Synthetic Data

Synthetische Daten sind künstlich generierte Informationen, die die statistischen Eigenschaften, Muster und strukturellen Merkmale von Realwelt-Daten nachahmen. In den sich schnell entwickelnden Bereichen der Artificial Intelligence (AI) und des Machine Learning (ML) dienen diese Daten als kritische Ressource, wenn das Sammeln authentischer Daten teuer, zeitaufwändig oder durch Datenschutzbestimmungen eingeschränkt ist. Im Gegensatz zu organischen Daten, die aus realen Ereignissen gewonnen werden, werden synthetische Daten algorithmisch unter Verwendung von Techniken wie Computersimulationen und fortschrittlichen generativen Modellen erstellt. Bis 2030 prognostizieren Branchenanalysten bei Gartner, dass synthetische Daten reale Daten in AI-Modellen in den Schatten stellen und grundlegend verändern werden, wie intelligente Systeme gebaut und bereitgestellt werden.

Die Rolle synthetischer Daten in der KI-Entwicklung#

Der primäre Treiber für die Nutzung synthetischer Datensätze besteht darin, die Einschränkungen zu überwinden, die der traditionellen Datenerfassung und -annotation inhärent sind. Das Training robustes Computer Vision (CV) Modelle erfordert häufig massenhafte Datensätze mit verschiedenen Szenarien. Wenn reale Daten knapp sind – wie bei der Diagnose seltenen Krankheiten oder gefährlichen Edge-Case-Verkehrsunfällen –, schließen synthetische Daten diese Lücke.

Das Generieren dieser Daten ermöglicht es Entwicklern, perfekt annotierte Training Data auf Anfrage zu erstellen. Dies schließt präzise Bounding Boxes für die Objekterkennung oder pixelgenaue Masken für die semantische Segmentierung ein, wodurch menschliche Fehler bei manuellen Annotationsprozessen eliminiert werden. Darüber hinaus wird Voreingenommenheit in der AI adressiert, indem Ingenieure Datensätze gezielt mit unterrepräsentierten Gruppen oder Umweltbedingungen ausbalancieren können, um eine fairere Modellleistung sicherzustellen.

Praxisanwendungen#

Synthetische Daten revolutionieren Branchen, in denen Datenschutz, Sicherheit und Skalierbarkeit von größter Bedeutung sind.

• Simulationen für autonomes Fahren: Das Testen von autonomen Fahrzeugen ausschließlich in der physischen Welt ist riskant und geografisch begrenzt. Unternehmen nutzen fotorealistische Simulatoren wie die NVIDIA Omniverse, um ihre Wahrnehmungssysteme zu trainieren. Diese Simulatoren generieren Milliarden virtueller Meilen und setzen die AI gefährlichem Wetter, unberechenbarem Fußgängerverhalten und komplexen städtischen Layouts aus, die in der realen Welt nur schwer konsistent zu erfassen sind.
• Gesundheitswesen und medizinische Bildgebung: Patientenschutzgesetze wie HIPAA und GDPR regeln die Weitergabe von Krankenakten streng. Synthetische Daten ermöglichen die Erstellung realistischer Datensätze für die Analyse medizinischer Bilder – wie Röntgen- oder MRT-Scans –, die Pathologiemarker beibehalten, ohne persönlich identifizierbare Informationen zu enthalten. Dies ermöglicht es Forschern, Tumorerkennungsmodelle kollaborativ zu trainieren, ohne die Vertraulichkeit der Patienten zu gefährden.

Generierung synthetischer Daten für Vision-KI#

Die Erstellung hochwertiger synthetischer Daten umfasst in der Regel zwei Hauptansätze: Simulations-Engines und generative AI. Simulations-Engines wie die Unity Engine verwenden 3D-Grafiken, um Szenen mit physikalischer Beleuchtung und Texturen zu rendern. Alternativ lernen generative Modelle wie Generative Adversarial Networks (GANs) und Diffusionsmodelle die Verteilung realer Daten, um neue, fotorealistische Beispiele zu synthetisieren.

Sobald ein synthetischer Datensatz generiert ist, kann er zum Trainieren von Hochleistungsmodellen verwendet werden. Das folgende Python-Beispiel zeigt, wie man ein Modell lädt – das möglicherweise mit synthetischen Daten trainiert wurde –, indem man das Paket ultralytics verwendet, um Inferenz auf einem Bild durchzuführen.

from ultralytics import YOLO

# Load the YOLO26 model (latest stable generation for superior accuracy)
model = YOLO("yolo26n.pt")

# Run inference on a source image (this could be a synthetic validation image)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results to verify model performance
results[0].show()

Synthetische Daten vs. Daten-Augmentierung#

Es ist hilfreich, synthetische Daten von der Datenaugmentierung zu unterscheiden, da beide Techniken darauf abzielen, Datensätze zu erweitern, aber unterschiedlich funktionieren.

• Daten-Augmentierung beinhaltet die Anwendung von Transformationen – wie Spiegeln, Drehen, Zuschneiden oder Farbanpassungen – auf bestehende reale Bilder, um geringfügige Variationen zu erzeugen. Sie stützt sich auf die ursprüngliche Datenquelle.
• Synthetische Daten beinhalten die Erstellung völlig neuer Dateninstanzen von Grund auf mithilfe von Algorithmen oder Simulationen. Sie erfordern nicht zwingend ein Originalbild für jede Ausgabe, was die Generierung von Szenarien ermöglicht, die noch nie von einer Kamera erfasst wurden.

Moderne Workflows auf der Ultralytics Platform kombinieren oft beide Ansätze: Es werden synthetische Daten verwendet, um Lücken im Datensatz zu füllen, und während des Trainings wird Datenaugmentierung angewendet, um die Robustheit von Modellen wie YOLO26 zu maximieren.