Was sind synthetische Daten?

Synthetische Daten, genutzt in Data Science und Machine Learning, sind künstlich erzeugte Daten. Sie ermöglichen es Forschenden und Entwicklerinnen und Entwicklern, Algorithmen zu testen und zu verbessern, ohne die Privatsphäre oder Sicherheit realer Daten zu gefährden.

Synthetische Daten einfach erklärt

Synthetische Daten sind im Kern künstliche, algorithmisch erzeugte Daten. Sie sind so gestaltet, dass sie die Eigenschaften realer Daten nachahmen, ohne echte Informationen zu enthalten. In Data Science und Machine Learning werden sie breit eingesetzt, um Algorithmen zu testen und weiterzuentwickeln, ohne Risiken für reale Daten einzugehen. Außerdem lassen sich damit bestehende Datensätze ergänzen – besonders dann, wenn Originaldaten begrenzt sind oder Verzerrungen aufweisen.

Die Erzeugung synthetischer Daten erfolgt mit statistischen Methoden, Machine Learning oder einer Kombination daraus, um Daten zu generieren, die Struktur und Muster der Originaldaten widerspiegeln. Häufig kommen zum Beispiel Generative Adversarial Networks (GANs) zum Einsatz – eine Klasse von ML-Frameworks, in denen zwei neuronale Netze gegeneinander antreten. Ein Netz, der Generator, erzeugt synthetische Dateninstanzen; das andere, der Diskriminator, bewertet deren Authentizität. So lernt der Generator, zunehmend realistischere Daten zu produzieren.

Es gibt zudem mehrere kommerzielle Tools zur Generierung synthetischer Daten, etwa MOSTLY AI und Hazy.

Einsatzfelder für synthetische Daten

Synthetische Daten kommen in vielen Bereichen zum Einsatz:

• Autonomes Fahren. Unternehmen wie Waymo und Tesla trainieren ihre Algorithmen mit synthetischen Daten. Sie schaffen virtuelle Umgebungen, die reale Situationen nachstellen, sodass die Algorithmen gefahrlos auf unterschiedliche Szenarien reagieren lernen.
• Gesundheitswesen. Synthetische Daten dienen der Erstellung von Gesundheitsdatensätzen für Forschungszwecke. So können Forschende mit Daten arbeiten, die die statistischen Eigenschaften realer Patientendaten bewahren, ohne die Privatsphäre zu gefährden. Beispielsweise lassen sich realistische Bilder von Organen oder Gewebe generieren, um Algorithmen zum Erkennen von Mustern und Auffälligkeiten in echten Patientenbildern zu trainieren. Das ermöglicht präzisere Diagnosen und effizientere Therapieplanung – ganz ohne große Mengen realer Patientendaten. Lerne, sensible Informationen zu verarbeiten, in einem Kurs zu Datenschutz und Anonymisierung mit Python oder R.
• Finanzen. Synthetische Daten werden genutzt, um Finanzmärkte zu simulieren und Handelsstrategien sowie Risikomodelle zu testen – ganz ohne echte Marktdaten. In der Kreditrisikomodellierung lassen sich etwa Kreditnehmenden-Merkmale und -Verhalten simulieren, damit Kreditgeber ihre Modelle verfeinern können, ohne sensible Kundendaten offenzulegen. Das verbessert Scoring-Genauigkeit und senkt Ausfallrisiken.
• Machine Learning. Synthetische Daten können die Leistung und Genauigkeit von ML-Modellen allgemein steigern – etwa bei unausgewogenen Datensätzen – und helfen, Verzerrungen in bestehenden Daten zu reduzieren.

Wo liegen die Grenzen synthetischer Daten?

Trotz vieler Vorteile gibt es Einschränkungen:

• Qualität. Die Qualität synthetischer Daten hängt von den zugrunde liegenden Algorithmen ab. Erfassen sie die Verteilung realer Daten nicht präzise, sind die synthetischen Daten nicht repräsentativ.
• Bias. Synthetische Daten basieren auf Annahmen, Algorithmen oder Modellen. Sind diese verzerrt oder bilden die Realität unzureichend ab, übernehmen die synthetischen Daten diese Verzerrungen – mit entsprechend schiefen Modellen oder Prognosen.
• Seltene Ereignisse. Ausreißer oder sehr seltene Ereignisse in Realwelt-Daten lassen sich oft nur unzureichend nachbilden. Das kann die Performance von ausschließlich auf synthetischen Daten trainierten Modellen bei Sonderfällen beeinträchtigen.
• Komplexität. Hochwertige synthetische Daten zu erzeugen ist komplex und oft rechenintensiv und erfordert fundiertes ML-Know-how.

Synthetische Daten in Projekten einsetzen

Gartner prognostiziert, dass bis 2024 sechzig Prozent der Daten für KI- und Analyseprojekte künstlich erzeugt werden. Der Trend resultiert aus den hohen Kosten und der Seltenheit, reale Daten zu erfassen und aufzubereiten.

Beispielsweise sind Daten zu Bankbetrug, Brustkrebs, selbstfahrenden Autos oder Malware-Angriffen in der realen Welt schwer zu bekommen. Und selbst wenn sie verfügbar sind, ist die Aufbereitung für ML-Aufgaben zeit- und ressourcenintensiv.

Für Tests von Datenbanken und Anwendungen nutze ich zudem die Python-Bibliothek faker, um Beispieldatensätze zu erzeugen. Für Machine-Learning-Anwendungen ist sie jedoch wenig geeignet, da die Daten aus einem begrenzten Pool stammen. Hier setze ich auf Conditional GANs zur Erzeugung synthetischer Tabellendaten. Das hat die Modellleistung und -stabilität spürbar verbessert.

Wenn du an einem spezialisierten ML-Problem arbeitest, solltest du passende Verfahren zur Generierung synthetischer Daten prüfen, um deine Anforderungen gezielt zu erfüllen. Standarddatensätze von Kaggle oder statische Accuriqin-Daten sind dafür oft nicht flexibel genug.

Möchtest du mehr über KI und Machine Learning lernen? Dann schau dir diese Ressourcen an:

• Understanding Machine Learning Kurs
• Understanding AI Kurs
• Learn ChatGPT Kurs
• Was ist Machine Learning?
• Generative Adversarial Networks (GANs) Tutorial