SAS Data Maker: come i dati sintetici stanno rivoluzionando l’analisi delle informazioni e la protezione della privacy
In un’epoca dominata dall’esplosione dei dati, potrebbe sembrare paradossale parlare di scarsità. Eppure, l’ascesa dell’intelligenza artificiale ha evidenziato una nuova sfida: la necessità di dati sempre più specifici e di alta qualità. Nonostante la mole di dati generati ogni giorno sia impressionante – si stima che nel 2023 siano stati creati 120 zettabyte – il vero problema non è la quantità ma la qualità e la pertinenza delle informazioni.
È qui che entrano in gioco i dati sintetici, un prodotto dell’intelligenza artificiale generativa. In sostanza, si tratta di dati creati artificialmente per imitare quelli reali. Immaginiamo di dover generare 100.000 date di nascita casuali: un compito relativamente semplice. Ma se avessimo bisogno di 100.000 date di nascita di donne che si sono recentemente iscritte a votare? Il problema si complica notevolmente. La vera potenza dei dati sintetici emerge quando si tratta di casi rari, come un dataset di pazienti giovani affetti da malattie rare o immagini di componenti meccaniche soggette a usura anomala. È proprio in questi casi, dove i dati reali sono difficili o costosi da ottenere, che i dati sintetici dimostrano il loro valore.
I vantaggi dei dati sintetici
Un altro vantaggio cruciale dei dati sintetici è la tutela della privacy. In settori sensibili come la sanità o le finanze, la protezione dei dati personali è fondamentale. I dati sintetici, infatti, possono essere utilizzati per condurre analisi senza rivelare informazioni sensibili. Essi rappresentano una riproduzione fedele, ma non identica, dei modelli e dei valori contenuti nei dati originali. “I dati sintetici mantengono intatte le correlazioni statistiche originali, rendendoli ideali per l’addestramento di modelli di machine learning” commenta Nicola Scarfone, Sr. Business Solutions Manager di SAS.
I dati sintetici possono assumere diverse forme. I dati strutturati rappresentano entità come persone, prodotti o eventi con i loro attributi (es. clienti e loro comportamenti d’acquisto). Poi le immagini, utilizzate per addestrare sistemi di visione artificiale, come quelli utilizzati nelle auto a guida autonoma o nella diagnosi medica, e il testo, impiegato per sviluppare modelli di linguaggio naturale, ad esempio per la traduzione automatica o l’analisi del sentiment. Ma anche le serie temporali, utili in ambito industriale per la manutenzione predittiva o nei sistemi di controllo dei processi.
SMOTE o GAN
La generazione di dati sintetici si basa su algoritmi di machine learning, in particolare le reti generative avversariali (GAN) e tecniche come la SMOTE. Queste permettono di creare dati altamente realistici, difficilmente distinguibili da quelli reali. Sia la SMOTE che le GAN sono strumenti potenti per generare nuovi dati. La SMOTE lo fa attraverso l’interpolazione, mentre le GAN utilizzano un approccio antagonista generativo. Entrambi i metodi permettono di creare dati sintetici che possono completare dataset esistenti, soprattutto nelle zone dove i dati sono scarsi o mancanti, e di esplorare nuove regioni dello spazio dei dati. La SMOTE è un algoritmo di oversampling che genera nuovi esempi di dati sintetici per le classi minoritarie, interpolando tra i campioni esistenti. Le GAN, invece, sono modelli generativi avversariali composti da un generatore e un discriminatore. Il generatore crea nuovi dati sintetici, mentre il discriminatore cerca di distinguerli dai dati reali. Questo processo iterativo porta alla generazione di dati sempre più realistici e diversificati.
Con la collaborazione di un partner, SAS ha dimostrato l’efficacia dei dati sintetici nel prevedere la perdita di clienti. A differenza dell’anonimizzazione, che compromette le correlazioni fondamentali dei dati, i dati sintetici hanno preservato le caratteristiche statistiche originali. Modelli addestrati su dati sintetici hanno offerto prestazioni paragonabili a quelli addestrati su dati reali, superando di gran lunga i risultati ottenuti con dati anonimizzati. Questo dimostra come i dati sintetici siano uno strumento affidabile per l’analisi dei dati, garantendo al contempo la privacy.
SAS Data Maker è uno strumento progettato per generare dati sintetici che riproducono fedelmente i modelli presenti nei dati reali, proteggendo allo stesso tempo le informazioni sensibili. SAS Data Maker semplifica l’aumento dei dati, accelerando lo sviluppo di modelli di machine learning e l’innovazione all’interno delle organizzazioni
Futuro roseo
L’utilizzo dei dati sintetici è destinato a crescere in modo esponenziale. Le aziende stanno già adottando questa tecnologia per accelerare l’innovazione, migliorare i prodotti e servizi, e affrontare le sfide legate alla privacy dei dati. Tuttavia, è fondamentale sviluppare una governance adeguata per garantire un utilizzo etico e responsabile di questa tecnologia. I dati sintetici rappresentano una rivoluzione silenziosa che offre un modo innovativo per affrontare la scarsità di dati di alta qualità e proteggere la privacy, verso nuove frontiere di applicazione per l’intelligenza artificiale.
