Generator de date sintetice cu validare

Cum funcționează

Generatorul are un motor comun și pachete de domeniu: motorul conține generatorul pseudo-aleator cu seed (mulberry32), eșantionarea normală, lognormală, Poisson și categorială, corelarea prin copulă gaussiană, exportul și verificările, iar pachetul descrie procesul (tabele, reguli, distribuții țintă, tipuri de anomalii). Așa lucrează Virtual Soft și în proiecte: un motor reutilizabil și câte un pachet de domeniu pentru fiecare beneficiar.

În pachetul de asigurări, suma asigurată este lognormală, numărul de daune pe poliță urmează o distribuție Poisson cu parametrul dependent de construcție, protecții și zonă, iar paguba este lognormală, proporțională cu suma asigurată și plafonată la aceasta; devine daună doar paguba peste franciză, iar despăgubirea este paguba minus franciza. În pachetul de creditare, vechimea firmei, cifra de afaceri și gradul de îndatorare sunt generate împreună prin copula gaussiană, iar decizia rezultă dintr-un set publicat de reguli, cu un termen de zgomot documentat.

Fiecare statistică observată este comparată cu valoarea care rezultă analitic din model, cu o toleranță de 4,5 erori standard (pentru cuantile, pe scara probabilităților; pentru rata daunei, cu daunele plafonate la 250.000 RON), iar când rândurile nu ajung pentru confirmare rezultatul este „insuficient pentru confirmare”, nu „nereușit”; rândurile marcate de regulile de anomalii sunt excluse din statistici și raportate separat. Regulile de anomalii sunt fie exacte, care reformulează defectul și trebuie să găsească toate rândurile injectate fără alarme false, fie euristice (sumă asigurată introdusă în mii, aceeași poliță introdusă de două ori sub alt ID, primă abătută de la tarif), care pot rata defecte mici sau pot marca rânduri curate; pentru acestea, pagina raportează precizia și rata de detecție și le compară cu valorile calculate din model.

Datele sintetice se folosesc în formare și în dezvoltare din trei motive. Primul este confidențialitatea: setul de date nu conține date personale, deci nu intră sub incidența GDPR, iar controlul rămâne la beneficiar; datele cursanților din platforma de formare rămân date personale și se prelucrează conform acordului prevăzut la art. 28. Al doilea este reproductibilitatea: același seed produce același fișier, octet cu octet. Al treilea sunt cazurile de eșec construite deliberat în laboratoare. Limita lor este că reproduc doar relațiile modelate, nu și pe cele necunoscute, și nu înlocuiesc validarea pe date reale, autorizate. Plauzibilitatea este verificată față de distribuțiile țintă declarate, nu față de un portofoliu real.