データ品質保証メカニズム
データの妥当性は、3段階の検証システムによって保証されている：
- 前処理コントロール::
.env.localにVALIDATION_RULESパラメータを追加し、ビジネスルールを定義する（例えば、"order_date >= customer_join_date"）。 - リアルタイム校正::
strict-modeパラメータを有効にすると、異常データの割合が5%を超えた場合に自動的に生成を中止する。 - 事後チェック::
組み込みのvalidate.pyスクリプトを使用して、SQLのアサーションチェックを実行します（例えば、"SELECT COUNT(*) WHERE age < 0″）。
典型的な問題に対処する：
- 循環参照の場合：生成時に-no-circular-depsフラグを追加する。
- 範囲外の値に関する問題：fields.price.min=0 fields.price.max=10000制約の設定
- sampling-ratio=0.1パラメータを使用すると、検証用の小さなサンプルを生成できます。
このソリューションは、データ・ロジックのエラー・レートを0.21 TP3T未満に低減するようテストされた。
この答えは記事から得たものである。Metabase AI Dataset Generator: デモや分析のための実際のデータセットを素早く生成について
無断転載を禁じます：AI生産性ツール " 生成されたデータセットにビジネス・ロジックに合わない異常な関連付けを防ぐには？
