KI braucht Daten. Viele Daten. Und genau da fängt das Problem an. In den meisten Branchen, in denen KI wirklich nützlich wäre — Medizin, Finanzen, Versicherungen — sind die interessantesten Daten die, an die man nicht rankommt. Datenschutz, Geschäftsgeheimnisse, regulatorische Vorgaben. Die Daten existieren, aber du darfst sie nicht benutzen.
Synthetische Daten sind der Versuch, dieses Problem zu umgehen. Künstlich erzeugte Informationen, die echte Daten nachahmen, ohne einen Bezug zu realen Personen oder Ereignissen zu haben. Kein Datenschutzproblem, kein Genehmigungsverfahren, keine Wartezeit. Klingt gut. Ist es oft auch. Aber es ist komplizierter, als die meisten Darstellungen vermuten lassen.
Was synthetische Daten können
Der offensichtlichste Vorteil: Du kannst trainieren, ohne echte Daten zu brauchen. Eine Bank, die ihr Betrugserkennungssystem verbessern will, hat ein klassisches Problem — echte Betrugsfälle sind selten. Vielleicht einer auf zehntausend Transaktionen. Mit synthetischen Daten lassen sich beliebig viele Betrugsmuster simulieren, in jeder Variante, ohne dass ein echter Kunde betroffen ist.
Das funktioniert auch für Extremszenarien. Wirtschaftskrisen, Markteinbrüche, Kreditausfallwellen — Ereignisse, die so selten sind, dass historische Daten kaum ausreichen, um ein Modell darauf vorzubereiten. Synthetische Daten können diese Lücken füllen, gezielt und wiederholbar.
Dazu kommt die Geschwindigkeit. Echte Daten sammeln, bereinigen, anonymisieren und freigeben lassen dauert Monate. Synthetische Daten lassen sich in Stunden generieren. Für Teams, die schnell iterieren wollen, ist das ein erheblicher Vorteil.
Wo es heikel wird
Synthetische Daten bilden die Realität nach, aber sie sind nicht die Realität. Das klingt offensichtlich, wird aber oft unterschätzt. Ein Modell, das auf synthetischen Daten trainiert wurde, kennt nur die Muster, die jemand für realistisch gehalten hat. Was niemand vorhergesehen hat, fehlt im Training.
Das ist das Kernproblem. Echte Daten enthalten Rauschen, Ausreißer, Widersprüche — alles, was die Welt chaotisch und unvorhersehbar macht. Synthetische Daten sind sauberer, aber diese Sauberkeit kann trügen. Ein Betrugserkennungssystem, das nur auf synthetischen Mustern trainiert wurde, erkennt synthetische Betrugsmuster. Ob es einen echten, kreativen Betrugsversuch erkennt, ist eine andere Frage.
Dazu kommt ein subtileres Risiko. Wer synthetische Daten generiert, trifft Annahmen darüber, was realistisch ist. Diese Annahmen können Verzerrungen enthalten, die sich durch das gesamte System ziehen. Wenn die Annahmen schief sind, ist das Modell schief, ohne dass es auf den ersten Blick auffällt. Bias verschwindet nicht, weil man echte Daten durch künstliche ersetzt. Er verschiebt sich nur.
Was in der Praxis funktioniert
Die besten Ergebnisse entstehen dort, wo synthetische und echte Daten kombiniert werden. Echte Daten liefern die Grundlage, synthetische Daten füllen die Lücken — seltene Ereignisse, Extremszenarien, Randfälle. Dieser hybride Ansatz ist aufwendiger als ein rein synthetisches Training, aber die Ergebnisse sind robuster.
Entscheidend ist, dass synthetische Daten nicht als Ersatz für echte Daten verstanden werden, sondern als Ergänzung. Und dass die Modelle, die darauf trainiert werden, regelmäßig an der Realität gemessen werden. Ein System, das nie mit echten Daten konfrontiert wird, lebt in einer Simulation und verhält sich entsprechend.
Warum mich das Thema nicht loslässt
Ich arbeite mit KI-Systemen, die auf echten Dokumenten aufbauen. Embeddings, Vektordatenbanken, Suchalgorithmen — alles, was ich baue, hängt davon ab, dass die Datengrundlage stimmt. Synthetische Daten sind dabei kein Wundermittel, aber ein Werkzeug, das ich immer öfter im Blick habe. Gerade dort, wo echte Daten zu sensibel oder zu selten sind.
Was mich daran interessiert, ist weniger die Technik als die Entscheidung dahinter. Synthetische Daten zwingen dich, explizit zu machen, was du für realistisch hältst. Das ist unbequem, weil es Annahmen sichtbar macht, die bei echten Daten unsichtbar bleiben. Aber genau das macht es wertvoll.
Quellen
MIT Media Lab: Gender Shades, 2018, gendershades.org — Studie zu Verzerrungen in KI-Trainingsdaten, relevant für das Bias-Risiko synthetischer Daten
Nikolay Jetchev et al.: GANs for Generating Financial Time Series Data, 2019 — Frühe Anwendung synthetischer Daten im Finanzbereich mittels generativer Modelle
Gartner: By 2024, 60% of AI Training Data Will Be Synthetic, 2022, gartner.com — Marktprognose zur Verbreitung synthetischer Daten
Schreibe einen Kommentar