====== 07. Synthetic Data (Testdaten, Modelltraining) ======

==== Überblick ====

*Synthetische Daten* sind künstlich erzeugte, aber realistisch wirkende Datensätze. Sie dienen dazu, reale Daten zu ersetzen oder zu ergänzen – besonders in Bereichen, in denen Datenschutz, Skalierbarkeit oder Trainingsdatenmangel eine Rolle spielen.

Typische Einsatzbereiche:
  * **Testdaten für Software & Systeme**
  * **Training von KI- oder ML-Modellen**
  * **Simulation realistischer Szenarien (z. B. Kundendaten, Verkehr, Medizin)**
  * **Datenschutzfreundliche Alternativen zu echten Nutzerdaten**
  * **Edge Cases gezielt erzeugen**

----

==== Aufbau eines Prompts zur Generierung synthetischer Daten ====

Ein strukturierter Prompt sollte enthalten:

  * **Ziel des Datensatzes** (z. B. Tests, Modelltraining, Demo)
  * **Struktur & Format** (CSV, JSON, SQL-Tabelle etc.)
  * **Anzahl der Datensätze**
  * **Felder & Regeln** (z. B. Name, Geburtsdatum, E-Mail, Wertebereich)
  * **Optional: Variationen, Ausreißer, Korrelationen**
  * **Datenschutzanforderungen** (z. B. keine echten Namen, keine Kombinationen, die rückverfolgbar sind)

----

==== 🧪 Beispiel-Prompts für synthetische Daten ====

=== 📋 Beispiel 1 – Kundendaten für Tests ===

**Prompt:**  
> Generiere einen CSV-Datensatz mit 100 fiktiven Kund:innen. Die Spalten sollen enthalten: Vorname, Nachname, E-Mail-Adresse, Land, Registrierungsdatum. Keine realen Namen oder Domains verwenden.

Beispielausgabe:  
<code csv>
Vorname,Nachname,E-Mail,Land,Registriert_Am
Lina,Schwarz,lina.s@demo.com,Deutschland,2023-02-14
Aron,Müller,aron.mu@demo.org,Österreich,2023-05-22
...</code>

---

=== 🏥 Beispiel 2 – Medizinische Trainingsdaten ===

**Prompt:**  
> Erstelle einen Datensatz mit 500 fiktiven Patient:innen für ein ML-Modell. Felder: Alter (18–90), Geschlecht, Blutdruck, Herzfrequenz, Raucherstatus (Ja/Nein), Diagnose (aus Liste). Format: JSON.  
Achte darauf, realistische Zusammenhänge (z. B. Rauchen → höherer Blutdruck) zu simulieren.

Beispielausgabe:
<code json>
Alter,Geschlecht,Blutdruck,Herzfrequenz,Raucher,Diagnose
82,divers,110,73,Nein,Herzinsuffizienz
29,m,176,63,Ja,Herzinsuffizienz
72,divers,142,78,Ja,Diabetes Typ 2
56,m,125,75,Ja,Diabetes Typ 2
77,m,133,104,Nein,Herzinsuffizienz
35,divers,116,109,Ja,Diabetes Typ 2
25,w,123,80,Nein,Hypertonie
63,m,133,65,Ja,Diabetes Typ 2
59,m,148,93,Ja,Hypertonie
...</code>

---

=== 💼 Beispiel 3 – Personaldaten für HR-Systeme ===

**Prompt:**  
> Generiere Testdaten für ein Bewerbermanagement-System. 50 Einträge im CSV-Format. Spalten: Name, Geburtsjahr, Ausbildungsgrad, Jahre Berufserfahrung, gewünschte Position, Gehaltsvorstellung (€/Jahr). Streue gezielt ein paar Extremwerte ein (z. B. unrealistisch hohes Gehalt).

Beispielausgabe:
<code csv>
Name,Geburtsjahr,Ausbildungsgrad,Berufserfahrung,Position,Gehaltsvorstellung
Sophie Schmidt,1979,Abitur,1,Softwareentwickler:in,35000
Tom Wagner,1995,Abitur,9,Support,110000
Lea Koch,1980,Bachelor,30,Softwareentwickler:in,42000
Max Wagner,1996,Ausbildung,0,Projektmanager:in,35000
...</code>

---

=== 🔍 Beispiel 4 – Anomalie-Erkennung trainieren ===

**Prompt:**  
> Erstelle einen synthetischen Datensatz zur Schulung eines Modells zur Anomalie-Erkennung im Netzwerkverkehr. 1000 Zeilen mit IP-Adresse, Port, Bytes gesendet, Zeitstempel, Anomalie (True/False). Füge 5 % echte Ausreißer ein.

