Synthetische data

Wat is synthetische data?

Synthetische data is data die door een algoritme gemaakt wordt in plaats van verzameld uit de echte wereld. Ze bootst de statistische eigenschappen van een echte dataset na: dezelfde patronen, dezelfde verbanden, maar geen enkel record hoort bij een echte persoon of gebeurtenis.

Vergelijk het met een crashtest-dummy. Die is geen mens, maar hij botst genoeg als een mens om er zinvolle conclusies uit te trekken. Synthetische data werkt net zo: nep op recordniveau, bruikbaar op datasetniveau.

Hoe wordt synthetische data gemaakt?

Regelgebaseerd. Je schrijft zelf de regels: een klantnummer volgt dit formaat, tien procent van de bestellingen wordt geannuleerd. Snel en zonder privacyrisico, maar de data bevat alleen patronen die jij zelf bedacht hebt.

Statistische modellen. Je meet hoe de echte data verdeeld is en trekt nieuwe records uit die verdelingen. Zo blijft de samenhang tussen bijvoorbeeld leeftijd en aankoopgedrag bewaard.

Generatieve modellen. Een vorm van generatieve AI: een model leert de structuur van de echte data en genereert nieuwe voorbeelden. Een bekende aanpak zet twee neurale netwerken tegenover elkaar: het ene maakt nepdata, het andere probeert echt van nep te onderscheiden, tot de nepdata amper nog te herkennen valt.

Je hoeft niet alles te synthetiseren. Een ziekenhuis kan bijvoorbeeld alleen woonplaats en opnametijdstip vervangen door gegenereerde waarden en de echte opnameredenen laten staan. Dat heet gedeeltelijk synthetische data.

Wanneer gebruik je synthetische data?

1. Testdata zonder persoonsgegevens. Ontwikkelaars testen een applicatie op data die eruitziet als productie, zonder dat echte klantgegevens in een testomgeving belanden.

2. Zeldzame gevallen aanvullen. Fraude of machinedefecten komen in echte data weinig voor. Je genereert extra voorbeelden zodat een model er genoeg van te zien krijgt.

3. Data delen met externe partijen. Een leverancier of onderzoeksteam werkt op een synthetische versie van je dataset, terwijl de echte gegevens binnen je organisatie blijven.

4. AI-modellen trainen. Is echte trainingsdata schaars of te gevoelig, dan vul je ze aan met gegenereerde voorbeelden.

Synthetische data en de GDPR

Synthetische data wordt vaak verkocht als de kortste weg uit de privacywetgeving. Dat klopt maar half.

Eén: het genereren zelf valt onder de GDPR. Je vertrekt van echte persoonsgegevens, en die verwerking heeft een rechtsgrond nodig. De Spaanse privacytoezichthouder AEPD benoemt het genereren van synthetische data als een verwerkingsactiviteit.

Twee: het resultaat is niet automatisch anoniem. De GDPR geldt niet voor data waaruit niemand nog identificeerbaar is, maar dat moet je kunnen aantonen. De Britse toezichthouder ICO verwoordt de kern: hoe dichter synthetische data bij de echte aanleunt, hoe nuttiger ze is, maar ook hoe groter de kans dat er toch iets over echte personen uitlekt.

Beoordeel dus eerst het heridentificatierisico voor je synthetische data als anoniem behandelt. Waar nodig combineer je ze met differential privacy, een techniek die bewust kleine willekeurige afwijkingen toevoegt zodat individuele records niet te achterhalen zijn.

Synthetische data versus geanonimiseerde data

Anonimiseren vertrekt van je echte records: je verwijdert namen, vervaagt geboortedata en postcodes. Elk record blijft een echte persoon beschrijven, alleen vager. Synthetische data gooit de echte records weg en genereert nieuwe die statistisch op het geheel lijken.

Dat verschil bepaalt het risicoprofiel. Bij geanonimiseerde data zit het gevaar in koppeling: combineer de dataset met een andere bron en een 'anoniem' record wordt plots weer een persoon. Bij synthetische data zit het gevaar in het generatiemodel zelf, dat uitzonderlijke echte records te letterlijk kan onthouden en reproduceren.

Kies voor anonimiseren of pseudonimiseren als je de echte records nodig hebt, bijvoorbeeld omdat elke rij moet kloppen voor een audit. Weet wel dat gepseudonimiseerde data, waarbij je de identiteit vervangt door een code, onder de GDPR gewoon persoonsgegevens blijft.

Kies voor synthetische data als je de patronen nodig hebt en niet de individuen: voor tests, AI-training of demo's. Is je dataset klein of heel atypisch, dan kan een generatiemodel er weinig uit leren en is anonimiseren vaak de betere keuze.

Waar moet je op letten bij het gebruik van synthetische data?

Bias reist mee. Is je brondata scheef, dan is je synthetische data dat ook. Een dataset waarin een klantengroep ondervertegenwoordigd is, levert synthetische data op met exact dezelfde blinde vlek. Controleer je brondata op bias voor je genereert, niet erna.

Model collapse. Train je een model generatie na generatie op zijn eigen gegenereerde data, dan kalft de kwaliteit af. Onderzoekers toonden in 2024 in het vakblad Nature aan dat eerst de zeldzame gevallen verdwijnen en de output daarna steeds eenvormiger wordt. Bewaar dus je originele echte data en meng gegenereerde data spaarzaam in je trainingssets.

Valse zekerheid. 'Het is toch synthetisch' is geen vrijgeleide. Behandel de data pas als anoniem wanneer een gedocumenteerde risicobeoordeling dat bevestigt.

FAQ over synthetische data

1. Valt synthetische data onder de GDPR?
Het genereren vanuit persoonsgegevens wel. Het resultaat pas niet meer wanneer niemand er nog uit te identificeren valt, en dat moet je kunnen aantonen.

2. Kan ik een AI-model volledig op synthetische data trainen?
Het kan, maar meestal train je op een mix van echt en synthetisch. Volledig synthetisch trainen vergroot het risico dat je model de blinde vlekken van het generatiemodel overneemt.

3. Is synthetische data altijd veiliger dan echte data?
Nee. Een generatiemodel dat te goed kopieert, kan unieke echte records bijna letterlijk reproduceren. Hoe realistischer de data, hoe scherper je moet controleren.