Synthetic Data

Synthetische Daten sind künstlich erzeugte Informationen, die die statistischen Eigenschaften, Muster und strukturellen Merkmale realer Daten nachahmen. In den sich schnell entwickelnden Bereichen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) dienen diese Daten als entscheidende Ressource, wenn die Erfassung authentischer Daten teuer, zeitaufwendig oder durch Datenschutzbestimmungen eingeschränkt ist. Im Gegensatz zu organischen Daten, die aus realen Ereignissen gewonnen werden, entstehen synthetische Daten algorithmisch mithilfe von Techniken wie Computersimulationen und fortschrittlichen generativen Modellen. Branchenanalysten bei Gartner prognostizieren, dass synthetische Daten bis 2030 echte Daten in KI-Modellen in den Schatten stellen und damit die Art und Weise, wie intelligente Systeme entwickelt und eingesetzt werden, grundlegend verändern werden.

Link to this sectionDie Rolle synthetischer Daten in der KI-Entwicklung#

Der Hauptgrund für die Verwendung synthetischer Datensätze ist die Überwindung der Einschränkungen, die mit der traditionellen Datenerfassung und Annotation verbunden sind. Das Training robuster Computer-Vision (CV)-Modelle erfordert oft riesige Datensätze mit vielfältigen Szenarien. Wenn reale Daten knapp sind – etwa bei der Diagnose seltener Krankheiten oder bei gefährlichen Grenzfällen im Straßenverkehr –, schließen synthetische Daten diese Lücke.

Die Generierung dieser Daten ermöglicht es Entwicklern, auf Abruf perfekt annotierte Trainingsdaten zu erstellen. Dies beinhaltet präzise Bounding Boxes für die Objekterkennung oder pixelgenaue Masken für die semantische Segmentierung, wodurch menschliche Fehler, die bei manuellen Annotationsprozessen häufig auftreten, eliminiert werden. Darüber hinaus adressiert dies Voreingenommenheit in der KI, da Entwickler Datensätze gezielt mit unterrepräsentierten Gruppen oder Umweltbedingungen ausbalancieren können, um eine gerechtere Modellleistung sicherzustellen.

Link to this sectionPraxisanwendungen#

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 NVIDIA Omniverse, um ihre Wahrnehmungssysteme zu trainieren. Diese Simulatoren generieren Milliarden virtueller Kilometer und setzen die KI gefährlichen Wetterbedingungen, unvorhersehbarem 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 regulieren streng den Austausch von Krankenakten. Synthetische Daten ermöglichen die Erstellung realistischer Datensätze für die medizinische Bildanalyse – wie Röntgen- oder MRT-Aufnahmen –, die pathologische Merkmale beibehalten, ohne personenbezogene Daten zu enthalten. Dies ermöglicht es Forschern, gemeinsam Tumorerkennungsmodelle zu trainieren, ohne die Vertraulichkeit der Patienten zu gefährden.

Link to this sectionGenerierung synthetischer Daten für Vision-KI#

Die Erstellung hochwertiger synthetischer Daten umfasst meist zwei Hauptansätze: Simulations-Engines und generative KI. 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 wurde, kann er zum Training leistungsstarker Modelle verwendet werden. Das folgende Python-Beispiel zeigt, wie man ein Modell – das möglicherweise mit synthetischen Daten trainiert wurde – mithilfe des ultralytics-Pakets lädt, um eine Inferenz an 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()

Link to this sectionSynthetische Daten vs. Daten-Augmentierung#

Es ist hilfreich, synthetische Daten von der Daten-Augmentierung 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 Arbeitsabläufe auf der Ultralytics Platform kombinieren oft beide Ansätze: Sie nutzen synthetische Daten, um Lücken im Datensatz zu füllen, und wenden während des Trainings Daten-Augmentierung an, um die Robustheit von Modellen wie YOLO26 zu maximieren.