Conçus pour accélérer l’adoption de l’IA et améliorer l’exactitude des prédictions afin de stimuler l’innovation et la création de valeur dans l’entreprise
Jeux de données synthétiques prédéfinis pour l’IA
Les IBM® Synthetic Data Sets sont des jeux de données synthétiques prédéfinis qui permettent d’entraîner des modèles d’IA prédictifs et des grands modèles de langage (LLM) au profit des entreprises de services financiers utilisant IBM Z et LinuxONE.
Reposant sur l’expertise d’IBM en matière de services financiers, ces jeux de données fournissent des données riches et respectueuses de la confidentialité (téléchargeables en CSV ou DDL) pour un développement rapide, sécurisé et précis de l’IA.
La méthodologie de génération de modèles basée sur des agents s’applique au niveau d’une population statistique : aucune donnée source concernant des personnes réelles, dont l’accès peut prendre des mois, n’est nécessaire. Les jeux de données sont conformes aux réglementations en matière de confidentialité des données : ils ne contiennent aucune information personnelle réelle ou anonymisée puisqu’ils sont générés artificiellement.
IBM Synthetic Data Sets s'appuie sur des années d’entrées personnalisées et de code qui ont été intégrés à notre modèle basé sur un agent, dont les autres générateurs de données synthétiques ne disposent pas. Ces jeux de données conservent et reflètent fidèlement les relations et les contraintes complexes du monde réel, des éléments qui posent souvent problème dans la génération de données avec d’autres générateurs de données synthétiques.
Les données d’entraînement de vérité terrain ajoutent des annotations concernant les informations connues pour être véridiques, améliorant ainsi la précision du modèle d’IA. IBM Synthetic Data Sets inclut des données de vérité terrain connues, où chaque transaction est étiquetée pour la fraude et le blanchiment d’argent.
L’intégrité référentielle fait référence à la relation entre différentes tables, et au fait que la connexion est logique, précise, cohérente et à jour. L'intégrité référentielle est présente dans IBM Synthetic Data Sets, mais rarement avec les données qui utilisent des générateurs de données synthétiques standard.
La méthodologie de génération de modèles basée sur des agents s’applique au niveau d’une population statistique : aucune donnée source concernant des personnes réelles, dont l’accès peut prendre des mois, n’est nécessaire. Les jeux de données sont conformes aux réglementations en matière de confidentialité des données : ils ne contiennent aucune information personnelle réelle ou anonymisée puisqu’ils sont générés artificiellement.
IBM Synthetic Data Sets s'appuie sur des années d’entrées personnalisées et de code qui ont été intégrés à notre modèle basé sur un agent, dont les autres générateurs de données synthétiques ne disposent pas. Ces jeux de données conservent et reflètent fidèlement les relations et les contraintes complexes du monde réel, des éléments qui posent souvent problème dans la génération de données avec d’autres générateurs de données synthétiques.
Les données d’entraînement de vérité terrain ajoutent des annotations concernant les informations connues pour être véridiques, améliorant ainsi la précision du modèle d’IA. IBM Synthetic Data Sets inclut des données de vérité terrain connues, où chaque transaction est étiquetée pour la fraude et le blanchiment d’argent.
L’intégrité référentielle fait référence à la relation entre différentes tables, et au fait que la connexion est logique, précise, cohérente et à jour. L'intégrité référentielle est présente dans IBM Synthetic Data Sets, mais rarement avec les données qui utilisent des générateurs de données synthétiques standard.
Une détection précise des fraudes permet de satisfaire et de fidéliser les clients tout en minimisant les pertes financières. IBM Synthetic Data Sets for Payments Cards améliore les modèles d’IA dédiés à la protection contre la fraude en fournissant des données de transaction étiquetées.
IBM Synthetic Data Sets for Core Banking and Money Laundering fournit des données étiquetées, y compris des transactions mondiales et en espèces qui ne sont pas disponibles dans les données bancaires réelles. Cela permet d’élaborer des modèles plus solides destinés à la lutte contre le blanchiment d’argent, réduisant les risques et les faux positifs, et représentant des gains de temps et d’argent pour les enquêtes.
Les assureurs utilisent des données réelles sur les sinistres, mais IBM Synthetic Data Sets for Homeowners Insurance ajoute des scénarios synthétiques « hypothétiques » qui couvrent différents types de sinistres et de cas de fraude. Chaque sinistre est étiqueté pour la détection des fraudes, le statut de détection et la raison, fournissant un riche jeu de données pour entraîner, valider et améliorer les modèles d’IA en vue de détecter les demandes frauduleuses.
