Exempeldata

Exempeldata, eller sampledata, är dataset som används för att illustrera, demonstrera eller testa programvara, dokumentation eller teorier. De är vanligtvis enkla att förstå och behöver inte spegla verkliga förhållanden i full skala. Exempeldata kan vara syntetiska, anonymiserade eller offentligt tillgängliga under öppna licenser.

Användningar inkluderar utbildning, handledningar, presentationer och som basdata för tester och prototyper. Inom mjukvaruutveckling används de för enhetstester och demonstrationsmiljöer eftersom de ger kontrollerade och reproducerbara scenarier. Inom maskininlärning används ofta exempeldata för prototypning, modellvalidering och benchmarking innan arbete med riktiga data påbörjas.

Typerna av exempeldata varierar: syntetiska dataset genereras med regler, slump eller generativa modeller; anonymiserade dataset kommer från verkliga data där identifierande fält har rensats eller maskats; öppna demonstrationsdataset väljs med tydlig licens och begränsningar för bred användning. Mindre uppsättningar kallas ofta toy datasets.

Format och distribution: vanliga format är CSV, JSON, XML, SQL-dumpar, bilder och tabeller. Dessa lagras i kod- eller datarepositorier, arkiv eller dokumentationspaket och åtföljs ofta av metadata som syfte, källa och licens.

Kvalitet, etik och rättigheter: ange källor, upphovsrätt och licensvillkor. För verklighetstrogna exempeldata bör anonymisering och samtycke övervägas. Data bör noteras som icke-produktionsdata och användas med lämpliga varningar.

Skapande: exempeldata kan skapas manuellt via regler och mönster, slumpmässig sampling eller med generativa modeller. Det är vanligt att kombinera flera källor för att uppnå önskad komplexitet, reproducibilitet och flexibilitet.