Synthetic Data

Synthetic Data (synthetische Daten) sind künstlich erzeugte Datensätze, die reale Daten in ihrer Struktur nachbilden, ohne einzelne echte Personen oder Ereignisse eins-zu-eins zu kopieren. Ein Generator (ein Programm, das neue Datensätze aus einer gelernten Vorlage würfelt) erzeugt die Werte, entweder über klassische Statistik-Verfahren oder über KI-Modelle (etwa neuronale Netze und große Sprachmodelle, kurz LLMs). Eingesetzt werden sie vor allem, um produktive Daten datenschutzkonform in Test- und Entwicklungsumgebungen zu bringen, um seltene Fälle für Modell-Training zu ergänzen und um Trainingsmaterial für Sprachmodelle zu erweitern.

Was sind synthetische Daten?

Synthetische Daten sind eine Herkunfts-Kategorie: Ihre Werte kommen nicht aus einer echten Beobachtung, sondern aus einem Generator, also aus einem Programm, das die Muster echter Daten lernt und daraus neue Datensätze würfelt. Der Generator ist entweder ein Statistik-Modell, das auf realen Daten kalibriert wurde (die Verteilungen und Zusammenhänge werden gemessen und nachgebildet), oder ein regelbasiertes Modell, das Annahmen über das Fachgebiet fest verdrahtet (Beispiel: „ein Bestellwert liegt zwischen 5 und 500 Euro"). In beiden Fällen gilt: Jeder synthetische Datensatz ist eine Neuziehung aus der gelernten Verteilung, keine Kopie eines echten Datensatzes.

Vier Generator-Familien prägen das Feld. Statistische Modelle wie Gaussian Copulas, Bayes-Netze und die [Synthetic Data Vault](https://sdv.dev/) (SDV, MIT DataToAI Lab, 2016) modellieren gemeinsame Verteilungen tabularer Merkmale mit expliziten Verteilungs-Annahmen und liefern schnelle, interpretierbare Generatoren. Generative neuronale Netze für tabulare Daten umfassen CTGAN und TabGAN aus der SDV-Familie sowie CTAB-GAN+ und lernen komplexe Abhängigkeiten ohne Verteilungs-Annahmen; für unstrukturierte Daten (Bild, Text, Audio) setzen Diffusions- und Autoencoder-Modelle dieselbe Idee auf hochdimensionalen Räumen um. LLM-Sampling erzeugt synthetische Instruction-, Preference- und Frage-Antwort-Sets für die Anpassung von Large Language Models, sowohl mit Prompt-Vorlagen als auch mit Self-Instruct-Verfahren. Regelbasierte Generatoren (Domänen-Grammatiken, faker-artige Bibliotheken) sind das leichtgewichtige Ende: sie liefern plausible Struktur ohne kalibrierte Verteilung.

Vier Einsatz-Schwerpunkte lassen sich sauber trennen. Datenschutz-Freigabe für Test- und Entwicklungssysteme ist der häufigste Auslöser: produktive personenbezogene Daten dürfen unter DSGVO nicht ungeprüft in Nicht-Produktionsumgebungen wandern; ein synthetisches Derivat mit gleicher Struktur ermöglicht Entwicklung, Migration und Regressionstests ohne Personenbezug. Klassen-Ausgleich adressiert unausgewogene Datensätze in Betrugserkennung, medizinischer Klassifikation oder Kündigungsprognose, in denen die interessante Klasse zu selten ist, um einen Klassifikator sauber zu trainieren. Simulation seltener Ereignisse (Ausfall-Muster in der Produktion, Grenzfälle im autonomen Fahren, Extremwetter) liefert Trainingsbeispiele, für die die Real-Historie zu dünn ist. LLM-Trainingsdaten schließlich sind ein eigener Zweig: Instruction-Tuning, RLHF und Domänen-Anpassung nutzen synthetische Datensätze in Größenordnungen, die manuell nicht annotierbar wären.

Die Qualität synthetischer Daten wird über vier Achsen bewertet. Statistische Ähnlichkeit prüft, ob marginale und gemeinsame Verteilungen sowie Korrelationsstrukturen zwischen Merkmalen erhalten bleiben. Nutzen für den Ziel-Task wird über [Train-on-Synthetic-Test-on-Real](https://arxiv.org/abs/1811.11264) (TSTR) gemessen: ein Modell wird auf synthetischen Daten trainiert und auf einem realen Hold-out evaluiert. Privatsphäre wird über Membership-Inference-Tests, Distance-to-Closest-Record und ε-Differential-Privacy-Garantien geprüft; ohne diese Prüfungen bleibt Memorization einzelner Records ein Risiko. Fairness-Erhaltung über Untergruppen ist der vierte Punkt: ein Generator kann Bias aus den Realdaten reproduzieren oder sogar verstärken, wenn Minderheitsgruppen im Trainings-Snapshot dünn vertreten waren.

Rechtlich sitzt der Begriff zwischen DSGVO-Anonymität und Modell-Governance. Die [Verordnung (EU) 2016/679](https://eur-lex.europa.eu/eli/reg/2016/679/oj) (DSGVO) gilt nur für personenbezogene Daten; anonyme Daten fallen laut Erwägungsgrund 26 außerhalb ihres Anwendungsbereichs. Die [Opinion 05/2014](https://ec.europa.eu/justice/article-29/documentation/opinion-recommendation/files/2014/wp216_en.pdf) der Artikel-29-Gruppe (heute EDPB) definiert drei Kriterien für „truly anonymous data" (keine Einzel-Herausbrechung, keine Verknüpfung, keine Inferenz) und wird von der Aufsichtspraxis auch auf synthetische Daten angewendet. [NIST Special Publication 800-188](https://csrc.nist.gov/pubs/sp/800/188/final) (2023) diskutiert synthetische Daten als De-Identifikations-Alternative mit expliziten Grenzen: Ein Generator kann nur die Verteilung reproduzieren, die er gesehen hat, und ohne Distance-to-Closest-Record-Kontrolle bleibt das Risiko einer verdeckten 1:1-Reproduktion bestehen.