Beispielausgabe:
<code csv>
IP-Adresse,Port,Bytes_gesendet,Zeitstempel,Anomalie
169.47.121.101,80,16161,2024-03-01 04:50:02,True
157.166.223.168,8080,1988,2024-03-01 20:58:53,False
64.92.36.214,443,2784,2024-03-01 10:37:04,False
51.65.83.133,443,2038,2024-03-01 22:00:07,False
32.222.134.181,443,1241,2024-03-01 12:16:02,False
12.225.231.64,443,2815,2024-03-01 18:57:26,False
124.168.170.23,22,1728,2024-03-01 20:56:37,False
215.231.47.138,22,2329,2024-03-01 08:57:47,False
225.110.4.221,80,4947,2024-03-01 10:07:55,False
57.225.55.111,443,4994,2024-03-01 18:18:51,False
98.83.222.103,443,3520,2024-03-01 08:51:05,False
...</code>

---

=== 📦 Beispiel 5 – E-Commerce-Transaktionen ===

**Prompt:**  
> Simuliere 200 Bestellungen aus einem Online-Shop mit folgenden Spalten: Bestellnummer, Artikelname, Kategorie, Stückzahl, Preis pro Stück, Gesamtsumme, Datum, Zahlungsmethode.  
Nutze realistische Preisbereiche (5–200 €), verschiedene Produktkategorien.

Beispielausgabe:

<code csv>
Bestellnummer,Artikel,Kategorie,Menge,Einzelpreis,Gesamtsumme,Datum,Zahlungsmethode
ORD-1000,Wasserkocher,Elektronik,1,27.66,27.66,2023-08-06,Kreditkarte
ORD-1001,Wasserkocher,Haushalt,5,69.54,347.7,2023-08-29,PayPal
ORD-1002,Tischlampe,Büro,2,32.74,65.48,2023-12-10,Sofortüberweisung
ORD-1003,T-Shirt,Elektronik,1,94.95,94.95,2023-12-11,Kreditkarte
ORD-1004,Wanduhr,Büro,4,19.85,79.4,2023-10-14,Rechnung
ORD-1005,Bluetooth-Kopfhörer,Bekleidung,4,82.13,328.52,2023-12-09,PayPal
ORD-1006,Kaffeemaschine,Elektronik,4,194.15,776.6,2023-01-13,Kreditkarte
ORD-1007,Tischlampe,Büro,4,102.76,411.04,2023-08-04,PayPal
ORD-1008,Gaming-Maus,Haushalt,1,23.86,23.86,2023-04-20,Sofortüberweisung
...</code>

----

==== Tipps für synthetische Daten-Prompts ====

  * Definiere klare **Regeln und Bereiche** (z. B. Alter 18–90, feste Länderliste etc.)
  * Gib **Datenformate explizit an** (z. B. „ISO-Datum“, „CSV mit UTF-8“)
  * Für Modelltraining: Erwähne, ob **Korrelationen** gewünscht sind
  * Baue gezielt **Edge Cases / Ausreißer / Lücken** ein (für Testrobustheit)
  * Gib einen **Verwendungszweck** an – Test, Training, Visualisierung, Validierung

----

==== Tool-Hinweise: KI-Tools für synthetische Daten ====

=== 🧰 Übersicht empfehlenswerter Tools ===

  * **MOSTLY AI**  
    - KI-generierte synthetische Daten mit realistischer Verteilung  
    - Unterstützt Tabellen, Relationen, Szenarien  
    - Ideal für Datenschutz & Modelltraining

  * **Gretel.ai**  
    - API-basierte Plattform zur Erstellung & Prüfung synthetischer Daten  
    - Gute Dokumentation, auch für DevOps einsetzbar  
    - Unterstützt JSON, CSV, relational

  * **Synthea**  
    - Open-Source-Tool zur Simulation realistischer Gesundheitsdaten  
    - Ideal für Forschung, MedTech, eHealth  
    - Konfigurierbare Szenarien (Krankheiten, Behandlungen etc.)

  * **DataGen**  
    - Fokus auf visuelle & sensorgestützte 3D-Daten (z. B. für Robotik, Fahrzeuge)  
    - Simulation für KI-Modelle im Bereich Computer Vision

  * **YData**  
    - Generiert qualitativ hochwertige strukturierte Daten für ML-Training  
    - Mit Fokus auf Fairness, Qualität und Augmentation  
    - Kombinierbar mit Data-Centric-AI-Workflows

  * **Faker (Python-Bibliothek)**  
    - Erzeugt schnell zufällige Testdaten (Namen, Adressen, IBAN etc.)  
    - Ideal für Entwickler:innen, lokal ausführbar  
    - Leicht integrierbar in Pipelines oder Tests