F5’s AI Data Fabric hilft uns dabei, das Training und die Bereitstellung von Modellen für maschinelles Lernen (ML) für eine Vielzahl von Anwendungsfällen zu beschleunigen. Eine der zentralen Herausforderungen, zu deren Lösung AI Data Fabric beiträgt, ist der Mangel an hochwertigen Trainingsdaten. Bei jeder ML-Initiative sind Qualität, Vielfalt und Umfang der Daten entscheidend für die Entwicklung effektiver Modelle.
Reale Daten waren schon immer die bevorzugte Ressource für das Training von ML-Algorithmen. Die AI Data Fabric profitiert zweifellos von der technologischen Präsenz bei der umfangreichen Kundenbasis von F5 und vom Zugang zu hochwertigen realen Daten. Schließlich befindet sich F5 im Datenpfad von fast der Hälfte aller Anwendungen weltweit, wobei täglich 550 Petabyte durch F5-Produkte fließen.
In den letzten Jahren haben sich synthetische Daten jedoch als vielversprechende Quelle für Trainingsdaten etabliert und gewinnen für unser ML-Ökosystem rasant an Bedeutung.
Was sind synthetische Daten?
Synthetische Daten sind künstlich erzeugte Daten, die die Merkmale realer Datensätze nachbilden. Nachdem wir die statistischen Eigenschaften und Strukturen realer Daten erlernt haben, können wir künstliche Daten erzeugen, die dieselben Eigenschaften wie die Originaldaten aufweisen. Mithilfe dieser Techniken kann die AI Data Fabric riesige Mengen an Daten erzeugen, die den von unseren Kunden erfassten Daten ähneln.
Warum synthetische Daten verwenden?
Die Verwendung synthetischer Daten bietet zahlreiche Vorteile. An erster Stelle stehen Datenschutz und Compliance. Synthetische Daten können ohne sensible Informationen erzeugt werden und sind daher eine ausgezeichnete Wahl für unsere Kunden, die strengen Datenschutzbestimmungen oder Sicherheitsrichtlinien unterliegen. Durch die Verwendung synthetischer Versionen sensibler Datensätze können wir Daten austauschen und analysieren, ohne Kundendaten zu gefährden. Außerdem können wir sicherstellen, dass Modelle nicht mit Kundendaten trainiert werden.
Zweitens kann die Arbeit mit realen Daten zeitaufwendig und kostspielig sein – das Erfassen und Kennzeichnen riesiger Datenmengen ist mit erheblichem Aufwand verbunden, der die Innovationsgeschwindigkeit bremst. Die Generierung von Daten senkt die Kosten erheblich und beschleunigt den Lebenszyklus unserer Modellentwicklung.
Die Verfügbarkeit von Daten aus der realen Welt kann ebenfalls eingeschränkt sein. Gute Trainingsdaten sind rar, insbesondere für seltene Ereignisse. Synthetische Daten helfen dabei, Lücken zu schließen und unterrepräsentierte Klassen für bestimmte Szenarien auszugleichen. Beispielsweise könnten in einem Datensatz zur Erkennung von Angriffen gewöhnliche Transaktionen die bösartigen bei Weitem überwiegen. Mit synthetischen Daten können wir diese Knappheit überwinden: Unsere Teams können Grenzfälle testen, die in realen Daten nicht abgebildet sind, und hypothetische Situationen leichter untersuchen.
Schließlich ist da noch die Sicherheit. Mithilfe synthetischer Daten können wir adversariale Beispiele generieren, die anschließend dazu verwendet werden, die Sicherheit von Modellen gegenüber Angriffen zu testen. Synthetische Daten tragen sogar zum Schutz vor Angriffen wie Data Poisoning bei, bei denen Angreifer Trainingsdaten manipulieren, um KI-Modelle zu kompromittieren.
