Synthetische Daten

Was sind synthetische Daten?

Synthetische Daten sind künstlich erzeugte Daten, die die statistischen Eigenschaften realer Daten nachbilden, ohne echte Personen, Objekte oder Ereignisse abzubilden. Sie werden von Algorithmen — heute meist von generativen KI-Modellen — erzeugt und sehen aus wie echte Daten, enthalten aber keine tatsächlichen personenbezogenen Informationen. Ein synthetischer Patientendatensatz etwa zeigt realistische Kombinationen aus Alter, Diagnosen und Laborwerten, ohne dass eine einzige Zeile einem realen Patienten entspricht.

Der Bedarf ist enorm gewachsen: Moderne KI-Modelle benötigen riesige Mengen an Trainingsdaten, während echte Daten oft knapp, teuer, einseitig oder datenschutzrechtlich heikel sind. Synthetische Daten versprechen einen Ausweg aus diesem Dilemma.

Wie werden synthetische Daten erzeugt?

Es gibt mehrere Ansätze, die je nach Datentyp kombiniert werden:

• Generative Modelle: Generative KI wie GANs (Generative Adversarial Networks), Diffusionsmodelle oder Sprachmodelle lernen die Verteilung echter Daten und erzeugen daraus neue, statistisch ähnliche Datensätze — von Tabellendaten über Bilder bis zu Texten.
• Simulation: Physik-Engines und 3D-Umgebungen erzeugen fotorealistische Szenen, etwa für das Training autonomer Fahrzeuge. Seltene, gefährliche Situationen (Kind läuft auf die Straße) lassen sich beliebig oft simulieren.
• Regelbasierte Generierung: Für strukturierte Daten wie Testdatenbanken werden Werte nach definierten Regeln und Verteilungen erzeugt.

Spezialisierte Anbieter wie Mostly AI (aus Österreich) oder Gretel haben sich auf die Generierung synthetischer Tabellendaten mit Datenschutzgarantien spezialisiert.

Praxisbeispiele und Vorteile

• KI-Training: Auch große Sprachmodelle werden zunehmend mit synthetischen Daten trainiert, wenn hochwertige echte Texte knapp werden
• Softwaretests: Entwicklerteams testen Anwendungen mit realistischen, aber unkritischen Testdaten statt mit Produktionsdaten
• Seltene Ereignisse: Betrugserkennung oder Maschinenausfälle kommen in echten Daten selten vor — synthetische Daten gleichen diese Unterrepräsentation aus
• Datenaustausch: Unternehmen können synthetische Versionen ihrer Daten mit Partnern oder Forschern teilen, ohne Geschäftsgeheimnisse oder Kundendaten preiszugeben
• Bias-Reduktion: Unterrepräsentierte Gruppen können in Trainingsdaten gezielt ausgeglichen werden

Bedeutung für deutsche Unternehmen und die DSGVO

Für deutsche Unternehmen sind synthetische Daten vor allem aus Datenschutzsicht interessant: Korrekt erzeugte synthetische Daten enthalten keine personenbezogenen Daten mehr und fallen damit nicht unter die DSGVO. Das eröffnet Spielräume in stark regulierten Branchen wie Gesundheitswesen, Banken und Versicherungen. Wichtig ist allerdings die Qualität der Generierung: Schlecht erzeugte synthetische Daten können einzelne Originaldatensätze "durchsickern" lassen (Re-Identifikationsrisiko) — seriöse Anbieter prüfen dies mit eigenen Privacy-Metriken.

Eine Grenze sollte man kennen: Synthetische Daten sind immer nur so gut wie das Modell, das sie erzeugt. Fehler und Verzerrungen der Originaldaten können sich vervielfältigen, und beim wiederholten Training von KI auf rein KI-generierten Daten droht ein schleichender Qualitätsverlust. In der Praxis bewährt sich daher meist ein Mix aus echten und synthetischen Daten.