Produkttest med syntetiske data
I denne Ipsos rapport giver vores eksperter anbefalinger til generering og evaluering af syntetiske data af høj kvalitet og undersøger, hvordan syntetiske data kan anvendes specifikt til test af produkter.
Syntetiske data revolutionerer industrier lige fra sundhedspleje til finansielle tjenester til bilindustrien ved at muliggøre simuleringer og dataforøgelse. Hos Ipsos mener vi, at syntetiske data åbner helt nye muligheder for markedsundersøgelser, især inden for produkttests. Mange virksomheder er dog stadig usikre på kvaliteten af syntetiske data, eller hvordan de skal evalueres.
I denne Ipsos rapport giver vores eksperter anbefalinger til generering og evaluering af syntetiske data af høj kvalitet og undersøger, hvordan syntetiske data kan anvendes specifikt til produkttests.
Generering og evaluering af syntetiske data
For at generere syntetiske data , der effektivt efterligner data fra den virkelige verden, skal en kunstig intelligens-model (AI) først trænes på relevante data fra den virkelige verden. Som diskuteret i vores første rapport i Humanizing AI-serien , er AI'er blot algoritmer; de har ingen egen intelligens, før de er trænet. Det er ved at lære af træningsdata, at AI'er tilegner sig den intelligens, vi forbinder med dem.
Evalueringsprocessen er også ligetil. Syntetiske numeriske data bør som minimum afspejle virkelige data om almindelige statistiske mål. Jo tættere syntetiske data er på menneskelige data, jo mindre risiko påtager vi os, når vi bruger dem, men der er altid en vis risiko, fordi syntetiske data aldrig perfekt kan efterligne data fra den virkelige verden i alle aspekter.
Tilgange til at generere syntetiske data falder i to kategorier: LLM'er (Large Language Models) og ikke-LLM'er, der er kendetegnet ved henholdsvis deres tekstmæssige og numeriske karakter. Vi undersøger begge tilgange i denne artikel.
Produktoplevelsen er i sagens natur menneskelig
Hvordan mennesker reagerer på produkter, eller livet generelt, opfanges ikke kun i hjernen som faktuel eller semantisk viden, vores kroppe og sanseoplevelser spiller også en væsentlig rolle.
Denne rapport præsenterer resultaterne fra vores to undersøgelser, der er udført med det formål at fastlægge det mindste antal menneskelige respondenter, der er nødvendige for at teste produkter sammen med syntetiske data for at sikre levedygtige resultater. For at finde de vigtigste resultater fra undersøgelsen kan du også downloade vores infografik.
Hvis en AI ikke er blevet trænet i virkelige data, der er relevante for din virksomhed, vil den ikke være i stand til at generere syntetiske data, der deler de samme egenskaber som virkelige data. Så enkelt er det!
Nøgle takeaways:
1. Syntetiske data vil aldrig være menneskelige.
AI alene kan aldrig reproducere vores produktoplevelser, som kombinerer de fem sanser, følelser, forventninger og kontekst. Derfor er vores mål at øge menneskelig input med syntetiske data, ikke erstatte det.
2. Nøjagtighed afhænger af træningsdataene.
Værdien af syntetiske data er ikke binær (god eller dårlig); nøjagtigheden af syntetiske data afhænger af mange faktorer, herunder forskellene i de data, vi forsøger at replikere, og repræsentativiteten af de virkelige data, vi træner en AI til at lære af. Brugen af syntetiske data bør være strategisk under hensyntagen til de tilknyttede risici og fordele.
3. Når den er nøjagtig, kan den drive produkttests.
Syntetiske data kan øge markedsundersøgelsers agilitet, hvilket gør den ideel til ressourcekrævende områder som produkttestning - reducere omkostninger, spare tid med yderligere fordele for detaljerede undergruppeanalyser.
