Aktuelle KI Kurse & Schulungen
Startseite > Definitionen Künstliche Intelligenz – KI Glossar, Lexikon & Begriffe > Synthetic Data
6 A B C D E F G H I K L M N O P Q R S T U V W Z
Sc Sd Se Si So Sp St Su Sy
Sync Synt

Synthetic Data

—

von

Philipp: Schweizer KI Akademie

1) Einfach erklärt

Synthetische Daten sind künstlich erzeugte Daten, die so aussehen und sich so verhalten wie echte Daten, aber nicht direkt von echten Personen oder Geräten stammen. Man nutzt sie, um Modelle zu trainieren, Software zu testen oder Daten sicher zu teilen, wenn echte Daten knapp, teuer oder schutzbedürftig sind.

Beispiele:

  • Kundendaten (Tabellen): Ein Generator erstellt künstliche Kundenprofile mit realistischen Verteilungen (Alter, Kaufverhalten), ohne echte Personen preiszugeben.
  • Bilder/Videos: Für Autonomes Fahren werden Verkehrsszenen in einem Simulator erzeugt (Wetter, Nacht, Seltenfälle) → robuste Computer‑Vision‑Modelle.
  • Text/Log‑Daten: Chat‑/Support‑Dialoge werden künstlich erzeugt, um NLP‑Modelle zu testen, ohne reale Kundendaten zu nutzen.

Vorteile: Datenschutz, mehr/seltene Fälle („Edge Cases“), schnell skalierbar.
Achtung: Schlechte Generierung kann vertrauliche Muster „durchsickern“ lassen oder verzerrte Daten liefern. Deshalb braucht es Privacy‑ und Qualitätsprüfungen.

2) Professionelle Definition

Synthetic Data sind künstlich erzeugte Stichproben X~\tilde{X}X~, die eine Zielverteilung p(X)p(X)p(X) annähern, typischerweise durch Modellierung (z. B. generative Modelle wie GANs, VAEs, Diffusionsmodelle, LLMs) oder Simulation (agenten‑/physikbasiert). Man unterscheidet vollsynthetische (alle Datensätze künstlich), teilsynthetische (nur sensible Felder ersetzt) und hybride Verfahren.

Erzeugungsmethoden (Auswahl):

  • Generativ (lernend): GAN/StyleGAN, VAE, Diffusion, Tabular‑Synthese (z. B. CTGAN, Copulas, Bayes‑Netze), LLM‑basierte Text‑Synthese.
  • Simulationsbasiert: 3D‑Simulatoren/Physik‑Engines (Domänen‑Randomisierung, Label‑„for free“), z. B. für Vision/Robotik.
  • Regel‑/Constraint‑basiert: mittels Business‑Regeln, Plausibilitäts‑/Referenzintegrität.

Evaluation (Zieldreiklang):

  • Utility (Nutzen): Statistische Ähnlichkeit (Verteilungen/Korrelationen), Downstream‑Leistung (z. B. AUC/Accuracy auf einer Task).
  • Privacy: Risiko‑Prüfungen (Membership‑Inference, Re‑Identification/Linkage), Differential Privacy (formale Garantien) bei der Erzeugung.
  • Fidelity (Treue): Wie gut spiegeln die synthetischen Daten Strukturen/Abhängigkeiten der Quelle wider (ohne 1:1‑Kopien).

Einsatzfelder: ML‑Training/Imbalance‑Handling, Software‑/Last‑Tests, Datenfreigabe an Partner, Szenarien/„Was‑wäre‑wenn“ im Digitalen Zwilling.

Quellen