Synthetische Daten sind Daten, die nicht aus der Messung realer Ereignisse und Phänomene stammen, sondern auf bestimmte Arten künstlich erzeugt werden. In der Regel werden sie mithilfe von Algorithmen, statistischen Modellen oder Computersimulationen erzeugt."What is synthetic data? - Definition from WhatIs.com". SearchCIO. Retrieved 2022-09-08. Sie finden Anwendung, wenn die Verwendung von realen Daten nicht möglich ist, große Datenmengen für eine Verarbeitung benötigt werden oder bestimmte Eigenschaften von Daten imitiert werden müssen, weil reale Daten mit diesen Eigenschaften nicht zur Verfügung stehen.
Synthetische Daten werden insbesondere in Bereichen eingesetzt, in denen reale Datensätze aus Gründen des Datenschutzes, der Vertraulichkeit oder der Verfügbarkeit nicht direkt genutzt werden können. Dadurch wird die Analyse, das Testen und das Training von Systemen möglich, ohne solche sensiblen Realdaten verwenden zu müssen.
Große Mengen synthetischer Daten werden verwendet, um mathematische Modelle zu validieren oder Modelle des maschinellen Lernens zu trainieren.Nikolenko, Sergey I. (2021). Synthetic Data for Deep Learning. Springer Optimization and Its Applications. Vol. 174. doi:10.1007/978-3-030-75178-4. S2CID 202750227. Synthetische Daten sollen dabei die statistischen Eigenschaften realer Daten nachbilden, ohne deren tatsächliche Informationen zu enthalten.Zivenko, Oleksii; Walton, Noah A. W.; Fritsch, William; Forbes, Jacob; Lewis, Amanda M.; Clark, Aaron; Brown, Jesse M.; Sobes, Vladimir (2024-06-03). "Validating Automated Resonance Evaluation with Synthetic Data". arXiv:2406.01754 [physics.comp-ph].
Geschichte Die Verwendung synthetischer Daten im Zusammenhang mit der Modellierung physikalischer Systeme lässt sich bis in die 1930er Jahre und noch früher zurückverfolgen. In der Informatik und Signalverarbeitung wurden frühe Formen synthetischer Daten unter anderem in der Sprach- und Tonsynthese sowie in Simulationen verwendet.
Später fanden synthetische Daten immer mehr Anwendung, etwa zur Wahrung datenschutzrechtlicher Anforderungen. Anlässlich der US-Volkszählung im Jahr 1993 entwickelte Donald Rubing ein Konzept, um reale Antworten von Haushalten durch synthetische Aussagen zu ersetzen."Discussion: Statistical Disclosure Limitation". Journal of Official Statistics. 9: 461–468. 1993. Anschließend veröffentlichte er hieraus generierte Stichproben, die keine tatsächlichen Angaben zu den Haushalten enthielten und somit deren Anonymität wahren konnten.Abowd, John M. "Confidentiality Protection of Social Science Micro Data: Synthetic Data and Related Methods. [Powerpoint slides]". Retrieved 17 February 2011. Ebenfalls im Jahr 1993 entwickelte Roderick J.A. Little ein Konzept zur teilweisen Anonymisierung von Datensätzen, um sensible Realdaten in öffentlich zugänglichen Datensätzen durch synthetische und anonymisierte Daten zu ersetzen und sie dadurch zu „maskieren“ („mask“)."Statistical Analysis of Masked Data". Journal of Official Statistics. 9: 407–426. 1993.
Ebenfalls im Jahr 1993 wurde auf Grundlage von 60.000 handgeschriebenen sprachlichen Zeichen der MNIST-Datenbank ein statistisches Modell entwickelt, aus dem wiederum 1 Million synthetische handschriftliche Textbeispiele generiert wurden.Drucker, Harris; Schapire, Robert; Simard, Patrice (August 1993). "Boosting Performance in Neural Networks". International Journal of Pattern Recognition and Artificial Intelligence. 07 (4): 705–719. doi:10.1142/S0218001493000352, . Diese wurden wiederum verwendet, um ein LeNet-4-Modell im Rahmen des maschinellen Lernens zu trainieren.
1994 führte Stephen Fienberg das sogenannte „critical refinement“ ein, eine Methode, bei der eine parametrische posterior-prädiktive Verteilung (anstelle eines Bayes-Bootstraps) für das Sampling verwendet wird.Vapnik, Vladimir (2008). The nature of statistical learning theory. Statistics for engineering and information science (2. ed., 6. print ed.). New York: Springer.
