Diseñado para acelerar la adopción de la IA y aumentar la precisión predictiva a fin de impulsar la innovación y el valor empresarial
Conjuntos de datos sintéticos prediseñados para IA
Los IBM® Synthetic Data Sets son conjuntos de datos artificiales prediseñados creados para entrenar modelos de IA y modelos de lenguaje de gran tamaño (LLM) en beneficio de las empresas que utilizan IBM® Z y LinuxONE en el sector de los servicios financieros.
Creados con la experiencia en servicios financieros de IBM, estos conjuntos de datos ofrecen datos ricos y compatibles con la privacidad (descargables en CSV o DDL) para un desarrollo de IA rápido, seguro y preciso.
La metodología de generación de modelos basada en agentes se lleva a cabo a nivel de población estadística, por lo que no es necesario acceder a datos de origen reales, cuyo proceso puede llevar meses. Los conjuntos de datos cumplen la normativa sobre protección de datos porque no contienen PII real o anonimizada, puesto que se generan artificialmente.
IBM Synthetic Data Sets se basa en años de entradas y código personalizados incorporados a nuestro modelo basado en agentes, algo que no ofrecen otros generadores de datos sintéticos. Estos conjuntos de datos conservan y reflejan con precisión las complejas relaciones y restricciones del mundo real que suelen plantear dificultades a la hora de generar datos con otros generadores.
Los datos de entrenamiento de la verdad del terreno añaden anotaciones sobre la información que se sabe que es verdadera, lo que mejora la precisión del modelo de IA. IBM Synthetic Data Sets tiene una verdad conocida, donde cada transacción está etiquetada para fraude y lavado de dinero.
La integridad referencial se refiere a la relación entre diferentes tablas y a que la conexión tenga sentido, sea precisa, coherente y esté actualizada. Está presente en todos los conjuntos de datos sintéticos de IBM, pero no suele darse en los datos generados por los generadores de datos sintéticos estándar.
La metodología de generación de modelos basada en agentes se lleva a cabo a nivel de población estadística, por lo que no es necesario acceder a datos de origen reales, cuyo proceso puede llevar meses. Los conjuntos de datos cumplen la normativa sobre protección de datos porque no contienen PII real o anonimizada, puesto que se generan artificialmente.
IBM Synthetic Data Sets se basa en años de entradas y código personalizados incorporados a nuestro modelo basado en agentes, algo que no ofrecen otros generadores de datos sintéticos. Estos conjuntos de datos conservan y reflejan con precisión las complejas relaciones y restricciones del mundo real que suelen plantear dificultades a la hora de generar datos con otros generadores.
Los datos de entrenamiento de la verdad del terreno añaden anotaciones sobre la información que se sabe que es verdadera, lo que mejora la precisión del modelo de IA. IBM Synthetic Data Sets tiene una verdad conocida, donde cada transacción está etiquetada para fraude y lavado de dinero.
La integridad referencial se refiere a la relación entre diferentes tablas y a que la conexión tenga sentido, sea precisa, coherente y esté actualizada. Está presente en todos los conjuntos de datos sintéticos de IBM, pero no suele darse en los datos generados por los generadores de datos sintéticos estándar.
La detección precisa del fraude mantiene a los clientes satisfechos y fieles, al mismo tiempo que minimiza las pérdidas financieras. IBM® Synthetic Data Sets for Payments Cards mejora los modelos de IA de protección contra el fraude al proporcionar datos de transacciones etiquetados.detección
IBM® Synthetic Data Sets for Core Banking and Money Laundering proporciona datos etiquetados, incluidas transacciones globales y en efectivo no disponibles en los datos bancarios reales. Esto ayuda a crear modelos más sólidos contra el blanqueo de capitales, lo que reduce los riesgos y los falsos positivos, y permite ahorrar tiempo y costes de investigación.
Las aseguradoras utilizan datos de reclamaciones reales, pero IBM® Synthetic Data Sets for Homeowners Insurance añade escenarios hipotéticos sintéticos que abarcan diversos tipos de reclamaciones y casos de fraude. Cada siniestro se etiqueta en función del fraude, el estado de detección y el motivo, lo que proporciona un rico conjunto de datos para entrenar, validar y mejorar los modelos de IA para la detección de siniestros fraudulentos.
