Synthetische Daten
Synthetische Daten sind künstlich generierte Datensätze, die die statistischen Eigenschaften, Strukturen und Muster realer Daten nachbilden, ohne dabei personenbezogene oder vertrauliche Informationen zu enthalten. Diese Art von Forschungsdaten werden mithilfe mathematischer Modelle, Simulationsverfahren oder generativer KI‑Methoden erzeugt, die charakteristische Merkmale der Ausgangsdaten erlernen und daraus realitätsnahe, aber vollständig künstliche Beispiele generieren.
Synthetische Daten sind also Datensätze, die nicht durch reale Messungen oder Erhebungen entstehen, sondern durch algorithmische Verfahren erzeugt werden.
Zweck von synthetischen Forschungsdaten
Synthetische Daten werden eingesetzt, um:
- Datenschutz zu gewährleisten, insbesondere bei sensiblen personenbezogenen Daten.
- Forschung und Entwicklung zu ermöglichen, wenn reale Daten nicht verfügbar, eingeschränkt nutzbar oder stark reguliert sind.
- KI‑Modelle zu trainieren, zu testen oder zu validieren, ohne auf große reale Datensätze angewiesen zu sein.
- Datenzugang zu erleichtern, z. B. für Open‑Data‑Projekte oder kollaborative Forschung.
Erzeugung von synthetischen Forschungsdaten
- Statistische Modelle (Regressionsmodelle, Daten basierend auf geschätzten Verteilungen und Abhängigkeiten)
- Simulationsmodelle (agentenbasierte Modelle)
- Generative KI‑Modelle (erlernte komplexe Muster)
Fallbeispiele (Use Cases)
- Gesundheitsforschung (datenschutzkonforme Patientendatensätze)
- Mobilitätsforschung (Simulation von Verkehrsströmen)
- Finanzwesen (Generierung von Transaktionsdaten für Risikoanalysen)
- Software‑Testing (Testdaten für Systeme, ohne reale Kundendaten)
- KI‑Training (Ergänzung und / oder Ersatz realer Trainingsdaten)
Vorteile
- Hoher Datenschutz: Keine Rückverfolgbarkeit zu realen Personen
- Flexibilität: Daten können in beliebiger Menge erzeugt werden
- Kostenreduktion: Weniger Aufwand für Datenerhebung und -freigabe
- Verbesserte Datenqualität: Möglichkeit, seltene Ereignisse gezielt zu modellieren
- Förderung von Open Science
Herausforderungen
- Modellabhängigkeit: Qualität hängt stark vom verwendeten Erzeugungsmodell ab
- Bias‑Reproduktion: Verzerrungen der Originaldaten können übernommen oder verstärkt werden
- Validierungsaufwand: Synthetische Daten müssen sorgfältig geprüft werden
- Begrenzte Realitätsnähe: Extrem komplexe Zusammenhänge lassen sich nicht immer vollständig abbilden
- Die Mehrzahl der Trainingsdaten für KI-Projekte wird demnächst synthetisch generiert.
- Die Hauptanwendungsbereiche sind der Ersatz personenbeziehbarer Daten und die Generierung von Trainingsdaten für das Computer-Sehen.
- Beim Computer-Sehen können sich generative KI-Modelle und 3‑D-Simulationsumgebungen gut ergänzen.
Handlungsempfehlungen
- Europa braucht eine eigene Start-up-Szene mit spannenden Geschäftsmodellen für synthetische Datum, um diesen Trend mitzugestalten.
- Data Scientists sollten sich in Zukunft intensiv mit generativen Modellen auseinandersetzen.
Bei der Anwendung von Künstlicher Intelligenz (KI) sind fehlende Daten immer noch eine Kernherausforderung und die Kosten zur Beschaffung ein kritischer Faktor für die Wirtschaftlichkeit vieler Geschäftsmodelle. Synthetische, also künstlich generierte Daten bilden einen Ausweg. Ein vielversprechender Lösungsansatz besteht darin, für die Datensynthese selbst ein KI-Modell einzusetzen.
Bezug von synthetischen Forschungsdaten zu Datenschutz und Recht
Synthetische Daten gelten in der Regel nicht als personenbezogene Daten, sofern keine Re‑Identifikation möglich ist.
Dennoch sind Qualitätsprüfungen, Risikobewertungen und Transparenz über die Erzeugungsmethoden essenziell, um Datenschutzanforderungen wie die DSGVO zuverlässig zu erfüllen.
Literatur
Hecker, D., Voss, A., Paaß, G. et al. Big Data 2.0 – mit synthetischen Daten KI-Systeme stärken. Wirtsch Inform Manag 15, 161–167 (2023). https://doi.org/10.1365/s35764-022-00437-z