一、案例定位

以金融服務公司的 synthetic data 案例，理解 data retention 與 model training 需求如何兼顧。

二、學習目標

• 讀懂 statistical information retention 與 compliance 指標。
• 理解 privacy-safe replacement dataset 的商業邏輯。

三、案例情境

一間金融服務公司希望保留資料訓練機器學習模型，但又必須依歐盟 GDPR 刪除個人資料。與 Clearbox AI 合作後建立 synthetic training dataset，原書指出保留 95% 原始統計資訊，並達成 100% GDPR compliance。

四、開始資料

五、Excel／AI 分析方法

可比較真實與 synthetic dataset 的 mean、SD、distribution、correlation 等統計特徵，再建立 privacy/compliance checklist。

六、計算結果

資訊保留缺口為 100%-95%=5%。

七、結果分析與管理解讀

這個案例顯示 synthetic data 的價值不是「完全複製原資料」，而是在保留大部分分析結構的同時降低個資留存風險。

八、AI 提問詞

比較原始與 synthetic dataset 的已計算統計量，指出差異最大的欄位與可能影響；不得接觸或還原個人身份。

九、思考／情境變動

**題目：**若另一 synthetic dataset 只保留 80% 統計資訊，資訊缺口是多少？

**參考解答：**20%；相較原案例 5% 缺口大 15 個百分點。