Von der Genieportal-Redaktion · Stand:
Synthetic Data Engineers generieren künstliche Daten, die echte Daten ersetzen oder ergänzen, ohne Datenschutzprobleme, ohne Bias und in beliebiger Menge. In einer Welt, in der Daten das 'neue Öl' sind, aber Datenschutz (DSGVO) und Datenknappheit reale Probleme darstellen, sind synthetische Daten eine Revolution. Beispiel Gesundheitswesen: Ein Krankenhaus will ein KI-Modell zur Diagnose trainieren, darf aber Patientendaten nicht teilen (DSGVO). Lösung: Synthetische Patientendaten generieren, die statistisch identisch sind aber keinen echten Patienten repräsentieren. Beispiel Automotive: Für autonomes Fahren braucht man Millionen Bilder von seltenen Szenarien (Kind rennt auf die Straße bei Nacht und Regen). In der Realität selten, in der Simulation unbegrenzt generierbar. Die Technologie basiert auf generativen Modellen: GANs (Generative Adversarial Networks), VAEs (Variational Autoencoders), Diffusion Models und statistische Methoden. Synthetic Data Engineers müssen sicherstellen, dass die synthetischen Daten die statistischen Eigenschaften der echten Daten bewahren, ohne Privacy-Leaks.
Als Synthetic Data Engineer kümmerst du dich um 10 typische Aufgabenbereiche. Im Mittelpunkt stehen: Generierung synthetischer tabularer Daten (Finanzdaten, Gesundheitsdaten, Kundendaten) sowie Erstellung synthetischer Bilddaten für Computer Vision (3D-Rendering, Diffusion Models).
Als Synthetic Data Engineer brauchst du vor allem diese Fähigkeiten: generative Modelle (GANs, VAEs, Diffusion Models, Copulas), Statistik und Wahrscheinlichkeitstheorie sowie Python und ML-Frameworks (PyTorch, TensorFlow).
Als Synthetic Data Engineer kannst du dich in 6 Richtungen weiterentwickeln, zum Beispiel: Senior Synthetic Data Engineer, Lead Data Engineer (Synthetic) oder Head of Data / Chief Data Officer.
Morgens: Qualitätsbewertung der gestern generierten synthetischen Bankdaten. Statistische Tests: Kolmogorov-Smirnov für Verteilungen, Korrelationsmatrizen vergleichen, Machine-Learning-Utility-Test (trainiere Modell auf synthetisch, evaluiere auf echt: gleiche Performance?). Vormittags: Privacy-Audit: Membership Inference Attack auf die synthetischen Daten durchführen. Kann ein Angreifer herausfinden, ob eine bestimmte Person in den Originaldaten war? Nachmittags: Neue Pipeline für synthetische Röntgenbilder aufsetzen. Diffusion Model fine-tunen auf 10.000 echte Röntgenbilder. Radiologen evaluieren: Können sie echte von synthetischen Bildern unterscheiden? Spätnachmittags: Kundenpräsentation: dem Pharmaunternehmen erklären, wie synthetische Patientendaten die klinische Forschung beschleunigen können, ohne DSGVO-Probleme. Business Case: 6 Monate schnellere Modellentwicklung, kein Data-Sharing-Agreement nötig.
Schnell wachsender Nischenmarkt. Mostly AI (Wien), Gretel.ai, Syntho (Amsterdam) und Hazy (London) sind dedizierte Startups. Pharma (Roche, Novartis), Banken (Deutsche Bank, UBS), Automotive (BMW, VW) und Telcos nutzen synthetische Daten. Die DSGVO treibt die Nachfrage, denn synthetische Daten lösen Datenschutz-Probleme elegant. Gartner prognostiziert, dass bis 2030 synthetische Daten echte Daten beim ML-Training übertreffen werden. Die Gehälter liegen im Data-Science-Bereich mit Privacy-Premium.
Jobs als Synthetic Data Engineer findest du bei Berufsgenie deutschlandweit, mit eigenen Übersichten unter anderem für Berlin, Hamburg, München, Köln, Frankfurt am Main und Düsseldorf.
Alle Städte ansehen