Clicked Gallery

Was sind synthetische Daten?

Markiert in einem echten Engineering-Dokument. Erklärt von Clicked.

Im Satz verwendet

Engineering Notes · AI Systems

Facing a shortage of fresh human text, the lab trained its latest model largely on synthetic data.

Der Leser markierte ein Wort in der Dokumentation. Clicked machte den Fachbegriff „synthetic data“ leicht verständlich:

In drei Stufen erklärt

Gleiche Fakten, anderer Vibe — Slang-Modus 😎

Die Clicked-Methode

●○○

Overview

Synthetische Daten sind Trainingsdaten, die ein Computer erzeugt hat, statt sie aus der echten Welt zu sammeln, und in der KI heißt das meist Daten, die ein anderes KI-Modell geschrieben hat. Genutzt werden sie, wenn echte Daten knapp, vertraulich oder zu teuer zu beschriften sind. Sie funktionieren gut genug, um Standard zu sein, und schlecht genug, um umstritten zu bleiben.
●○○

Overview

Synthetische Daten sind Trainingsdaten, die eine Maschine erfunden hat, statt dass sie jemand gesammelt hätte, meist eine KI, die Lektionen für eine andere schreibt. Genutzt werden sie, wenn echte Daten knapp, vertraulich oder zu teuer zu beschriften sind. Sie funktionieren, und sie sind umstritten, weil ein Modell, das von einem Modell lernt, dessen Fehler erbt. 😎

Die Kurzfassung — oft reicht sie schon.

●●○

Detail

Synthetische Daten gibt es, weil die echten ausgehen, zu teuer zu beschriften sind oder rechtlich nicht genutzt werden dürfen. Fang beim Datenschutzfall an: Ein Krankenhaus, das keine Patientenakten teilen darf, kann künstliche Patienten mit ähnlicher Statistik erzeugen und diese teilen, denn in der Akte steckt keine reale Person. Der Knappheitsfall ist größer, denn Labore, die mit menschlichem Text trainieren, arbeiten einen endlichen Vorrat ab und lassen deshalb zunehmend Modelle Trainingsmaterial für das nächste Modell schreiben. Sorgfältig gemacht ist das wirklich nützlich, weil erzeugte Beispiele genau auf die Schwachstellen eines Modells zielen können, was besser ist, als noch einen Berg von dem zusammenzukratzen, was es schon kann. Nachlässig gemacht verschlechtert es sich, weil Fehler und blinde Flecken des Erzeugers vererbt und verstärkt werden von allem, was daraus lernt, ein Versagen, das Forscher Modellkollaps nennen. Die Schutzmaßnahmen folgen direkt aus diesem Risiko: echte Daten in der Mischung behalten, den erzeugten Stapel filtern und das Ergebnis gegen die Realität prüfen statt gegen seinen Lehrer.
●●○

Detail

Echte Daten haben drei Probleme: Sie gehen aus, sie kosten ein Vermögen an Beschriftung, und ein Gutteil des Guten ist juristisch radioaktiv. Also stellen Labore ihre eigenen her. Selbstfahrteams machen die anschauliche Variante, denn niemand hat zehntausend echte Clips einer Matratze, die nachts von einem Lkw fliegt, also erzeugen sie welche und trainieren damit. An der Spitze ist der Maßstab ein anderer, denn der Vorrat an von Menschen geschriebenem Text geht zur Neige, also lassen Labore inzwischen Modelle frisches Trainingsmaterial für das nächste Modell schreiben. Der Vorteil ist Zielgenauigkeit, denn du kannst genau die Fälle erzeugen, an denen dein Modell scheitert, statt noch einen Berg von dem zusammenzukratzen, was es schon kann. Der Nachteil ist Inzucht, denn jeder Fehler des Erzeugers wird vererbt und verstärkt, was Forscher höflich Modellkollaps nennen. Daher die Hausregeln: echte Daten in der Mischung lassen, hart filtern und den Schüler an der Realität messen statt an seinem Lehrer. 😎

Mehr? Ein Klick geht tiefer.

●●●

Analogy

Flugsimulatoren für die Pilotenausbildung. Echte Notfälle sind selten, gefährlich und nicht planbar, also stellen Fluggesellschaften sie selbst her: Triebwerksausfälle auf Abruf, jedes gewünschte Unwetter, hundertmal die Woche. So ausgebildete Piloten fliegen besser, weil sie Situationen erlebt haben, die eine normale Laufbahn nie liefert. Aber ein Simulator enthält nur, was seine Erbauer hineinzupacken dachten, und deshalb lässt niemand Piloten echte Flugstunden überspringen.
Deepest level reached.
●●●

Analogy

Tennis gegen eine Ballmaschine üben statt gegen einen Menschen. Die Maschine gibt dir tausend perfekte Wiederholungen, die niemand ansetzen könnte, und du wirst wirklich besser. Sie verschleiert auch nie einen Aufschlag, geht nie ans Netz und macht nie das eine seltsame Ding, das ein echter Gegner macht. Trainier nur gegen die Maschine, und du wirst exzellent darin, die Maschine zu schlagen.
Deepest level reached.

Neues Konzept? Ein Alltagsbeispiel macht’s greifbar — neue Analogien auf Knopfdruck.

KI-Erklärungen können Fehler enthalten · Keine professionelle Beratung

Formale Definition — Derselbe Begriff, wie er sonst erklärt wird

Synthetische Daten sind algorithmisch erzeugte Daten, die anstelle von oder neben empirisch erhobenen Daten verwendet werden und üblicherweise von generativen Modellen für Training oder Evaluation erzeugt werden. Sie adressieren Knappheit, Beschriftungskosten und Datenschutzauflagen und erlauben die gezielte Abdeckung unterrepräsentierter Fälle; rekursives Training auf erzeugten Ausgaben birgt eine Verteilungsdegradation, den sogenannten Modellkollaps, weshalb echte Daten, Filterung und externe Validierung beibehalten werden.

Soll Clicked Begriffe wie „synthetic data“ direkt in deinem Browser erklären – auch in PDFs?

Zu Chrome hinzufügen — Kostenlos

50 kostenlose Erklärungen · Keine Kreditkarte nötig