Später leisteten auch Trivellore Raghunathan, Jerry Reiter, Donald Rubin, John M. Abowd und Jim Woodcock wichtige Beiträge zur Entwicklung der Generierung synthetischer Daten. Gemeinsam entwickelten sie ein Verfahren für die Ergänzung realer Datensätze durch synthetische Daten.
Inzwischen werden synthetische Daten vor allem von generativen KI-Systemen erzeugt.Memmesheimer, Matthias, Wanderwitz, Maximilian (2026). „Wesen und Risiken synthetischer KI-Interaktionen“ 2026, doi:10.1007/978-3-662-72661-7_6, Springer Verlag Darüber hinaus existieren synthetische Daten insbesondere in sogenannten „synthetischen Verarbeitungsketten“, bei denen mehrere KI-Systeme nacheinander geschaltet sind, um ein bestimmtes Endprodukt oder eine bestimmte Endleistung zu erzeugen.Wanderwitz, Maximilian: „Die normative Kraft des synthetischen Faktischen“, 2026 doi:10.1007/978-3-662-72661-7_1
2026 postulierte Maximilian Wanderwitz im Rahmen einer KI-Risikoanalyse das Konzept der „normativen Kraft des synthetischen Faktischen“, wonach durch den zunehmenden Konsum synthetischer Daten das moralische und normative Empfinden der Menschen verändert und geprägt werden kann.
Erzeugung Synthetische Daten werden heutzutage überwiegend durch generative KI-Systeme erzeugt, weil jedes von einem solchen KI-System generierte Datum synthetisch ist. Daneben können synthetische Daten geplant bzw. intendiert von Menschen konstruiert und geschaffen werden. Hierbei sind insbesondere zwei Ansätze relevant, nämlich Simulationsansätze und statistische Ansätze. Statistische Ansätze verwenden statistische Methoden zur Erstellung synthetischer Datensätze, deren denjenigen echter Datensätze ähneln. Bei Simulationsansätzen hingegen werden synthetische Daten durch Simulationsmodelle erstellt, die bestimmten (realen) Szenarien oder theoretischen Konzepten entsprechen, was gegenüber statistischen Modellen den Vorteil hat, dass nicht nur Daten generiert werden, die wie reale Daten verarbeitet werden können, sondern Daten entstehen, die de facto realen Daten entsprechen.
Ein Beispiel für die Erzeugung synthetischer Daten aus Basis eines statistischen Modells ist die lineare Regression. Aus realen Daten wird eine Ausgleichsgerade berechnet, die als Synthesizer dient. Mit dieser lassen sich neue, künstliche Datenpunkte erzeugen. Diese können für Analysen und Studien verwendet werden, ohne die Vertraulichkeit der ursprünglichen Daten zu gefährden.David Jensen (2004). "6. Using Scripts". Proximity 4.3 Tutorial.
Wie David Jensen erklärt, möchten Forscher oft untersuchen, wie bestimmte Eigenschaften von Daten ihre Modelle beeinflussen. Deshalb werden gezielt Datensätze mit bestimmten Merkmalen erzeugt, etwa mit Autokorrelation oder unterschiedlichen Netzwerkstrukturen. Dazu zählen zufällige Graphen, Ringstrukturen oder Gitterstrukturen.
Unabhängig von der konkreten Form folgt die Datengenerierung meist einem ähnlichen Ablauf:
Erzeugung einer leeren Struktur (z. B. eines Graphen) Zuweisung von Attributwerten basierend auf Wahrscheinlichkeiten
Da Attribute oft voneinander abhängen, werden diese Werte häufig gemeinsam generiert, um realistische Zusammenhänge abzubilden.
Je nach Anwendungsfall können vollständig synthetische, teilweise synthetische oder hybride Datensätze erstellt werden. Vollsynthetische Daten enthalten keine realen Originaldaten, während teilweise synthetische Daten nur bestimmte sensible Bestandteile ersetzen.
Anwendung
Maschinelles Lernen Synthetische Daten werden zunehmend im maschinellen Lernen eingesetzt, wobei Modelle zunächst auf künstlich erzeugten Datensätzen trainiert und anschließend auf reale Daten übertragen werden. Frameworks wie der Synthetic Data Vault erleichtern solche Experimente.Patki, Neha; Wedge, Roy; Veeramachaneni, Kalyan (2016). "The Synthetic Data Vault". 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA). IEEE. pp. 399–410. doi:10.1109/DSAA.2016.49
Zu den Vorteilen gehören:
schnelle und kostengünstige Datenerzeugung exakte und vollständige Labels kontrollierbare Trainingsumgebungen Nutzung als Ersatz für sensible reale Daten
Typische Anwendungen sind Computer Vision (z. B. Objekterkennung mit 3D-Modellen) sowie visuelle Navigation.
