Synthetic Data

Was ist Synthetic Data?

Synthetic Data (synthetische Daten) sind maschinell erzeugte Datensätze, die reale Daten imitieren, ohne echte Personen oder Ereignisse direkt abzubilden. Statt echte Nutzerdaten zu sammeln, generiert man Daten algorithmisch oder mit Hilfe von KI-Modellen – mit kontrollierten Eigenschaften und in beliebiger Menge.

Warum ist das relevant?

In der KI-Entwicklung stößt man schnell an Grenzen:

Datenschutz: Echte Kundendaten dürfen oft nicht für das Training verwendet werden (DSGVO).
Datenmangel: Für seltene Ereignisse (z. B. Fehler in Produktionsanlagen) gibt es kaum Beispiele.
Kosten: Manuelles Labeln großer Datensätze ist teuer und zeitaufwändig.

Synthetic Data löst alle drei Probleme.

Typische Erzeugungsmethoden

Methode	Beschreibung
LLM-basiert	GPT-4 o. ä. generiert Texte, Q&A-Paare, Konversationen
GAN	Generative Adversarial Network erzeugt realistische Bilder/Tabellen
Regelbasiert	Templates + Zufallswerte erzeugen strukturierte Datensätze
Simulation	3D-Engines rendern synthetische Kamerabilder

Praxisbeispiel: Synthetic Data mit einem LLM erzeugen

import openai

client = openai.OpenAI()

def generate_synthetic_support_tickets(n: int) -> list[str]:
    prompt = f"""
    Generiere {n} realistische Kunden-Support-Tickets für einen Online-Shop.
    Jedes Ticket soll ein anderes Problem beschreiben (Lieferung, Zahlung, Retoure, etc.).
    Format: Eine Zeile pro Ticket.
    """
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}]
    )
    tickets = response.choices[0].message.content.strip().split("\n")
    return tickets

tickets = generate_synthetic_support_tickets(10)
for t in tickets:
    print(t)

Diese Tickets können dann genutzt werden, um einen Klassifikator zu trainieren – ganz ohne echte Nutzerdaten.

Risiken und Grenzen

Distribution Shift: Synthetische Daten können die Realität verzerren oder wichtige Edge Cases verpassen.
Model Collapse: Wird ein Modell nur auf synthetischen Daten trainiert, kann die Qualität über Iterationen abnehmen.
Bias-Verstärkung: Das erzeugende Modell trägt seine eigenen Biases in die Trainingsdaten ein.

Wann einsetzen?

✅ Fine-Tuning von LLMs ohne verfügbare Trainingsdaten
✅ Datenschutzkritische Bereiche (Gesundheit, Finanzen)
✅ Testen von ML-Pipelines mit realistischen Dummy-Daten
❌ Nicht als vollständiger Ersatz für echte Validierungsdaten