Wann eignen sich explizite Regeln?
Nutze gezielte Regeln, wenn ein seltener oder ungültiger Zustand vorhanden sein muss: fehlende Adresse, abgelaufener Token oder doppelte Rückbuchung. Halte das Soll-Ergebnis beim Szenario fest. Regeln machen Abdeckung gezielt, müssen aber bei Anwendungsänderungen gepflegt werden. Prüfe wiederverwendbare Modelle und leichte Fixtures getrennt von einer vollständigen Enterprise-Ausführungsplattform.
Wann helfen gelernte Muster?
Gelernte Muster lohnen sich zur Prüfung, wenn Verteilungen und Beziehungen für Analytik oder ML wichtig sind. Ähnlich wirkende Beispiele reichen nicht: Vergleiche die nachgelagerte Aufgabe mit einem unabhängigen Holdout und prüfe seltene Gruppen sowie ungültige Kombinationen. Prüfe Offenlegung und Memorierung separat. Ein Random-Seed belegt allein keine identischen Artefakte eines lernenden Generators bei veränderter Laufzeit.
Wie prüfst du einen hybriden Datensatz?
Halte quellenbasierte Daten und generierte Ergänzungen in der Build-Definition unterscheidbar. Benenne Beziehungen zwischen beiden Teilen und vermeide Kennungskollisionen. Prüfe Fachabdeckung, Constraints und Evaluierungsnutzen separat. Dokumentiere Generator, Eingabe-Snapshot, Modellversion und Transformationen; die Bezeichnung synthetisch sagt wenig über vollständige Herkunft oder verbleibende Risiken aus.
Beispielszenarien und redaktionelle Abnahmekriterien; keine gemessenen Produkt-Benchmarks.