Was sind synthetische Daten und warum sind sie für Vision AI wichtig?

Synthetische Daten sind künstlich erzeugte Daten, die reale Situationen nachbilden. Im Bereich Vision AI werden synthetische Daten verwendet, um KI-Modelle mit Bildern zu trainieren, die nicht von einer echten Kamera aufgenommen, sondern digital erstellt wurden.

Dabei können zum Beispiel virtuelle Bilder von Personen, Fahrzeugen, Gebäuden oder industriellen Umgebungen erzeugt werden. Licht, Kamerawinkel, Kleidung, Wetterbedingungen und Entfernung lassen sich gezielt variieren.

Das Ziel ist dasselbe wie bei echten Trainingsdaten: Ein KI-Modell soll lernen, Objekte und Situationen zuverlässig zu erkennen.

Warum werden synthetische Daten verwendet?

Für das Training von Vision AI werden große Mengen an Beispielen benötigt. Reale Daten haben jedoch Einschränkungen. Manche Situationen treten nur selten auf, andere sind schwer zu erfassen oder können datenschutzrelevant sein. Synthetische Daten ermöglichen es, solche Situationen kontrolliert zu erzeugen.

Zum Beispiel:

• dieselbe Person unter unterschiedlichen Lichtbedingungen;
• Fahrzeuge aus verschiedenen Kamerawinkeln;
• Personen mit unterschiedlicher Kleidung;
• teilweise verdeckte Objekte;
• Szenen bei Regen, Nebel oder Nacht;
• seltene Ereignisse, die sich in der Realität nur schwer erfassen lassen.

So kann ein KI-Modell eine große Vielfalt kennenlernen, ohne dass jede Situation zunächst in der realen Welt aufgezeichnet werden muss.

Welche Vorteile haben synthetische Daten?

Mehr Vielfalt

In einer virtuellen Umgebung können Bedingungen einfach verändert werden. Dadurch lässt sich ein Modell mit deutlich mehr Variationen trainieren, als dies allein mit realen Kamerabildern praktisch möglich wäre.

Weniger Abhängigkeit von echten personenbezogenen Daten

Wenn Personen vollständig digital erzeugt werden, müssen keine realen Personen gefilmt werden. Dadurch können Datenschutzrisiken während der Modellentwicklung reduziert werden.

Seltene Situationen simulieren

Manche Ereignisse treten nur selten auf, sind aber dennoch wichtig zu erkennen. Mit synthetischen Daten können solche Szenarien gezielt in Trainingsdatensätze aufgenommen werden.

Automatische Kennzeichnung

Bei realen Bildern ist es zeitaufwendig, exakt zu kennzeichnen, was im Bild zu sehen ist. In einer synthetischen Umgebung ist diese Information häufig bereits bekannt. Das System weiß zum Beispiel automatisch: ‚Dieses Objekt ist eine Person und befindet sich an dieser Position‘. Dadurch lassen sich große gelabelte Datensätze effizienter erstellen.

Sind synthetische Daten dasselbe wie KI-generierte Bilder?

Nicht ganz.

Synthetische Daten sind mehr als einfach nur zufällig erzeugte Bilder aus generativer KI. Hochwertige synthetische Trainingsdaten werden in einer kontrollierten Umgebung erzeugt.

Dabei kann exakt bekannt sein:

• welches Objekt sich wo befindet;
• zu welcher Kategorie es gehört;
• wie weit es von der Kamera entfernt ist;
• welche Teile sichtbar sind;
• unter welchen Bedingungen das Bild erzeugt wurde.

Gerade diese Kontrolle macht synthetische Daten für das Training von Vision AI interessant.

Können synthetische Daten reale Bilder vollständig ersetzen?

Nein.

Die reale Welt bleibt komplexer als jede virtuelle Umgebung.

Dazu gehören beispielsweise:

• Reflexionen;
• schlechte Lichtverhältnisse;
• verschmutzte Kameralinsen;
• Videokompression;
• unerwartete Objekte;
• ungewöhnliche Kamerawinkel;
• teilweise verdeckte Personen.

Deshalb bleiben Tests und Validierung mit realistischen Kamerabildern wichtig. Ein Modell, das mit synthetischen Daten gut funktioniert, muss letztlich auch in der Praxis überzeugen.

Synthetische und reale Daten gemeinsam nutzen

Der größte Nutzen liegt häufig in der Kombination. Synthetische Daten können dabei helfen, KI-Modelle in großem Umfang, mit hoher Vielfalt und unter kontrollierten Bedingungen zu trainieren. Reale Bilder zeigen anschließend, wie gut das Modell in echten Umgebungen funktioniert. Kurz gesagt: Synthetische Daten ersetzen die reale Welt nicht, können KI aber besser auf sie vorbereiten.