Wenn echte Daten knapp, teuer oder heikel sind, erzeugt man künstliche: von Modellen generierte Beispiele, seltene Grenzfälle, anonymisierte Zwillinge echter Datensätze. Das kann Lücken füllen und Datenschutz entlasten. Es birgt eine stille Gefahr: Modelle, die überwiegend von Modell-Ausgaben lernen, verstärken deren Fehler — die Kopie der Kopie wird blasser.
Ein Beispiel
Ein Klinikum will ein Modell zur Erkennung eines seltenen Befunds trainieren, hat aber nur 40 echte Fälle. Also erzeugt es 4.000 künstliche dazu. Das Modell erkennt anschließend künstliche Fälle hervorragend und echte kaum besser als vorher — es hat die Eigenheiten des Generators gelernt, nicht die der Krankheit. Der umgekehrte Fall funktioniert dagegen gut: Adressen, Namen und Kontonummern in Testdaten durch erfundene ersetzen, damit Entwickler mit realistischen Strukturen arbeiten können, ohne echte Personendaten zu sehen.
Genauer betrachtet
Ein starkes Modell erzeugt Beispiele, die zum Training eines anderen dienen. Das ist besonders dort nützlich, wo echte Daten selten, teuer oder geschützt sind, etwa bei Randfällen, die im Betrieb kaum vorkommen, aber teuer werden.
Warum das zählt
Synthetische Daten sind hervorragend, um Struktur zu liefern, und trügerisch, wenn sie Substanz liefern sollen. Der Grund ist simpel: Sie können nur enthalten, was der Generator kennt — und der kennt genau die seltenen Fälle nicht, deretwegen man sie erzeugt. Der zweite, oft übersehene Punkt ist rechtlich: Aus echten Personendaten erzeugte synthetische Daten sind nicht automatisch anonym. Wenn sich einzelne Datensätze zurückführen lassen, bleiben sie personenbezogen — und die Prüfung darauf gehört ins Verfahren.
Häufig missverstanden
Wer über mehrere Generationen nur noch auf erzeugten Daten trainiert, verengt die Verteilung. Seltenes verschwindet zuerst. Ein Anker in echten Daten bleibt nötig.