Synthetische data is data die niet uit de werkelijkheid komt, maar door software is bedacht. Een model kijkt naar de patronen in een echte dataset, bijvoorbeeld hoe klantorders er gemiddeld uitzien, en genereert daarna nieuwe records met dezelfde statistische eigenschappen. De cijfers kloppen als geheel, maar er staat geen bestaande klant in.
Voor een MKB-bedrijf is dat vooral handig bij testen en ontwikkelen. Wil je een nieuw pakket uitproberen, een koppeling bouwen of een leverancier laten meekijken, dan hoef je geen kopie van je echte klantenbestand te delen. Dat scheelt privacyrisico en gedoe met verwerkersovereenkomsten. Ook voor het trainen van AI-modellen wordt het gebruikt, zeker als je van bepaalde situaties te weinig echte voorbeelden hebt.
Twee dingen om in de gaten te houden. Synthetische data is niet automatisch anoniem: als de dataset klein is of iemand er echt uitspringt, kan een gegenereerd record toch naar een persoon te herleiden zijn. En een model dat op nagemaakte data is getraind, is nooit beter dan de patronen waaruit het geput heeft; scheve of onvolledige brondata blijft scheef. Gebruik het dus als aanvulling en toets het resultaat op echte gevallen.
Hoe wordt synthetische data gemaakt?
Er zijn grofweg drie manieren. De eenvoudigste werkt met regels: je beschrijft zelf hoe een record eruit moet zien — een postcode van vier cijfers en twee letters, een orderbedrag tussen twintig en tweeduizend euro — en een script genereert de rest. Dat werkt prima om een testomgeving mee te vullen.
De tweede manier is statistisch: software analyseert een bestaande dataset, legt de verdelingen en de relaties tussen de kolommen vast en genereert daarna nieuwe records met dezelfde kenmerken. De derde manier gebruikt machine learning, waarbij een model leert hoe de echte data eruitziet en vervolgens zelf nieuwe voorbeelden creëert. Die laatste variant komt het dichtst bij de werkelijkheid en wordt ook gebruikt om beelden, teksten en sensormetingen te simuleren.
Waar gebruik je synthetische data voor?
De meest voorkomende toepassing in het MKB is testen. Een nieuw pakket, een koppeling of een update wil je proberen op gegevens die op de echte lijken, zonder dat er persoonsgegevens van klanten in je testomgeving belanden. Dat scheelt een discussie over toegang, en het maakt het makkelijker om een leverancier of ontwikkelaar mee te laten kijken.
Daarnaast worden er AI-modellen mee getraind wanneer er van bepaalde situaties te weinig echte voorbeelden zijn, en worden demo’s en trainingen gegeven met realistisch ogende datasets. In onderzoek gebeurt hetzelfde: statistische instituten en zorgorganisaties experimenteren met synthetische versies van gevoelige bestanden, zodat anderen er methodes op kunnen uitproberen. Het doel is telkens gelijk: de bruikbaarheid van echte data, zonder de privacyrisico’s die eraan vastzitten.
Veelgestelde vragen
Valt synthetische data onder de AVG?
Als de gegenereerde gegevens echt niet meer naar personen te herleiden zijn, vallen ze buiten de AVG. Dat is geen automatisme: bij kleine of bijzondere datasets kan een record alsnog naar iemand wijzen. Laat bij gevoelige toepassingen toetsen of dat risico is uitgesloten voordat je de data breder deelt.
Is synthetische data hetzelfde als geanonimiseerde data?
Nee. Bij anonimiseren bewerk je bestaande records van echte personen. Bij synthetische data worden nieuwe records gemaakt die niemand voorstellen. Het uitgangspunt verschilt, en daarmee ook het soort risico dat je overhoudt.
Kun je een AI-model volledig op synthetische data trainen?
Meestal niet zonder verlies. Een model dat alleen op nagemaakte data leert, neemt de vooroordelen en de blinde vlekken van de brondata over en versterkt die soms. Gebruik het als aanvulling op echte data en toets het resultaat op praktijkgevallen.
Welke tools maken synthetische data?
Er zijn gespecialiseerde platforms voor, en veel testtools en databases hebben inmiddels een generator ingebouwd. Voor de meeste MKB-bedrijven is dat laatste ruim voldoende; je hebt zelden een apart product nodig om je testomgeving te vullen.
Wat OkayICT hierin doet: Wij helpen je test- en AI-trajecten inrichten zonder dat er echte klantgegevens rondgaan waar dat niet nodig is.
Meer lezen: Wat is trainingsdata? · Wat is een AI-model?