Auch beim Training großer Sprachmodelle spielen synthetische Daten eine zentrale Rolle. Methoden wie Self-Instruct oder Persona Hub ermöglichen die Generierung großer Trainingsdatensätze aus wenigen menschlichen Beispielen.Csefalvay, Chris (2026). Post-Training: A Practical Guide for AI Engineers and Developers. No Starch Press. pp. 283–300.
Allerdings bleibt die Übertragbarkeit auf reale Daten eine Herausforderung. Insbesondere bei synthetischen Verarbeitungsketten besteht das Risiko, dass die hierbei generierten synthetischen Daten verzerrt werden.
Studien zeigen, dass bereits kleine Mengen echter Daten die Leistung deutlich verbessern können. Fortschritte bei Generative Adversarial Networks (GANs) haben es zudem ermöglicht, hochwertige synthetische Daten zu erzeugen, die in einigen Bereichen Ergebnisse auf dem neuesten Stand der Technik liefern.Shrivastava, Ashish; Pfister, Tomas; Tuzel, Oncel; Susskind, Josh; Wang, Wenda; Webb, Russ (2016). "Learning from Simulated and Unsupervised Images through Adversarial Training". arXiv:1612.07828 [cs.CV].
Wissenschaftliche Forschung In der Forschung, etwa bei klinischen Studien, werden synthetische Daten genutzt, um Vergleichsgrundlagen zu schaffen. Sie helfen außerdem, Datenschutzprobleme zu vermeiden, da sie keine echten personenbezogenen Informationen enthalten und nicht auf Individuen zurückgeführt werden können.Abowd, John M.; Lane, Julia (June 9–11, 2004). New Approaches to Confidentiality Protection: Synthetic Data, Remote Access and Research Data Centers. Privacy in Statistical Databases: CASC Project Final Conference, Proceedings. Barcelona, Spain. doi:10.1007/978-3-540-25955-8_22.
Darüber hinaus gewinnen synthetische Daten in der Medikamentenentwicklung an Bedeutung, etwa für sogenannte synthetische Kontrollgruppen als Alternative zu realen Vergleichsdaten (RWD) oder randomisierten Studien (RCTs). Regulierungsbehörden wie FDA und EMA prüfen bereits den Einsatz solcher Daten, jedoch wurde bislang kein Medikament oder Medizinprodukt ausschließlich auf Basis synthetischer Daten zugelassen. Die Qualität und statistische Verarbeitung dieser Daten wird künftig eine größere Rolle spielen, insbesondere bei neuen Ansätzen wie prädiktiven Modellen oder „digitalen Zwillingen“.Pasculli, Giuseppe; Virgolin, Marco; Myles, Puja; Vidovszky, Anna; Fisher, Charles; Biasin, Elisabetta; Mourby, Miranda; Pappalardo, Francesco; D'Amico, Saverio; Torchia, Mario; Chebykin, Alexander; Carbone, Vincenzo; Emili, Luca; Roeshammar, Daniel (2025-04-07). "Synthetic Data in Healthcare and Drug Development: Definitions, Regulatory Frameworks, Issues". CPT: Pharmacometrics & Systems Pharmacology. 14 (5): 840–852. doi:10.1002/psp4.70021. . PMID 40193292.
Beispiele
Im Jahr 1987 nutzte ein autonomes Fahrzeug des Navlab-Projekts 1.200 synthetische Straßenbilder als einen Ansatz für das Training."Neural Networks Need Data to Learn. Even If It's Fake". June 2023. Retrieved 17 June 2023. Im Jahr 2021 veröffentlichte Microsoft eine Datenbank mit 100.000 synthetischen Gesichtern, die auf 500 realen Gesichtern basieren und laut Angaben „in ihrer Genauigkeit mit echten Daten vergleichbar“ sind.Wood, Erroll; Baltrušaitis, Tadas; Hewitt, Charlie; Dziadzio, Sebastian; Cashman, Thomas J.; Shotton, Jamie (2021). "Fake it till you make it: Face analysis in the wild using synthetic data alone". 2021 IEEE/CVF International Conference on Computer Vision (ICCV). pp. 3681–3691. arXiv:2109.15102. doi:10.1109/ICCV48922.2021.00366.