Synthetische Daten

Synthetische Daten werden künstlich generiert und sollen die Struktur, Verteilung und Muster echter Daten möglichst getreu nachbilden. Ein generatives Modell lernt dabei aus einem realen Ausgangsdatensatz, wie die Daten aufgebaut sind, und erzeugt anschließend neue, fiktive Datenpunkte, die statistisch ähnlich, aber nicht identisch mit den Originalen sind.

Man unterscheidet typischerweise zwischen vollständig synthetischen Daten, die komplett neu erzeugt werden, und teilweise synthetischen Daten, bei denen nur sensible Felder ersetzt werden. Die erzeugten Daten können tabellarisch sein, etwa Kundendatensätze, aber auch Bilder, Texte, Sensorwerte oder Zeitreihen umfassen.

Entscheidend ist, dass synthetische Daten keine direkten Rückschlüsse auf reale Personen oder Ereignisse zulassen sollen. Sie sind ein Werkzeug, um die nützlichen statistischen Eigenschaften eines Datensatzes verfügbar zu machen, ohne die zugrunde liegenden echten Personendaten preiszugeben.

Der häufigste Anwendungsfall ist das Training von KI- und Machine-Learning-Modellen. Oft stehen nicht genügend echte Trainingsdaten zur Verfügung, oder seltene Fälle sind unterrepräsentiert. Synthetische Daten füllen diese Lücken, indem sie gezielt zusätzliche Beispiele erzeugen, etwa für seltene Krankheitsbilder, ungewöhnliche Betrugsmuster oder Grenzsituationen im autonomen Fahren.

Auch beim Testen von Software und Datenpipelines sind synthetische Daten wertvoll. Entwicklerteams können damit realistische, aber unkritische Datensätze nutzen, ohne mit echten Kundendaten arbeiten zu müssen. So lassen sich Systeme prüfen, bevor sie mit produktiven Daten in Berührung kommen.

Darüber hinaus ermöglichen synthetische Daten den Austausch und die Zusammenarbeit über Organisationsgrenzen hinweg. Statt sensible Originaldaten weiterzugeben, teilen Unternehmen einen synthetischen Datensatz, der dieselben Analysen erlaubt. Das macht sie zu einem zentralen Baustein moderner KI-Lösungen, gerade in stark regulierten Branchen wie Gesundheit oder Finanzen.

Der größte Vorteil synthetischer Daten liegt im Datenschutz. Da sie keine echten Personendaten enthalten, sondern künstlich erzeugte Datenpunkte, lassen sich viele Anforderungen der DSGVO leichter erfüllen. Werden synthetische Daten korrekt generiert, sind keine realen Personen mehr identifizierbar, sodass der Personenbezug entfällt.

Das eröffnet Unternehmen neue Möglichkeiten: Daten können geteilt, analysiert und für Trainingszwecke genutzt werden, ohne dass jede einzelne betroffene Person einwilligen muss. Auch das Risiko von Datenpannen sinkt, da im Schadensfall keine echten personenbezogenen Informationen offengelegt werden.

Wichtig ist allerdings, dass synthetische Daten nicht automatisch anonym sind. Ist ein generatives Modell schlecht abgesichert, kann es Informationen aus dem Originaldatensatz versehentlich auswendig lernen und wiedergeben. Eine sorgfältige Erzeugung und Prüfung ist deshalb Voraussetzung dafür, dass der Datenschutzvorteil tatsächlich greift.

Synthetische Daten sind kein Allheilmittel. Ein zentrales Risiko ist Bias: Wenn der echte Ausgangsdatensatz bereits Verzerrungen enthält, übernimmt das generative Modell diese und reproduziert sie in den synthetischen Daten. Im schlimmsten Fall werden bestehende Vorurteile sogar verstärkt, was zu unfairen oder fehlerhaften KI-Entscheidungen führt.

Ein weiteres Problem ist das sogenannte Model Collapse. Werden KI-Modelle wiederholt überwiegend mit synthetischen Daten trainiert, die von anderen Modellen stammen, verlieren sie nach und nach die Vielfalt und Genauigkeit der ursprünglichen realen Welt. Die Qualität der Modelle degeneriert, weil seltene Muster mit jeder Generation weiter unterrepräsentiert werden.

Hinzu kommt, dass synthetische Daten immer nur so gut sind wie das Modell, das sie erzeugt. Sie können subtile Zusammenhänge oder seltene Ausreißer der echten Daten verfehlen. Für verlässliche Ergebnisse sollten synthetische Daten daher in der Regel mit echten Daten kombiniert und ihre Qualität laufend validiert werden.

Für die Erzeugung synthetischer Daten gibt es mehrere etablierte Verfahren. Bei einfachen Anwendungen genügen oft statistische Methoden, die aus den Verteilungen eines echten Datensatzes neue Werte ziehen. Sie sind schnell umzusetzen und gut verständlich, stoßen aber bei komplexen Zusammenhängen an Grenzen, weil sie feine Wechselwirkungen zwischen Merkmalen nur eingeschränkt abbilden.

Für anspruchsvollere Aufgaben kommen generative KI-Modelle zum Einsatz. Generative Adversarial Networks, kurz GANs, lassen zwei neuronale Netze gegeneinander antreten, bis täuschend echte Daten entstehen. Auch Variational Autoencoder und moderne Diffusionsmodelle erzeugen hochwertige synthetische Bilder, Texte oder Tabellen, indem sie die zugrunde liegende Datenstruktur tiefgehend modellieren.

Welches Verfahren passt, hängt vom Datentyp, dem Qualitätsanspruch und dem Datenschutzbedarf ab. Entscheidend ist immer eine anschließende Validierung: Man prüft, ob die synthetischen Daten die statistischen Eigenschaften der Originale treffen und gleichzeitig keine echten Datensätze rekonstruierbar sind. Erst diese Prüfung macht synthetische Daten zu einer vertrauenswürdigen Grundlage.