaian.

Di dunia yang dilanda pandemi, jarak sosial telah menjadi norma baru. Alat ACESO, oleh karena itu, menggunakan peta panas untuk mendapatkan wawasan tentang area hotspot publik dan perilakunya.

Demikian pula, HERMES menggunakan algoritme pembelajaran mendalam untuk mengklasifikasikan jenis kendaraan, dari sepeda hingga bus. Meskipun alat ini menganonimkan pelat nomor untuk memastikan kepatuhan terhadap peraturan GDPR.

Hal yang sama berlaku untuk TALOS dan ACESO yang memastikan wajah benar-benar tidak dapat dikenali.

Selain itu, TALOS juga dapat digunakan untuk mendeteksi senjata dan senapan serta membandingkan pejalan kaki normal dan pemegang senjata sambil mempertahankan akurasi di lingkungan yang sibuk.

13. Neurolab

Neurolabs adalah platform data sintetis berbasis di Rumania yang menggunakan model visi komputer untuk pasar grosir. Gerai ritel sering menghadapi masalah dengan manajemen inventaris waktu nyata, produk yang salah tempat atau hilang, dan situasi kehabisan stok.

Neurolab, oleh karena itu, mengintegrasikan solusi buatannya yang disebut Re-Shelf untuk memantau masalah tersebut dan mengingatkan staf internal.

Re-Shelf menggunakan pembelajaran mesin dan citra yang dihasilkan komputer untuk melatih data dengan piksel sempurna secara real-time.

Platform ini memungkinkan pengguna untuk mengakses ribuan unit penyimpanan stok populer (kode produk yang digunakan untuk mengidentifikasi stok dari daftar atau faktur) dan menggunakannya untuk menambahkan gambar produk sintetik yang hilang dari database.

Untuk kinerja puncak, mereka menggunakan loop umpan balik otomatis antara model visi komputer dan data yang disintesis. Ini menghasilkan replika 3d berkualitas tinggi yang sangat mirip dengan variasi warna dan pencahayaan produk asli.

Neurolabs mengklaim kemampuan pengenalan objeknya sekitar 20 kali lebih cepat dan 100 kali lebih murah.

Platform saat ini sedang mengerjakan beberapa kasus penggunaan seperti mengidentifikasi cacat produksi, penyortiran, dan penilaian tanaman di bidang pertanian, daur ulang limbah, dll.

14. Dirender.AI

Rendered.AI menghasilkan kumpulan data sintetis berbasis fisika untuk satelit, kendaraan otonom, robotika, dan industri perawatan kesehatan.

Perusahaan mengklaim membuat pembuatan data sintetis semudah mengklik tombol. Ada alat konfigurasi tanpa kode dan API bagi para insinyur untuk membuat perubahan cepat dan analitik pada kumpulan data. Mereka dapat melakukan pembuatan data di browser dan memungkinkan pengoperasian yang mudah pada alur kerja pembelajaran mesin tanpa banyak daya komputasi.

Misalnya, sebuah perusahaan ingin memperkenalkan jenis sensor untuk penginderaan citra satelit dan ingin menerima pendanaan untuk proyek tersebut. Dalam hal ini, perusahaan tersebut membutuhkan data nyata untuk mendemonstrasikan aplikasinya.

Oleh karena itu, solusi data sintetis dari Rendered AI berperan di mana perusahaan dapat membuat berbagai skenario waktu nyata dan mereplikasi gambar seperti satelit.

Platform ini juga memungkinkan kolaborasi di mana banyak pengguna dapat bekerja sama di saluran pembuatan data dan berbagi wawasan dengan aman melalui cloud.

15. Gretel

Gretel.ai adalah salah satu platform pemula untuk membuat data sintetis. Gretel memproklamirkan diri sebagai "Teknik Privasi sebagai Layanan" yang menghasilkan kumpulan data yang setara secara statistik tanpa memiliki data sensitif pelanggan dari sumber aslinya.

Saat melatih data untuk sintesis, algoritme ML Gretel membandingkan informasi waktu nyata dengan menggunakan model urutan-ke-urutan untuk mengaktifkan prediksi sambil menghasilkan data baru.

Platform ini didukung dengan jaringan sarafnya yang disebut Long Short-term Memory (LSTM) untuk meniru data terstruktur apa pun dari yang asli.

Gretel juga menerapkan privasi diferensial yang memastikan tidak ada data asli yang disimpan atau diidentifikasi ulang dalam sistem.

Gretel terlihat menjanjikan sebagai generator data generasi berikutnya karena platform tersebut berjanji untuk segera bekerja di sektor keuangan, perawatan kesehatan, dan game.

Pesan terakhir

Bagi pelanggan, data tidak akan menakutkan lagi. Padahal dengan penerapan kebijakan privasi yang lebih baik, perusahaan akan mengurangi ketergantungan pelanggan mereka.

Untuk peretas, saya pikir mereka mungkin perlu mengubah profesi mereka.

Dan untuk data, semuanya akan menarik.

Dengan kemajuan dalam model pembelajaran mesin, wawasan bisa menjadi senyata cara manusia berpikir dan memandang. Permutasi dan kombinasi yang berbeda akan memungkinkan untuk mendapatkan hasil alternatif – bahkan pada skala yang belum pernah dialami oleh siapa pun.

Ini terdengar sekuat teori multiverse, bukan?

Terakhir, kabar baik untuk CEO raksasa teknologi. Bagi mereka, data sintetis berarti tidak ada lagi sidang kongres.