Die Nachteile synthetischer Daten
Synthetische Daten bieten zwar viele Vorteile, doch es gibt auch einige Punkte, die zu beachten sind. So erfordert die Erzeugung synthetischer Daten beispielsweise fortschrittliche Algorithmen und ein hohes Maß an Fachwissen. Auch hinsichtlich der Realitätsnähe stellen synthetische Daten eine Herausforderung dar: Modelle, die ausschließlich mit synthetischen Daten trainiert wurden, funktionieren in realen Situationen möglicherweise nicht gut. Entweder sind die Trainingsdaten zu stark vereinfacht und bilden die Komplexität und Nuancen realer Daten nicht ab, oder die Modelle sind zu stark an Muster in den synthetischen Daten angepasst, die in realen Szenarien möglicherweise nicht vorkommen.
Trotz dieser Einschränkungen können synthetische Daten in Szenarien, in denen reale Daten knapp, teuer oder sensibel sind, sehr nützlich sein. Wenn wir ihre Grenzen kennen und sie bei der Modellentwicklung berücksichtigen, ist die Erzeugung synthetischer Daten ein leistungsstarkes Werkzeug im Machine-Learning-Arsenal von F5. Synthetische Daten helfen uns, schneller voranzukommen und unseren Kunden in Form zuverlässiger ML-Modelle deutlich bessere Ergebnisse zu liefern.
Über den Autor
Ähnliche Blogbeiträge
F5 und Equinix bündeln ihre Kräfte, um die sichere Anwendungsbereitstellung in Multicloud-Umgebungen zu vereinfachen
F5 und Equinix ermöglichen es Unternehmen, sich weltweit sicher und zuverlässig mit ihren Partnern zu vernetzen.
API-Sicherheitsrisiken und -herausforderungen
Erfahren Sie, warum APIs für die moderne App-Entwicklung unverzichtbar sind und wie Sie sie vor den häufigsten Sicherheitslücken schützen. Profitieren Sie von Expertentipps und direkt umsetzbaren Strategien.
Ein Meilenstein für die Community Impact Grants von F5
F5 feiert das fünfjährige Bestehen seines innovativen Community Impact Grant-Programms, das gemeinnützige Organisationen, bei denen sich F5-Mitarbeitende ehrenamtlich engagieren, mit Fördermitteln in Höhe von 5.000 US-Dollar unterstützt.
Mit moderner, anpassungsfähiger und sicherer Gesundheits-IT Leben retten
Die IT-Investitionen im Gesundheitswesen tragen dazu bei, die schnellsten Wege zu einer besseren Versorgung zu finden, indem sie die medizinische Betreuung näher an die Patientinnen und Patienten bringen. Viele Gesundheitsunternehmen nutzen riesige Mengen an klinischen und anderen Gesundheitsdaten, um Entwicklungen zu verfolgen und übergreifende Trends in der gesamten Gesundheitslandschaft zu erkennen. Gleichzeitig nähern sie sich einer möglichst präzisen, individuell zugeschnittenen Versorgung an.
Verbesserung der Benutzer- und Administrationserfahrung durch sicheren hybriden Zugriff
Diese Kombination aus BIG-IP Access Policy Manager und Azure Active Directory ermöglicht Identitätsföderation, zentralisierten Benutzerzugriff (über Single Sign-on) und erhöhte Anwendungssicherheit (durch Multi-Faktor-Authentifizierung) für geschäftskritische Anwendungen sowie cloudbasierte und SaaS-Anwendungen. Dieser Ansatz vereinfacht die Einrichtung und Bereitstellung, reduziert den Verwaltungsaufwand und verbessert die gesamte Administration.
Das Internet der Sicherheitsdinge
Nein, das ist keine Tirade über die Sicherheit des IoT. Es ist eine Geschichte über Veränderung – genauer gesagt über Veränderung und ihre Auswirkungen auf die Sicherheit. Veränderung ist allgegenwärtig. Es gibt unzählige Axiome und Sprichwörter über Veränderung, also ist es ...