Synthetische Daten
Synthetische Daten sind künstlich erzeugte Daten, die die statistischen Eigenschaften und die Struktur echter Daten nachbilden, ohne echte Datensätze zu kopieren. Sie werden genutzt, um Modelle zu trainieren und zu testen, Daten sicher zu teilen oder Lücken zu füllen, wo echte Daten knapp oder sensibel sind.
Was sind synthetische Daten?
Synthetische Datensätze werden von einem Generator erzeugt, der die Muster eines echten Datensatzes gelernt hat oder vorgegeben bekommt und daraus neue Datensätze zieht. Ein guter generierter Datensatz bewahrt Spaltenverteilungen, Korrelationen und Geschäftsregeln, ohne eine einzige Zeile zu enthalten, die einer realen Person zugeordnet werden kann.
Er wird für drei Hauptaufgaben eingesetzt:
Datenschutz: Entwicklern, Dienstleistern oder Forschenden realistische Daten bereitstellen, ohne Kunden offenzulegen.
Knappheit: mehr Beispiele seltener Fälle wie Betrug oder Geräteausfälle für das Modelltraining erzeugen.
Testen: Entwicklungs- und QA-Umgebungen mit realistischen Datenmengen und Grenzfällen füllen.
Wie werden synthetische Daten erzeugt?
Die Methoden reichen von einfachen Regeln bis zu tiefen generativen Modellen, und die richtige Wahl hängt davon ab, wie viel Realismus die Aufgabe erfordert.
Regelbasiert: Bibliotheken wie Faker erzeugen plausible Namen, Adressen und Datumsangaben; gut für UI-Tests, nutzlos für Analytics.
Statistische Modelle: Gauß-Copulas oder Bayes'sche Netze erfassen Korrelationen zwischen Spalten.
Tiefe generative Modelle: GANs (etwa CTGAN für Tabellen) und Variational Autoencoders lernen komplexe Muster.
LLM-Generierung: Sprachmodelle erzeugen synthetische Texte, Dialoge oder Evaluationsfälle.
Zu den Open-Source-Optionen gehört der Synthetic Data Vault (SDV); kommerzielle Plattformen sind etwa Gretel und MOSTLY AI.
Wie sehen synthetische Daten in der Praxis aus?
Generierte Daten sind am wertvollsten, wenn ein Team auf anderem Weg keine realistischen Daten in seine Entwicklungsumgebung bekommt. Stellen Sie sich eine Digitalbank mit 250 Mitarbeitenden vor, die eine externe Agentur ein neues Kreditrisiko-Dashboard bauen lassen möchte, aber keine echten Kundendaten teilen darf. Angenommen, das Datenteam der Bank trainiert in SDV ein CTGAN-Modell auf 18 Monaten anonymisierter Konto- und Transaktionstabellen.
Es werden Constraints hinzugefügt, damit Salden auf Sparkonten nie negativ werden und jede Transaktion zu einem existierenden Konto gehört.
Die Qualität wird geprüft, indem Verteilungen und Korrelationen zwischen echten und synthetischen Tabellen verglichen werden.
Der Datenschutz wird mit Distance-to-Closest-Record-Tests geprüft, um sicherzustellen, dass keine synthetische Zeile eine Beinahe-Kopie ist.
Die Agentur entwickelt auf Basis der generierten Tabellen, anschließend setzt die Bank intern die echten Daten ein.
In diesem Beispiel kommt der Dienstleister nie mit personenbezogenen Daten in Berührung, und die Dashboard-Logik ist vor dem Go-live validiert.
Welche Risiken und Grenzen haben synthetische Daten?
Ein generierter Datensatz ist nur so gut wie die Muster, die er bewahrt, und er kann gerade bei den seltenen Fällen versagen, auf die es am meisten ankommt.
Memorisierung: Ein Generator, der auf wenigen Zeilen trainiert wurde, kann echte Datensätze reproduzieren, was das Datenschutzziel untergräbt.
Verlorenes Signal: Schwache oder seltene Korrelationen, oft gerade die interessanten, werden möglicherweise geglättet.
Übertragene Verzerrungen: Verzerrungen in den Quelldaten werden reproduziert und manchmal verstärkt.
Rechtlicher Status: Generierte Datensätze sind nach der DSGVO nicht automatisch anonym; das hängt vom Risiko der Re-Identifizierung ab.
Validieren Sie den Nutzen mit Train-Synthetic, Test-Real (TSTR): Trainieren Sie ein Modell auf dem generierten Datensatz und messen Sie es an zurückgehaltenen echten Daten. Verzichten Sie darauf bei der finalen Modellbewertung, im regulatorischen Reporting oder bei jeder Entscheidung, die tatsächliche Ereignisse widerspiegeln muss.
Eine praktische Regel: Je näher der Einsatz an einer realen Entscheidung liegt, desto mehr echte Daten braucht er.
Worin unterscheiden sich synthetische Daten von anonymisierten oder maskierten Daten?
Anonymisierung und Maskierung verändern echte Datensätze; ein Generator für synthetische Daten erzeugt neue Datensätze aus gelernten Mustern. Maskierte Daten behalten eine Zeile pro realer Person, bei der einige Felder verborgen sind; eine generierte Tabelle hat überhaupt keine Eins-zu-eins-Verbindung zu realen Personen.
Das macht die Generierung, wenn sie gut umgesetzt ist, sicherer für die Weitergabe, aber weniger exakt: Anonymisierte Daten behalten echte Werte und Verteilungen exakt bei, während generierte Daten sie annähern. Beide gehören, neben Aggregation und Zugriffskontrolle, zu einem umfassenderen Werkzeugkasten für Datenschutz.
Synthetische vs. anonymisierte Daten
Synthetische Daten | Anonymisierte Daten | |
|---|---|---|
Herkunft | Aus gelernten Mustern generiert | Echte Datensätze mit entfernten Identifikatoren |
Bezug zu realen Personen | Keine Eins-zu-eins-Verbindung | Eine Zeile pro realer Person, de-identifiziert |
Genauigkeit | Nähert Verteilungen an | Behält echte Werte bei |
Hauptrisiko | Memorisierung oder verlorene seltene Muster | Re-Identifizierung durch Verknüpfung |
Am besten geeignet für | Entwicklung, Weitergabe, Training seltener Fälle | Analytics, die exakte echte Werte erfordert |
Wie geht VIZIO AI an synthetische Daten heran?
Die veröffentlichten Fallstudien von VIZIO AI enthalten kein Projekt mit synthetischen Daten; die ehrliche Überschneidung ist daher prädiktive Arbeit mit sensiblen Datensätzen, bei der generierte Daten eine Option für eine sicherere Entwicklung sind. Für ein US-amerikanisches Netzwerk von Hörakustik-Kliniken hat das DX Studio Patienten-, Geräte- und CRM-Daten zusammengeführt und in Python und Azure ML Vorhersagemodelle auf historischen Nutzungs- und Rückgabemustern für ein KI-gestütztes Dashboard zur Patientenbindung trainiert, wodurch die Rückgabequote von Hörgeräten in den Pilotkliniken um 12–15 % sank.
Dieses Projekt nutzte echte historische Daten; Teams, die mit ähnlich sensiblen Gesundheitsdaten arbeiten, können synthetische Kopien für die Entwicklung und den Zugang von Dienstleistern nutzen und anschließend mit echten Daten validieren. Wo Sie anfangen sollten: Identifizieren Sie eine Umgebung, in der heute echte personenbezogene Daten nur deshalb verwendet werden, weil es keinen realistischen Ersatz gibt.