es un ecosistema de bibliotecas para generaci¨®n de datos sint¨¦ticos que pueden aprender la distribuci¨®n de un conjunto de datos para generar datos sint¨¦ticos con el mismo formato y las mismas propiedades estad¨ªsticas que la fuente. En el pasado, hablamos sobre las desventajas de usar datos reales en ambientes de pruebas. Sin embargo, los matices en la distribuci¨®n de datos en producci¨®n dif¨ªcilmente pueden ser replicadas manualmente, trayendo como resultado sorpresas y defectos. Hemos tenido buenas experiencias utilizando SDV para generar grandes vol¨²menes de datos para pruebas de rendimiento. SDV se comporta bien con el modelado de . Sin embargo, los tiempos de generaci¨®n de datos crecen considerablemente en la medida que el n¨²mero de con restricciones de claves for¨¢neas aumentan. A¨²n as¨ª, SDV ofrece una gran ventaja para pruebas de rendimiento local. Es una buena herramienta para la generaci¨®n de datos sint¨¦ticos y vale la pena su consideraci¨®n para distintas necesidades de pruebas.
es un ecosistema de librer¨ªas para generaci¨®n de datos sint¨¦ticos que puede aprender la distribuci¨®n de un conjunto de datos para generar datos sint¨¦ticos con el mismo formato y las mismas propiedades estad¨ªsticas que la fuente. En el pasado, hablamos sobre las desventajas de usar datos de producci¨®n en entornos de prueba. Sin embargo, los matices de la distribuci¨®n de datos en producci¨®n es muy dif¨ªcil 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 producci¨®n para datos en , y . Aunque SDV no es nuevo, nos gusta bastante y decidimos destacarlo.
