Werden synthetische Daten den Fortschritt der generativen KI behindern oder sich als wesentlicher Durchbruch erweisen?

Synthetische Daten verstehen: Ein Wendepunkt in KI und darüber hinaus

Mit dem Aufkommen generativer KI sind uns synthetische Bilder und Texte nicht fremd. Aber haben Sie schon von synthetischen Daten gehört? Wie der Name schon sagt, handelt es sich um künstlich erzeugte Daten, die echte Daten ersetzen. Dieses innovative Werkzeug sorgt in der Gesundheitsbranche, im Finanzwesen, in der Automobilindustrie und insbesondere im Bereich der künstlichen Intelligenz für Aufsehen.

Die Bedeutung synthetischer Daten in unserer digitalen Ära wurde auf der South by Southwest (SXSW) während einer KI-Session namens „Einfluss simulierter Daten auf KI und die Zukunft“ hervorgehoben. Diese Session befasste sich damit, wie synthetische Daten generative KI verbessern und gleichzeitig potenzielle Fallstricke ansprechen können.

Das Panel bestand aus Experten wie Mike Hollinger von NVIDIA, Oji Udezue von Typeform und Tahir Ekin von der Texas State University. Sie teilten eine allgemein optimistische Sicht auf die Technologie. „Für uns [synthetische Daten] macht es unsere Fähigkeit, das Richtige billiger und besser zu bauen – was ein heiliger Gral ist“, bemerkte Udezue und betonte ihren Wert.

Die Vorteile synthetischer Daten

Synthetische Daten bieten eine Möglichkeit, reale Szenarien nachzuahmen, bei denen das Sammeln echter Daten zu teuer, zeitaufwändig oder datenschutzrechtlich problematisch sein könnte, insbesondere bei sensiblen Finanzdaten. Ihre Popularität ist in letzter Zeit gestiegen, dank ihrer zentralen Rolle beim Training und der Verfeinerung von KI- und Machine-Learning-Modellen, was entscheidend ist, da diese Technologien sich schnell entwickeln.

„Mit ChatGPT, mit Gemini, mit Claude, mit DeepSeek, mit jedem dieser Modelle, enthält die Trainingsdaten dieses Modells höchstwahrscheinlich einen synthetischen Generierungsschritt“, erklärte Hollinger. Dieser Prozess umfasst die Verwendung synthetischer Daten, um das Trainingsmaterial zu verbessern und zu variieren, was ein robusteres Modelltraining ermöglicht.

Synthetische Daten sind besonders vorteilhaft für KI-Modelle, da sie große, vielfältige und hochwertige Datensätze für ein effektives Training benötigen. Diese sind schwer zu bekommen, insbesondere für spezialisierte oder proprietäre Datensätze, die nicht über öffentliche Quellen verfügbar sind. Ein kürzlich veröffentlichter Gartner-Bericht nannte synthetische Daten als Top-Trend für 2025 und empfahl ihre Nutzung, um Lücken in Erkenntnissen zu schließen oder sensible Daten zu ersetzen, um den Datenschutz zu verbessern.

Die Risiken von synthetischen Daten

Die Erzeugung synthetischer Daten erfordert komplexe Algorithmen, um die Muster und Strukturen echter Daten nachzuahmen. Doch wie bei jeder KI-Ausgabe besteht das Risiko von Abweichungen, die die Ergebnisse erheblich beeinflussen könnten. Hollinger illustrierte dies mit einem Beispiel vom Konferenztag, der aufgrund der Sommerzeit 23 Stunden hatte. Wenn ein synthetischer Datensatz einen Tag mit solchen Zeitänderungen enthält, könnte dies die Genauigkeit des Modells verzerren.

Es ist entscheidend, sicherzustellen, dass synthetische Daten in realen Szenarien verankert bleiben, um diese Diskrepanzen zu vermeiden und die Genauigkeit zu wahren. Doch Udezue wies auf die Herausforderung hin: „Menschen sind auf unvorhersehbare Weise unvorhersehbar. Wie prognostiziert man die Variation für 8 Milliarden Menschen?“

Abgesehen von technischen Problemen ist eine große Hürde, Vertrauen in synthetische Daten aufzubauen. Transparenz darüber, wie sie erzeugt, validiert und verwendet werden, möglicherweise durch Modellkarten, ist essenziell. Ekin stellte eine treffende Frage: „Der Vertrauensaspekt – aus der Nutzerperspektive nutzen wir diese KI-Tools, aber wie fühlen Sie sich, in ein selbstfahrendes Auto zu steigen, das nicht auf der Straße, sondern nur mit simulierten Daten getestet wurde?“

Ausblick: Die Zukunft mit synthetischen Daten

Trotz dieser Herausforderungen äußerte das Panel Optimismus über die Rolle synthetischer Daten in der Zukunft von KI und anderen Sektoren. „Simulierte Daten, wenn sie korrekt eingesetzt werden, werden die Wissenschaft, die Software und die Industrie verbessern, aber wir müssen die Governance und Transparenz richtig hinbekommen, sonst können wir ihr Potenzial nicht richtig nutzen“, schloss Udezue und betonte die Notwendigkeit eines angemessenen Managements und Offenheit, um ihr volles Potenzial zu nutzen.