Synthetic Data Vault (SDV) es un ecosistema de bibliotecas para generación de datos sintéticos que pueden aprender la distribución de un conjunto de datos para generar datos sintéticos con el mismo formato y las mismas propiedades estadísticas que la fuente. En el pasado, hablamos sobre las desventajas de usar datos reales en ambientes de pruebas. Sin embargo, los matices en la distribución de datos en producción difícilmente pueden ser replicadas manualmente, trayendo como resultado sorpresas y defectos. Hemos tenido buenas experiencias utilizando SDV para generar grandes volúmenes de datos para pruebas de rendimiento. SDV se comporta bien con el modelado de una sola tabla. Sin embargo, los tiempos de generación de datos crecen considerablemente en la medida que el número de tablas con restricciones de claves foráneas aumentan. Aún así, SDV ofrece una gran ventaja para pruebas de rendimiento local. Es una buena herramienta para la generación de datos sintéticos y vale la pena su consideración para distintas necesidades de pruebas.
Bóveda de Datos Sintéticos o Synthetic Data Vault (SDV) es un ecosistema de librerías para generación de datos sintéticos que puede aprender la distribución de un conjunto de datos para generar datos sintéticos con el mismo formato y las mismas propiedades estadísticas que la fuente. En el pasado, hablamos sobre las desventajas de usar datos de producción en entornos de prueba. Sin embargo, los matices de la distribución de datos en producción es muy difícil de reproducir manualmente, resultando en defectos y sorpresas. Creemos que SDV y otras herramientas similares pueden abordar esa brecha creando datos similares a los de producción para datos en tabla simple, tablas múltiples complejas y series multivariables cronológicas. Aunque SDV no es nuevo, nos gusta bastante y decidimos destacarlo.
