- النشر
- التحديث
قد يدعم تجنّب نسخ بيانات المشاركين الحقيقية الخصوصية أثناء الاختبار. لكن الأمثلة الاصطناعية شديدة البساطة قد تفوّت عيوباً مهمة لأنها لا تختبر أبداً تعليقات طويلة أو قيماً مفقودة أو علاقات واقعية بين السجلات.
الحفاظ على معنى البيانات
صمّم بيانات الاختبار مع مراعاة ما يتجاوز أعداد الصفوف. وأنشئ قائمة تغطية لحدود الحقول الحرجة وعلاقات السجلات والاستثناءات المتوقعة. وينبغي أن تكون السجلات الاصطناعية قابلة للتعرّف، وأن تُمنَع من دخول مسارات الدراسة الفعلية. وإزالة المعرّفات المباشرة لا تثبت تلقائياً كفاية الخصوصية في كل سياق؛ وعلى الجهات المسؤولة تقييم ترتيبات استخدام البيانات المقترحة بصورة منفصلة.
مثال تطبيقي
على سبيل المثال، لكل مشارك اختباري زيارة واحدة واسم قصير. ثم ينتج مشارك في بيئة الإنتاج ذو زيارات متعددة روابط غير صحيحة أثناء النقل. يضيف الفريق زيارات متكررة ونتائج مصححة وتسليماً متأخراً إلى مشارك اصطناعي، ويكتب العلاقات المتوقعة مسبقاً. والتعقيد الموجّه هنا أنفع من صفوف عشوائية إضافية.
فحوص المراجعة
- حدّد المثال الاصطناعي الذي يمثل كل متطلب حرج.
- غطِّ النص الطويل والفراغات والحدود والسجلات المترابطة معاً.
- امنع استخدام هويات الاختبار بوصفها مشاركين فعليين في بيئة الإنتاج.
القبول والحدود
يعني القبول أن مجموعة البيانات تمثل المخاطر التشغيلية المحددة، وأن نتائجها المتوقعة يمكن فهمها بصورة مستقلة. ويجب ألا ينشئ مولّد البيانات الاصطناعية توقعات خاطئة؛ راجع الأمثلة الحرجة. ولا تقوّي البيانات الحقيقية غير الضرورية أدلة الاختبار. وأبقِ إصدار المثال والاختبارات التي استُخدم فيها قابلَين للاسترجاع عند الحاجة إلى إعادة البناء.
الأسئلة الشائعة
- هل يعني المزيد من صفوف الاختبار دائماً تغطية أفضل؟
- قد يختبر الحجم مسألة مختلفة؛ ويمكن أن تظل السيناريوهات الحرجة المفقودة غائبة حتى في مجموعة بيانات كبيرة.
- هل بيانات المصدر المنزوعة المعرّفات اصطناعية؟
- لا. ميّز البيانات المشتقة من المصدر من الأمثلة المختلقة بالكامل، وأبقِ شروط استخدامها صريحة.