حل مصمم لتسريع اعتماد الذكاء الاصطناعي وزيادة الدقة التنبؤية لدفع عجلة الابتكار وتحقيق أكبر قيمة ممكنة من الأعمال
مجموعات بيانات اصطناعية جاهزة للذكاء الاصطناعي
تُعَد IBM® Synthetic Data Sets مجموعات بيانات جاهزة واصطناعية مصممة لتدريب نماذج الذكاء الاصطناعي التنبؤية والنماذج اللغوية الكبيرة (LLMs)، لصالح مؤسسات IBM® Z وLinuxONE في قطاع الخدمات المالية.
تم تطوير مجموعات البيانات هذه بالاستفادة من خبرة IBM في الخدمات المالية، وتوفِّر بيانات غنية ومتوافقة مع معايير الخصوصية (قابلة للتنزيل بصيغ CSV أو DDL) لتطوير الذكاء الاصطناعي بسرعة ودقة وأمان.
تعتمد منهجية إنشاء النموذج القائم على الوكيل على مستوى إحصائي لمجموعة من الأشخاص المستهدفين، وبالتالي لا تكون هناك حاجة إلى بيانات من مصدر حقيقي، والتي قد يستغرق الوصول إليها شهورًا عديدة. مجموعة البيانات متوافقة مع لوائح البيانات الشخصية؛ لأنها لا تحتوي على أي معلومات شخصية حقيقية أو مجهولة المصدر؛ لأنها منشأة بشكل مصطنع.
يقوم حل IBM Synthetic Data Sets على سنوات من الخبرة والمدخلات المخصصة والتعليمات البرمجية التي وضعناها في نموذجنا القائم على الوكيل والذي لا تقدمه مولدات البيانات الاصطناعية الأخرى. تحتفظ مجموعة البيانات هذه بالعلاقات والقيود المعقدة في العالم الحقيقي وتعكس بدقة العلاقات والقيود المعقدة التي غالبًا ما تمثل تحديات عند توليد البيانات باستخدام مولدات البيانات التركيبية الأخرى.
تنجح بيانات تدريب الحقائق الأساسية في إضافة تعليقات توضيحية ذات صلة بالمعلومات المعروف أنها صحيحة، مما يعزز دقة نموذج الذكاء الاصطناعي. تتضمن مجموعات بيانات IBM Synthetic Data Sets حقائق أساسية معروفة، حيث يتم تصنيف كل معاملة من معاملات الاحتيال وغسيل الأموال.
يشير التكامل المرجعي إلى العلاقة بين الجداول المختلفة، وأن يكون الارتباط منطقيًا ودقيقًا ومتسقًا ومحدثًا. ويوجد التكامل المرجعي عبر IBM Synthetic Data Sets ولكن لا يوجد غالبًا مع البيانات التي تستخدم مولدات البيانات الاصطناعية القياسية.
تعتمد منهجية إنشاء النموذج القائم على الوكيل على مستوى إحصائي لمجموعة من الأشخاص المستهدفين، وبالتالي لا تكون هناك حاجة إلى بيانات من مصدر حقيقي، والتي قد يستغرق الوصول إليها شهورًا عديدة. مجموعة البيانات متوافقة مع لوائح البيانات الشخصية؛ لأنها لا تحتوي على أي معلومات شخصية حقيقية أو مجهولة المصدر؛ لأنها منشأة بشكل مصطنع.
يقوم حل IBM Synthetic Data Sets على سنوات من الخبرة والمدخلات المخصصة والتعليمات البرمجية التي وضعناها في نموذجنا القائم على الوكيل والذي لا تقدمه مولدات البيانات الاصطناعية الأخرى. تحتفظ مجموعة البيانات هذه بالعلاقات والقيود المعقدة في العالم الحقيقي وتعكس بدقة العلاقات والقيود المعقدة التي غالبًا ما تمثل تحديات عند توليد البيانات باستخدام مولدات البيانات التركيبية الأخرى.
تنجح بيانات تدريب الحقائق الأساسية في إضافة تعليقات توضيحية ذات صلة بالمعلومات المعروف أنها صحيحة، مما يعزز دقة نموذج الذكاء الاصطناعي. تتضمن مجموعات بيانات IBM Synthetic Data Sets حقائق أساسية معروفة، حيث يتم تصنيف كل معاملة من معاملات الاحتيال وغسيل الأموال.
يشير التكامل المرجعي إلى العلاقة بين الجداول المختلفة، وأن يكون الارتباط منطقيًا ودقيقًا ومتسقًا ومحدثًا. ويوجد التكامل المرجعي عبر IBM Synthetic Data Sets ولكن لا يوجد غالبًا مع البيانات التي تستخدم مولدات البيانات الاصطناعية القياسية.
يضمن الكشف الدقيق عن الاحتيال رضا العملاء وولاءهم، مع تقليل الخسائر المالية إلى الحد الأدنى. يعمل الحل IBM Synthetic Data Sets for Payments Cards على تحسين نماذج الذكاء الاصطناعي الخاصة بالحماية من الاحتيال من خلال توفير بيانات معاملات مصنَّفة.
يوفر حل IBM Synthetic Data Sets for Core Banking and Money Laundering بيانات مصنَّفة، تشمل المعاملات النقدية والعالمية غير المتاحة في البيانات المصرفية الفعلية. ويساعد ذلك على بناء نماذج أقوى لمكافحة غسل الأموال، ما يقلل المخاطر والإيجابيات الزائفة، ويوفر الوقت والتكاليف في عمليات التحقيق.
تستخدم شركات التأمين بيانات المطالبات الحقيقية ولكن حل IBM Synthetic Data Sets for Homeowners Insurance يضيف سيناريوهات "ماذا لو" الاصطناعية التي تغطي أنواعًا أخرى متنوعة من المطالبات ومزيدًا من حالات الاحتيال. يتم تصنيف كل مطالبة بتصنيفات تشمل حالة الاحتيال وحالة الكشف والسبب؛ لتوفير مجموعة بيانات غنية تُستخدم في تدريب نماذج الذكاء الاصطناعي والتحقق منها وتحسينها للكشف عن المطالبات الاحتيالية.
