KI-Technik & Entwicklung

Synthetische Trainings- und Testdaten: Verfahren, Qualität, Datenschutz

Wenn seltene Schadensfälle kaum im Bestand vorkommen oder Kundendaten nicht in die Testumgebung dürfen, können künstlich erzeugte Datensätze die Lücke schließen. Data Scientists, ML- und Datenschutzverantwortliche lernen im Kompaktseminar die gängigen Verfahren von Sampling über GANs bis zu LLM-generierten Daten kennen und erzeugen selbst einen Datensatz. Ebenso wichtig ist die Bewertung: Fidelity, Utility und Privacy, Bias, Artefakte und das Risiko der Re-Identifikation. So entscheiden Sie fundiert, wo synthetische Daten im Test und im Training tragen und wo nicht.

Für wen

Data Scientists sowie ML- und Datenschutzverantwortliche, die synthetische Daten für Modelltraining, Softwaretests und den Schutz personenbezogener Daten einsetzen wollen.

KI-Kompaktseminar · 4 Stunden

Künstliche Datensätze erzeugen, ihre Qualität bewerten und Risiken begrenzen

Das nehmen Sie mit

  • Sampling, GANs und LLM-generierte Daten ordnen Sie nach Datenart und Einsatzzweck ein.
  • Einen synthetischen Datensatz haben Sie selbst erzeugt und nach Fidelity, Utility und Privacy beurteilt.
  • Re-Identifikationsrisiken, Bias und Artefakte erkennen Sie, bevor ein Datensatz weitergegeben wird.
  • Für Test- und Trainingszwecke haben Sie Kriterien und Governance-Regeln für den ersten Einsatz skizziert.

Ablauf

  1. Teil 1

    Modul 1 – Anlass: Wann künstlich erzeugte Daten sinnvoll sind

    • Seltene Fälle, Datenmangel und Datenschutz als Gründe für synthetische Datensätze
    • Welche Arten synthetischer Daten es gibt, Chancen und Risiken im Vergleich
    • Live-Demo: Aus einer kleinen echten Stichprobe wird ein umfangreicher synthetischer Datensatz
    • Eigene Lücken benennen: Wo fehlen Ihren Trainings- oder Testbeständen Daten
  2. Teil 2

    Modul 2 – Erzeugung: Verfahren für Tabellen, Texte und Bilder

    • Sampling, GANs und LLM-generierte Daten: Funktionsweise der drei Verfahrensfamilien
    • Bilddaten, Textdaten und tabellarische Daten stellen jeweils eigene Anforderungen
    • Das Verfahren nach Datenart und Verwendungszweck auswählen
    • Übung: Einen synthetischen Tabellendatensatz mit Python generieren
  3. Teil 3

    Modul 3 – Bewertung: Qualität, Nutzen und Grenzen prüfen

    • Privacy, Fidelity und Utility: Schutzniveau, Ähnlichkeit zum Original und Nutzwert messen
    • Verzerrungen durch Bias und künstliche Artefakte aufdecken und verhindern
    • Wo synthetische Daten weiterhelfen und wo echte Daten unverzichtbar bleiben
    • Übung: Den erzeugten Datensatz anhand dieser drei Kriterien beurteilen
    • Grenzen eines Datensatzes offen dokumentieren, bevor er an andere Teams geht
  4. Teil 4

    Modul 4 – Einsatz: Datenschutz, Governance und erster Anwendungsfall

    • Re-Identifikationsrisiken: wann synthetische Daten doch Rückschlüsse auf echte Personen zulassen
    • Synthetische Daten für Softwaretests und für das Training von Modellen
    • Fallstudie: Ein Entwicklungsteam erhält synthetische Testdaten statt Kopien aus dem Produktivsystem
    • Governance: Freigabe, Dokumentation und Verantwortung für synthetische Datensätze
    • Ausblick: für welchen Ihrer Datenbestände sich ein erster Versuch lohnt

VoraussetzungenGrundkenntnisse in ML und Python sind erforderlich.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen