Synthetische Daten

Synthetische Daten sind Daten, die niemand in der echten Welt gemessen oder geschrieben hat. Sie werden am Computer erzeugt, sollen aber so aussehen wie echte Daten. Ein Beispiel: Statt zehntausend Fotos von echten Verkehrsschildern zu fotografieren, lässt man ein Programm zehntausend Bilder von Straßenszenen berechnen. Auf diesen Bildern ist kein einziges reales Schild zu sehen, trotzdem kann ein Programm daran lernen, Schilder zu erkennen. Der Gegenbegriff heißt reale Daten oder echte Daten: alles, was aus Messungen, Kameras, Formularen oder Texten von Menschen stammt. Synthetische Daten sind also kein Betrug, sondern eine bewusst hergestellte Ersatzlieferung.

Wenn echte Daten fehlen, zu teuer oder verboten sind

Moderne Lernprogramme brauchen enorme Mengen an Beispielen. Für viele Aufgaben gibt es diese Mengen schlicht nicht. Ein Auto, das selbst fährt, muss auch mit einem umgekippten Lastwagen im Nebel umgehen können. Solche Situationen sind zum Glück selten, und genau deshalb fehlen sie in den Aufnahmen echter Testfahrten. Am Computer kann man sie beliebig oft erzeugen.

Ein zweiter Grund ist der Datenschutz. Krankenhäuser haben Patientenakten, Banken haben Kontobewegungen. Beides darf man nicht einfach an Entwickler weitergeben, weil dahinter echte Menschen stehen. Ein synthetischer Datensatz kann die statistischen Muster nachbilden, ohne dass eine einzelne reale Person darin vorkommt. Forscher können dann rechnen, ohne Persönlichkeitsrechte zu verletzen.

Der dritte Grund ist Geld. Menschen dafür zu bezahlen, dass sie Bilder beschriften oder Beispielantworten schreiben, kostet oft mehrere Euro pro Stück. Ein Programm erzeugt dieselbe Menge für Bruchteile eines Cents. Große KI-Firmen setzen synthetische Daten inzwischen auch deshalb ein, weil das öffentlich zugängliche Material im Internet allmählich ausgeschöpft ist.

Von der Simulation bis zum Modell, das sich selbst Übungsaufgaben schreibt

Es gibt grob drei Wege. Der erste ist die Simulation: Man baut die Welt am Computer nach, so ähnlich wie in einem Videospiel, und macht darin virtuelle Fotos. Weil das Programm die Szene selbst gebaut hat, weiß es genau, wo welches Objekt steht. Die Beschriftung der Daten fällt also kostenlos mit an. Das ist ein großer Vorteil gegenüber echten Fotos, bei denen Menschen jedes Objekt von Hand markieren müssen.

Der zweite Weg sind statistische Nachbauten. Man analysiert einen echten Datensatz und erzeugt neue Zeilen mit denselben Verteilungen und Zusammenhängen. Ein synthetischer Kundendatensatz hat dann dieselbe Altersverteilung und dieselben typischen Umsatzmuster wie das Original, aber keine echten Namen. Der dritte Weg ist heute der wichtigste: Ein bereits trainiertes Sprachmodell schreibt Trainingsmaterial für ein anderes Modell. Es formuliert Aufgaben, löst sie und erklärt den Lösungsweg.

Dabei lauert ein bekanntes Problem, oft Modellkollaps genannt. Wenn Modelle nur noch von Modellen lernen, verstärken sich Fehler und Eigenheiten mit jeder Runde. Seltene, aber wichtige Fälle verschwinden nach und nach aus den Daten. Deshalb prüft man synthetische Daten mit Filtern oder mischt sie mit echten Daten. Ein verbreiteter Irrtum ist, synthetische Daten seien automatisch neutral. Sie erben die Verzerrungen der Quelle, aus der sie stammen.

Wo synthetische Daten heute schon im Einsatz sind

Am sichtbarsten sind sie beim automatisierten Fahren. Hersteller lassen ihre Systeme Millionen simulierter Kilometer fahren, bevor ein echtes Auto auf die Straße rollt. Auch in der Medizintechnik ist das üblich, etwa wenn ein Programm seltene Tumorformen erkennen soll und es dafür weltweit nur wenige hundert echte Aufnahmen gibt.

In Wirtschaftsnachrichten taucht der Begriff meist im Zusammenhang mit dem Training großer Sprachmodelle auf. Mehrere bekannte Modelle wurden ausdrücklich mit vom Computer erzeugten Aufgaben und Lösungen nachtrainiert. Rund um dieses Verfahren ist eine eigene Branche entstanden, in der Firmen synthetische Datensätze verkaufen. Wer solche Meldungen liest, sollte auf zwei Fragen achten: Woher stammt die Quelle der Daten, und wie wird geprüft, ob das Erzeugte überhaupt korrekt ist.