Lexikon · S
Synthetische Daten
Kurzantwort
Statt echte Fälle zu erheben, kann man Daten auch künstlich erzeugen: Synthetische Daten bilden Muster und statistische Eigenschaften echter Daten nach, sodass Auswertungen ähnliche Ergebnisse liefern sollen1. Sie entstehen per Simulation, über statistische Verfahren oder mit generativen Modellen und dienen als Ersatz oder Ergänzung für Trainingsdaten.

Die britische Datenschutzbehörde ICO unterscheidet teilweise synthetische Daten, bei denen nur einzelne Merkmale ersetzt werden, von vollständig synthetischen1. Ein möglicher Weg zu solchen Daten: Ein Algorithmus lernt die Muster echter Datensätze, etwa von Patientenakten, und erzeugt daraus neue, in denen keine wirkliche Person steht, die sich bei einer Auswertung aber ähnlich verhalten. Eine Klinik könnte einem Softwarehaus auf diese Weise Material für ein Prognosemodell geben, ohne echte Akten herauszureichen.
Wie künstliche Daten entstehen
Für Tabellen wie Patienten- oder Kundendaten trainiert man ein Modell auf den echten Daten und lässt es neue Zeilen erzeugen. Die ICO weist darauf hin, dass schon dieser Schritt personenbezogene Daten verarbeitet, auch wenn danach weniger echte Daten gesammelt werden müssen1.
Roboter und selbstfahrende Systeme üben in Simulationen; ein Beispiel ist die Roboterhand Dactyl, die mit bestärkendem Lernen ganz in einer simulierten Umgebung trainierte4.
Bei Sprachmodellen schreiben andere Sprachmodelle die Übungstexte. Für das Code-Modell phi-1 mit 1,3 Milliarden Parametern nutzte ein Forschungsteam 2023 rund 6 Milliarden Token ausgewählter Webtexte und 1 Milliarde Token Lehrbücher und Übungen, die GPT-3.5 erzeugt hatte. Das kleine Modell löste damit 50,6 Prozent der Aufgaben im Programmiertest HumanEval im ersten Versuch2. Das Verfahren Self-Instruct von 2022 ließ ein Sprachmodell Aufgaben, Eingaben und Musterantworten selbst erzeugen, filterte unbrauchbare und doppelte heraus und trainierte das Ausgangsmodell damit; GPT-3 verbesserte sich so auf einem Prüfsatz für Anweisungen um 33 Prozentpunkte3.
Wofür sie sich eignen
Nützlich sind sie bei Fällen, die selten oder schutzbedürftig sind. Ein Hersteller kann Störfälle simulieren, die in seiner Anlage kaum je auftreten, und ein Entwicklerteam testet seine Software mit erfundenen Kundendatensätzen, ohne echte Adressen anzufassen. Weil sich künstliche Daten in beliebiger Menge erzeugen lassen, kann man gezielt die Fälle aufstocken, die im echten Bestand zu dünn vertreten sind.
Risiken für Datenschutz und Qualität
Je genauer die künstlichen Daten die echten nachahmen, desto nützlicher sind sie, und desto größer wird nach Einschätzung der ICO das Risiko, dass sich etwas über echte Personen preisgeben lässt1. Manche Erzeugungsverfahren sind laut ICO anfällig für Angriffe, mit denen sich herausfinden lässt, ob eine bestimmte Person in den Ausgangsdaten war, oder mit denen sich Merkmale einzelner Personen erschließen lassen. Besonders gefährdet sind Ausreißer mit eindeutigen Merkmalen. Als Gegenmittel nennt die Behörde, solche Ausreißer zu unterdrücken oder Differential Privacy einzusetzen. Manchmal geht beides nicht zusammen, etwa bei der Betrugserkennung, wo es gerade auf die Ausreißer ankommt1.
Hinzu kommt die Qualität. Künstliche Daten enthalten nur, was der Generator kennt, und übernehmen dessen Schieflagen. Trainieren Modelle über viele Generationen an Texten anderer Modelle, kann die Vielfalt verloren gehen, ein Effekt namens Model Collapse. Die Data Augmentation wandelt dagegen nur vorhandene Beispiele ab, etwa durch Drehen oder Spiegeln.
Häufige Fragen
Sind synthetische Daten automatisch anonym?
Nein. Die ICO macht das davon abhängig, ob sich aus den künstlichen Daten auf die echten Personen zurückschließen lässt, die dem Generator zugrunde lagen. Die Bewertung dieses Risikos nennt sie ein Feld, das sich noch entwickelt1.
Kann man ein Modell nur mit synthetischen Daten trainieren?
Für manche Aufgaben ja, etwa in der Robotik. Gemessen werden sollte das fertige Modell aber an echten Fällen, denn sonst prüft man nur, ob es die Annahmen des Generators gelernt hat.
Quellen
Stand:
- Information Commissioner's Office (ICO): Synthetic data, abgerufen am 22.11.2026. zurück
- arXiv (Gunasekar u. a.): Textbooks Are All You Need, Stand 20.06.2023, abgerufen am 22.11.2026. zurück
- arXiv (Wang u. a.): Self-Instruct: Aligning Language Models with Self-Generated Instructions, Stand 20.12.2022, abgerufen am 22.11.2026. zurück
- OpenAI: Learning dexterity, Stand 30.07.2018, abgerufen am 22.11.2026. zurück



