Was sind synthetische Daten in der Mode?

Kurz erklärt

Synthetische Daten (Synthetic Data) sind künstlich erzeugte Daten, die die Muster realer Daten nachahmen und zum Trainieren oder Testen von KI-Modellen dienen. Modeteams nutzen sie, wenn reale Daten knapp, sensibel oder teuer sind, etwa indem sie Kleidungsstücke in vielen Farbvarianten und Posen rendern, um Bilderkennung zu trainieren.

Wie funktioniert es in der Praxis?

Synthetische Daten lassen sich auf verschiedene Weise erzeugen. 3D-Software kann Kleidungsstücke aus vielen Blickwinkeln, an unterschiedlichen Avataren und bei unterschiedlichem Licht rendern. Generative Modelle können neue Bilder oder Texte erstellen, die echten Beispielen ähneln. Statistische Methoden können Kunden- oder Auftragsdatensätze erzeugen, die die Gesamtmuster eines Datensatzes bewahren, ohne reale Personen offenzulegen.

Typische Anwendungen in der Mode sind:

• Modelle trainieren, Attribute von Kleidungsstücken in Farbvarianten zu erkennen, die nie fotografiert wurden.
• Mehr Beispiele für seltene Fälle erzeugen, etwa ungewöhnliche Grössen oder Mängel.
• Systeme wie B2B-Portale oder Analytics mit realistischen, aber nicht personenbezogenen Daten testen.
• Daten mit Partnern teilen, ohne vertrauliche Kundendetails preiszugeben.

Warum ist das wichtig?

Reale Modedaten sind oft begrenzt. Neue Styles haben keine Historie, Fotografie ist teuer, und Kundendaten sind durch Datenschutzvorschriften geschützt. Synthetische Daten schliessen Lücken schneller und günstiger und können helfen, Datensätze auszubalancieren, damit Modelle bei unterrepräsentierten Grössen oder Körpertypen besser abschneiden.

Wie nutzt KI sie?

Synthetische Daten werden von KI erzeugt und von KI genutzt. Generative Modelle produzieren sie, und andere Modelle lernen daraus. Sie sind eng mit der 3D-Bekleidungssimulation verknüpft, bei der digitale Kleidungsstücke, die für Design und Musterung erstellt wurden, zugleich als Trainingsmaterial dienen können.

Typische Fallstricke

Synthetische Daten müssen sorgfältig geprüft werden, weil sie Schwächen der Daten oder des Modells, aus denen sie entstanden sind, übernehmen oder verstärken können. Renderings, die perfekt aussehen, entsprechen womöglich nicht echten Fotos mit Falten und Schatten, sodass ein ausschliesslich damit trainiertes Modell in der Praxis versagen kann. Teams sollten synthetische und reale Daten mischen, an echten Beispielen testen und dokumentieren, wo synthetische Daten verwendet wurden. Auch der Datenschutz erfordert Sorgfalt, da schlecht erzeugte Datensätze manchmal reale Personen offenlegen können.

Häufige Fragen

Sind synthetische Daten so gut wie reale Daten?

Sie können sehr nützlich sein, ersetzen reale Daten aber selten vollständig. Die besten Ergebnisse entstehen meist, wenn synthetische Daten mit echten Beispielen kombiniert und Modelle an realen Daten getestet werden.

Sind synthetische Daten datenschutzkonform?

Gut erzeugte synthetische Daten können Datenschutzrisiken verringern, weil sie keine realen Personen beschreiben. Sie müssen dennoch geprüft werden, da schlecht erzeugte Daten manchmal personenbezogene Details aus dem ursprünglichen Datensatz reproduzieren können.

Alle Begriffe