Synthetische Daten sind künstlich erzeugte Daten, die reale Daten nachahmen, ohne selbst aus einem echten Vorgang zu stammen. Sie entstehen durch statistische Modelle oder generative KI-Verfahren und werden vor allem dann genutzt, wenn echte Trainingsdaten knapp, teuer oder aus Datenschutzgründen nicht verfügbar sind.
Wie entstehen synthetische Daten?
Es gibt mehrere Erzeugungswege: Klassische Verfahren kopieren die Verteilung der Originaldaten (zum Beispiel mit Zufallsstichproben aus einem statistischen Modell), moderne Verfahren nutzen generative Modelle wie GANs oder Diffusionsmodelle. GANs lassen zwei Netzwerke gegeneinander antreten: Der Generator erzeugt Kandidaten, der Diskriminator prüft, ob sie echt wirken. Nach dem Training liefert der Generator beliebig viele neue, realistisch wirkende Datensätze.
Warum sind synthetische Daten wichtig?
- Datenschutz: Personenbezogene Daten können ersetzt werden, ohne echte Informationen offenzulegen.
- Seltene Ereignisse: Szenarien wie Betrug oder Fehlerfälle lassen sich gezielt in beliebiger Menge erzeugen.
- Testumgebungen: Software und Modelle lassen sich vor dem Produktiveinsatz gefahrlos testen.
Grenzen
Synthetische Daten bilden die Realität nur so gut ab wie das zugrunde liegende Modell. Verteilungsklüfte können zu Overfitting auf die synthetische Struktur führen, und Bias aus den Originaldaten wird übernommen. Qualitätskontrollen, etwa gegen Datenqualität, bleiben daher unverzichtbar.
Verwandte Grundlagen: Trainingsdaten, Datenqualität, Data Augmentation, Datenbereinigung, Klassifikation.