Abgrenzung zu Anonymisierung, Augmentation, Simulation und Fake Data

Vier Nachbar-Begriffe werden regelmäßig mit Synthetic Data vermischt, sitzen aber auf anderen Achsen.

Anonymisierung startet mit realen Records und entfernt oder verzerrt identifizierende Merkmale (Pseudonymisierung, k-Anonymität, l-Diversity, ε-Differential Privacy als Post-Processing). Synthetische Daten starten mit einem Generator und lassen die realen Records außen vor. Beide Verfahren adressieren dieselbe Frage (Datenschutz-Freigabe eines Analytik- oder Test-Datensatzes), unterscheiden sich aber in Angriffs-Fläche und Ausgangsbasis: Anonymisierung trägt das Risiko, dass Quasi-Identifikatoren gemeinsam eine Person rekonstruierbar machen; Synthetic Data trägt das Risiko, dass der Generator einzelne Records memorisiert und im Sampling wieder ausspielt.

Data Augmentation ist das Gegenstück auf ML-Trainings-Seite. Augmentation variiert existierende Records mit strukturerhaltenden Transformationen: Bild-Rotation und Farb-Jitter im Computer Vision, Text-Paraphrase im NLP, SMOTE-Interpolation zwischen Minderheitsklassen-Vertretern in der tabularen Klassifikation. Die Ergebnisse bleiben Ableitungen konkreter Original-Records und tragen deren Personenbezug fort. Synthetische Daten sind Neuziehungen aus einem Generator; das Original wird zwar zum Training genutzt, taucht aber im Ergebnis nicht direkt auf.

Simulation Data entsteht aus einem physikalischen oder regelbasierten Modell der Domäne: Finite-Elemente-Simulation im Engineering, agentenbasierte Simulation im Supply-Chain-Kontext, Netzwerk-Simulator im Telco-Umfeld. Solche Daten sind synthetisch im weiteren Sinn, kalibrieren sich aber am Modell der Welt statt an einer Stichprobe realer Datensätze. Synthetic Data im engeren Fachverständnis meint stichproben-basierte Generatoren, die aus realen Beobachtungen lernen. Fake Data (faker-Bibliothek, Musterdaten aus Test-Frameworks) trägt eine plausible Struktur ohne kalibrierte Verteilung; solche Datensätze taugen für Schema- und Rendering-Tests, decken aber weder ML-Training noch Performance-Bewertung ab.

Ein häufiges Missverständnis betrifft das Verhältnis zu Trainingsdaten. Trainingsdaten ist der Oberbegriff für alles, was ein Modell zum Lernen sieht; sie können real, synthetisch, anonymisiert oder gemischt sein. Synthetische Daten sind damit eine Herkunfts-Kategorie innerhalb der Trainingsdaten und stehen nicht in Konkurrenz zu ihnen.

Beispiel: Fraud-Detection-Testumgebung mit CTGAN

Ein DACH-Zahlungsdienstleister entwickelt einen neuen Klassifikator für Betrugserkennung im Kartengeschäft. Die produktiven Transaktionen enthalten personenbezogene Merkmale (IBAN, Kartentyp, Beruf, Postleitzahl, Alter) und Verhaltensdaten (Betrag, Händlerkategorie, Uhrzeit, Geräte-Fingerprint), die nach DSGVO nicht ohne belastbare Rechtsgrundlage in eine Test- oder Entwicklungsumgebung wandern dürfen. Die Datenschutz-Prüfung verlangt entweder eine tragfähige Anonymisierung oder eine synthetische Alternative.

Das Data-Team wählt den synthetischen Weg. Ein CTGAN-Generator wird auf einem Snapshot der produktiven Transaktions-Tabelle trainiert; die Zielverteilung umfasst 24 kontinuierliche und 11 kategoriale Merkmale. Nach dem Training laufen drei Prüfungen: Statistische Ähnlichkeit über marginale Histogramme und die Korrelationsmatrix; Nutzen-Prüfung mit Train-on-Synthetic-Test-on-Real (ein Fraud-Klassifikator wird auf synthetischen Daten trainiert und auf einem realen Hold-out-Set gemessen, Ziel-AUC ≥ 0.90); Privatsphäre-Prüfung mit Membership-Inference-Test und Distance-to-Closest-Record gegen Memorization einzelner Records. Eine Fairness-Metrik über die Untergruppen des Postleitzahlen-Bandes stellt sicher, dass der Generator die Verteilung nicht zulasten dünn vertretener Regionen verzerrt.

Der freigegebene synthetische Datensatz landet als eigenes Delta-Table im Unity Catalog mit Herkunfts-Vermerk („synthetic, CTGAN v1.3, TSTR-AUC 0.91, DCR-Median 0.42") und einem eigenen Ownership-Feld. Der Fraud-Klassifikator wird auf dieser Basis in Test und Staging entwickelt und gegen Regressionen abgesichert. Die produktive Modellversion trainiert weiterhin auf realen Daten unter strikter Zugriffskontrolle; die synthetische Version dient ausschließlich dem sicheren Entwicklungs- und Freigabepfad. Der Vorgang wird im Verfahrensverzeichnis nach Art. 30 DSGVO als eigenständige Verarbeitung geführt und in einer Data-Protection-Impact-Assessment (Art. 35 DSGVO) bewertet.