Synthetische data: wanneer een kunstmatige dataset de betere keuze is
Photo: abstract synthetic data visualization network nodes blue, via www.creativefabrica.com
Synthetische data zijn geen futuristisch experiment meer. Nederlandse banken, zorginstellingen en overheidsorganisaties gebruiken ze steeds vaker om testomgevingen te vullen, analysedetectie te verbeteren of AI-modellen te trainen zonder daarvoor persoonsgegevens uit productiesystemen te hoeven kopiëren. De belofte is aantrekkelijk: de statistische eigenschappen blijven behouden, terwijl de herleidbaarheid naar individuen verdwijnt. Toch is die belofte niet vanzelfsprekend. Wie synthetische data inzet zonder de juiste controle, ruilt een privacyrisico soms in voor een kwaliteitsrisico.
Waarom kunstmatige datasets aan terrein winnen
De belangrijkste drijfveer is schaarste. Echte datasets zijn vaak duur om te verzamelen, moeilijk te delen en juridisch beperkt bruikbaar. Denk aan fraudepatronen bij betalingen, medische beelden of klantinteracties in callcenters. In plaats van maanden te wachten op een geanonimiseerde export, kan een team een synthetische dataset genereren die dezelfde verdelingen en correlaties nabootst. Dat versnelt innovatie en verlaagt de drempel om te experimenteren.
Daarnaast speelt compliance een rol. De Algemene Verordening Gegevensbescherming (AVG) staat het delen van persoonsgegevens niet altijd toe, zeker niet tussen organisaties of met externe leveranciers. Synthetische data kunnen dan een uitweg bieden, mits aantoonbaar is dat re-identificatie redelijkerwijs is uitgesloten. De Autoriteit Persoonsgegevens benadrukt dat pseudonimisering alleen niet volstaat; het gaat om de feitelijke kans op herleiding. Dat vraagt om technische maatregelen én om een gedegen onderbouwing.
Waar de techniek aantoonbaar werkt
In test- en ontwikkelomgevingen zijn synthetische data vaak een pragmatische oplossing. Een verzekeraar die een nieuw claimsysteem wil testen, heeft baat bij realistische maar niet-herleidbare schadecases. Een ziekenhuis dat een planningsmodel wil bouwen, kan synthetische patiëntstromen gebruiken zonder het medisch beroepsgeheim te raken. Ook voor het trainen van AI-modellen zijn er voorbeelden waarbij synthetische data de representativiteit verbeteren, bijvoorbeeld door zeldzame gebeurtenissen vaker te simuleren dan in de werkelijkheid voorkomen.
Toch blijkt de praktijk weerbarstiger dan de brochure belooft. Een synthetische dataset is alleen bruikbaar als de onderliggende verbanden kloppen. Worden die verbanden te simplistisch weergegeven, dan leert een model patronen die in de echte wereld niet bestaan. Dat leidt tot schijnzekerheid: het model presteert goed op de kunstmatige testset en faalt in productie. Daarom is een validatiestap onmisbaar, waarbij de synthetische data worden vergeleken met een representatieve steekproef uit de werkelijkheid.
De valkuil van representativiteit en bias
Een veelgehoorde misvatting is dat synthetische data per definitie biasvrij zijn. Het tegendeel is vaak waar. Als de brondata een scheve verdeling bevatten, neemt een generatief model die scheefheid over. Sterker nog: het model kan bestaande vooroordelen versterken of nieuwe artefacten introduceren. Zonder expliciete toets op demografische en operationele representativiteit ontstaat een dataset die technisch realistisch lijkt, maar strategisch misleidend is.
Daarnaast speelt het risico van mode collapse: het generatieve model produceert te weinig variatie en herhaalt steeds dezelfde patronen. Voor een dashboardsimulatie is dat hinderlijk; voor een fraudemodel kan het fataal zijn. Organisaties doen er goed aan om niet alleen naar statistische afstand te kijken, maar ook naar domeinexpertise. Laat businessexperts beoordelen of de gegenereerde gevallen plausibel zijn. Technische metrieken alleen zeggen weinig over zakelijke geldigheid.
Governance: van experiment naar beheerst gebruik
Synthetische data vragen om dezelfde discipline als elke andere databron. Dat betekent een duidelijke eigenaar, een versiebeheerproces en documentatie over de herkomst en de generatiemethode. Leg vast welk model is gebruikt, met welke parameters, op welke brondata en met welke validatieresultaten. Alleen dan is achteraf te verantwoorden waarom een bepaalde dataset geschikt werd geacht.
Ook de juridische grondslag verdient aandacht. Synthetische data zijn niet automatisch buiten de AVG gevallen. Als de generatie plaatsvindt op basis van persoonsgegevens, blijft de verwerking daarvan onder de AVG vallen. De Autoriteit Persoonsgegevens zal bij een controle vragen naar de noodzaak en proportionaliteit van die verwerking. Organisaties moeten dus kunnen uitleggen waarom synthetische data nodig zijn en waarom minder ingrijpende alternatieven niet volstaan.
Een praktische toets voor uw organisatie
Begin niet met de techniek, maar met de vraag welk probleem u oplost. Gaat het om een testomgeving, om privacybescherming of om het vergroten van een trainingsset? Formuleer per doel een acceptatiecriterium. Toets vervolgens of de synthetische data dat criterium halen, zowel statistisch als inhoudelijk. Betrek legal, security en de business bij de beoordeling. En blijf meten: een dataset die vandaag voldoet, kan morgen achterhaald zijn wanneer de werkelijkheid verandert.
Synthetische data zijn dus geen wondermiddel, maar wel een volwaardig instrument in de gereedschapskist van de dataprofessional. De kunst is om ze te behandelen als elke andere databron: met heldere doelen, aantoonbare kwaliteit en een governance die verder gaat dan de technische pipeline.