Synthetische Daten in der KI-Entwicklung

Das Training von Künstlichen Intelligenz-Algorithmen benötigt in der Regel große und diverse Datenmengen. Diese Datenmengen sind häufig schwer auffindbar, kostspielig zu beschaffen oder schlichtweg nicht existent. Synthetische Daten sind eine Möglichkeit. Zusätzlich weisen reale Daten häufig Bias-Probleme auf, oder sind aus Datenschutzgründen nicht direkt für das Training anwendbar.

In diesem Kurs werden sie praxisnah lernen, wie synthetische Daten in der KI-Entwicklung eingesetzt werden können, um Datenknappheit, Datenschutzanforderungen und Bias-Probleme zu adressieren.
Zu Beginn werden grundlegende Begriffe geklärt: Was sind synthetische Daten, wie unterscheiden sie sich von Anonymisierung und Maskierung und welche Typen (tabellarisch, Text, Bild, Zeitreihen) gibt es?
Anschließend werden typische Anwendungsszenarien aus der Produkt- und Forschungspraxis vorgestellt, etwa für Prototyping, Testdaten, Training von ML-Modellen oder den Datenaustausch mit Partnern.
Ein Schwerpunkt liegt auf verschiedenen Generierungsmethoden, von regel- und simulationsbasierten Verfahren bis hin zu KI-basierten Ansätzen wie GANs, Variational Autoencoders und Diffusionsmodellen (auf konzeptioneller Ebene).

Die Teilnehmenden werden lernen, welche Qualitätskriterien für synthetische Datensätze relevant sein werden und wie sich Datenqualität, Nutzbarkeit und Datenschutz gegeneinander abwägen lassen werden.
In Hands-on-Übungen werden die Teilnehmenden einfache Open-Source- oder Cloud-Tools einsetzen, um selbst kleine synthetische Datensätze zu erzeugen, Parameter zu verändern und Auswirkungen auf die resultierenden Daten zu beobachten.