ფინანსურ პროდუქტებთან დაკავშირებული ანალიზისა და გადაწყვეტილებების მიღების პროცესებში სულ უფრო აქტიურად გამოიყენება მონაცემებზე დაფუძნებული სტატისტიკური და მანქანური სწავლების მოდელები. მოდელების წვრთნის და განვითარების ეტაპზე მთავარ გამოწვევად კვლავ მონაცემთა ხარისხის და რაოდენობის პრობლემა რჩება. მოცემული საკითხის კვლევის ფარგლებში, საქართველოს ეროვნული ბანკის ფინანსური და საზედამხედველო ტექნოლოგიების განვითარების დეპარტამენტის ჩართულობით აქტიურად ხორციელდება სინთეტიკური მონაცემების(Privacy Enhancing Technologies) შექმნა, მანქანური სწავლების მოდელებისა და გენერაციული ალგორითმების (Generative Adversarial Network) გამოყენებით. აღსანიშნავია, რომ შექმნილი მონაცემები წარმატებით გამოიყენება ჰაკათონებში სხვადასხვა ამოცანების გადასაჭრელად.

სინთეტიკური მონაცემები წარმოადგენს კონფიდენციალურობის გაუმჯობესების ტექნოლოგიების ერთ-ერთ ფართოდ გამოყენებად მეთოდს, რომელიც საშუალებას იძლევა, მოხდეს მონაცემების გაზიარება ინფორმაციის გამჟღავნების ან კონფიდენციალურობის დარღვევის რისკის გარეშე. აღნიშნული მხოლოდ რეალური მონაცემების სტატისტიკურ მახასიათებლებს ინარჩუნებს, რაც წვრთნისა და განვითარების ეტაპებზე განსაკუთრებით მნიშვნელოვანი და ფასეულია სტატისტიკური და მანქანური სწავლების მოდელებისთვის.

ფინანსური ტექნოლოგიების განვითარებისა და ინოვაციური იდეების ხელშეწყობის, ასევე ამ მიმართულებით კონკურენციის სტიმულირების მიზნით, საქართველოს ეროვნული ბანკი მზად არის ითანამშრომლოს დაინტერესებულ მხარეებთან და შესაბამისი დასაბუთების შემთხვევაში გაუზიაროს სინთეტიკური მონაცემები. აღნიშნული პროექტის ფარგლებში, როგორც რეგულირებად, ასევე არარეგულირებად სუბიექტებს, ექნებათ შესაძლებლობა იდეების ტესტირების ეტაპებზე, მათ შორის, სხვადასხვა სტატისტიკური და მანქანური სწავლების მოდელების წვრთნისა და განვითარებისთვის გამოიყენონ სინთეტიკური მონაცემები, რომლებიც რეალური მონაცემებზე დაყრდნობით დაგენერირდება.