Synthetische Daten

Im Gegensatz zu einem modellzentrierten Ansatz wird mit einem datenzentrierten Ansatz (engl. data-centric AI) das Ziel verfolgt, KI-Systeme auf Grundlage qualitativ hochwertiger und repräsentativer Daten zu entwickeln. Eine Möglichkeit dieses Ziel zu erreichen, beschreibt die Generierung synthetischer Daten [25], [26]. Dabei handelt es sich um Daten, die mit Hilfe eines mathematischen Modells oder Algorithmus erzeugt werden und deren statistischen Merkmale erhalten bleiben. Synthetische Daten sind für Unternehmen aus zweierlei Gründen interessant: Training und Verbesserung von KI-Modellen sowie Datenschutz [27].

Mit entsprechende Ansätzen verbessern bspw. bereits Waymo [28] und Tesla [29] ihre KI-basierten Fahrerassistenzsysteme. Da synthetische Daten im Allgemeinen keine sensiblen oder persönlichen Informationen enthalten, kann auch ein gewisser Schutz der Privatsphäre sichergestellt werden. Dadurch wird nicht nur die Verarbeitung von Daten z. B. in Kooperation mit externen Dienstleistern ermöglicht. Auch die versehentliche Weitergabe von sensiblen Informationen (z. B. durch Model Inversion oder Membership Inference Attacks) lässt sich so verhindern.

Für den Steuerbereich versprechen Ansätze und Techniken zur Generierung synthetischer Daten neue Möglichkeiten. So kann nicht nur die Datenvielfalt gezielt erweitert werden, indem Szenarien erzeugt werden, die in den ursprünglichen Daten nicht enthalten waren. Aber auch seltene Ereignisse lassen sich Simulieren, sodass das KI-Modell in der Lage ist, diese zu erkennen und darauf zu reagieren. Außerdem lässt sich vor allem die Wahrscheinlichkeit einer Überanpassung (engl. Overfitting) und einer möglichen Preisgabe sensibler Datenpunkte aus dem KI-Modell auf ein Minimum reduzieren. Ein Effekt, den nicht zuletzt eine Studie vom MIT-IBM Watson AI Lab und der Boston University offenbarte. Demnach konnten anhand des Trainings von Deep-Learning-basierten Modellen die Überanpassung verringert und die Genauigkeit insgesamt verbessert werden [30].

Aber auch das Problem unausgeglichener Daten, die zu einer großen Anzahl von Fehlalarmen führen und somit für Unternehmen kostspielig sein können, kann durch synthetische Daten verringert werden. Hierbei können Datenpunkte der Minderheitsklasse vermehrt werden. In diesem Zusammenhang können synthetische Daten auch zur Lösung von Problemen bezüglich des Model- und Concept-Drifts beitragen, insbesondere dann, wenn die Erhebung neuer realer Daten schwierig oder teuer ist.

Hierunter versteht man die Veränderung von Annahmen oder Variablenabhängigkeiten bzw. der statistischen Eigenschaften der Ziele, wodurch die Vorhersagegenauigkeit von KI-Modellen mit der Zeit nachlassen kann.

Zudem unterstützen synthetische Daten die Entwicklung genauerer ML-Modelle, ohne dabei gegen datenschutzrechtliche Bestimmungen zu verstoßen. Fehlen etwa Personal- oder Hardwareressourcen, lassen sich unkompliziert externe Dienstleister bzw. Cloud-Plattformen in den Entwicklungsprozess einbinden bzw. nutzen. Ferner können durch Simulationen eine Vielzahl hypothetischer Steuerszenarien generiert werden, die bei Prognosen und steuerpolitischen Entscheidungen hilfreich sein können. Auswirkungen auf neue Steuerreformen oder Änderungen der Steuergesetzgebung lassen sich dadurch relativ schnell bewerten. Ebenso können aufwendige und kostenintensive Verfahren zur Erfassung „echter“ Daten auf ein Minimum reduziert werden.

Einige KI-Forscher warnen vor „irreversiblen Defekten“ durch KI-generierte Datensätze [31]. Dennoch ist zunehmend ein Trend hin zu datenzentrierten Ansätzen und hin zur Generierung durch große Sprachmodelle wie ChatGPT oder Deep-Learning-Modelle wie CTGAN bzw. VAE erkennbar. Im Fokus steht dabei nicht die Verbesserung der KI-Modelle und deren Hyperparameter, sondern die Bereitstellung qualitativ hochwertiger Trainingsdaten. Auch Sam Altman, CEO von OpenAI, zeigt sich zuversichtlich, dass bald alle Daten für das Training großer KI-Modelle synthetisch sein werden. Das könnte insbesondere OpenAI dabei helfen, die Datenschutzbedenken in der EU zu umgehen. Aber auch Aiden Gomez, CEO des LLM-Startups Cohere, ist davon überzeugt, dass die aktuellen Herausforderungen im Umgang mit Webdaten durch synthetische Daten gelöst werden können [32]. Denn dadurch lässt sich das Problem von Webdaten beseitigen, die oft verrauscht oder verzerrt und somit nicht wirklich repräsentativ für das Training von ML-Modellen sind.

Je nach Anwendungskontext und Art der Daten (z. B. in Form von Text, tabellarischen Daten oder Bildern) lassen sich die Ansätze grundsätzlich in zwei Kategorien unterteilen:

Auch wenn die Verwendung synthetischer Daten eine Vielzahl von Vorteilen mit sich bringt, ist sie mit einigen Herausforderungen verbunden. Beispielsweise kann es aufgrund der inhärenten Strukturen in den realen Daten zu Ungenauigkeiten oder Verzerrungen in den synthetischen Daten kommen. Anders formuliert: Die synthetischen Daten sind immer nur so gut wie das Modell selbst, mit dem diese erstellt wurden. Genau deshalb braucht es auch entsprechende Qualitäts- und Validierungsmaßnahmen, um die erforderliche Genauigkeit, Zuverlässigkeit und Privatsphäre der Daten sicherstellen zu können.

Ein häufig zu beobachtendes Missverständnis bei synthetischen Daten ist, dass diese automatisch als „privat“ angesehen werden. Dies ist jedoch nicht immer der Fall, insbesondere dann, wenn diese aus anderen realen Daten abgeleitet werden und dadurch Rückschlüsse über diese ermöglichen [33]. Zudem kann es aufgrund von Ressourcenmangel zu Einschränkungen kommen, da es für die Generierung synthetischer Daten einen interdisziplinären Ansatz braucht. Damit gemeint sind verschiedene Methoden und Modelle, die fach- und bereichsübergreifend zum Einsatz kommen. Schließlich kann die Verwendung synthetischer Daten mit rechtlichen und ethischen Überlegungen verbunden sein. Das gilt insbesondere dann, wenn die Daten nicht vollständig verstanden werden oder es aufgrund fehlerhafter Sachverhalte zu steuerrechtlichen Verstößen durch das mit den synthetischen Daten erweiterte KI-Modell kommt.