Wat is synthetische data? Kunstmatig gegenereerde gegevens die op echte lijken. Testen en trainen zonder persoonsgegevens. Kansen en valkuilen.
Synthetische data is kunstmatig gegenereerd materiaal dat de structuur en het taalgebruik van echte gegevens volgt, zonder dat er echte personen achter zitten. Het maakt testen, demo's en evaluaties mogelijk zonder persoonsgegevens aan te raken. EIGHTY8 bouwt er liever testsets mee dan echte dossiers te kopiëren. Met de kanttekening dat het de werkelijkheid nadert, nooit ís.
Elk AI-project heeft materiaal nodig om mee te werken: voorbeelden om te testen, gevallen om te oefenen, een set om te laten zien hoe het werkt. De vanzelfsprekende bron is de eigen administratie. Maar die bevat echte klanten, echte orders en echte opmerkingen. Synthetische data omzeilt dat: gegenereerde voorbeelden die dezelfde velden, hetzelfde type taal en dezelfde rare randgevallen bevatten, zonder dat er één echte persoon in zit.
De voordelen liggen voor het oprapen. Er zijn geen persoonsgegevens in het spel, dus geen bewaartermijnen, geen verwerkersafspraken en geen gesprek over wat er met de kopie gebeurt. Testsets zijn vrij te delen met het team, te vergroten voor moeilijke gevallen en te herzien zodra het proces verandert. En het dwingt tot iets waardevols: om de set te genereren moet je eerst uitschrijven wat een typisch geval is. Dat is dezelfde klarheid die een goed traject toch al nodig heeft.
De valkuil is even eerlijk te noemen: synthetisch materiaal is een nabootsing. Het mist de rommel van de echte wereld (de halfzinnen, de verkeerde velden, de uitzonderingen die niemand bedacht) tenzij je ze bewust nadoet. Een toepassing die alleen op de nette set is getest, krijgt in productie vragen te zien waar hij niet op voorbereid was. Gebruik het dus als oefenruimte en als veilige demo-omgeving, en toets de werkelijke prestatie met echte gevallen uit het dagelijkse werk, bekeken door de mensen die het werk doen.
De moeite waard is hij voor alles wat vóór de productie gebeurt: eerste proeven, evaluaties die regelmatig terugkomen, demo's voor klanten van je klant, training van nieuwe collega's op een veilige omgeving. Ook voor kwetsbare domeinen is hij een zegen. Waar echte dossiers te gevoelig zijn om te kopiëren, maakt een gegenereerde set het gesprek mogelijk zonder het risico.
Niet de moeite waard is hij als vervanging van de echte praktijk: het eindoordeel over een toepassing hoort bij echte gevallen uit het dagelijkse werk, want daar zit de rommel die de set niet vangt. En hij is geen truc om tekortkomingen weg te moffelen. Wie alleen prachtige synthetische resultaten laat zien, doet zichzelf tekort. De volgorde is bewust: oefenen op gegenereerd materiaal, bewijzen op echte gevallen.
Wij bouwen synthetische testsets bij de proefopstellingen van onze werkstromen en bij de evaluaties die daarna blijven draaien: hetzelfde veldenschema, hetzelfde soort taal, bewust mét lastige randgevallen. Voor demo's gebruiken we ook liever gegenereerde voorbeelden dan echte dossiers. Zo kan het project vroeg en vrij bewegen, terwijl de echte gegevens binnen de eigen muren en afspraken blijven.
Voor de meeste bedrijfsprojecten is trainen niet nodig (instructies, voorbeelden in de prompt en eigen documenten brengen het ver) dus de vraag komt zelden aan de orde. Waar training of afstemming wél gebeurt, kan synthetisch materiaal een rol spelen: het leert het model de vorm van de taak zonder persoonsgegevens. De kanttekening is dat het model dan de nabootsing leert: presteert hij op de set, dan bewijst hij nog niets over de echte wereld. Toets altijd met echte gevallen uit het werk zelf.
Door eerst het schema uit te schrijven: welke velden heeft een typisch geval, welke waarden komen voor, welke combinaties zijn onmogelijk. Daarna genereer je voorbeelden die dat schema volgen (teksten in het taalgebruik van jouw vak, nummers in het formaat van jouw systemen) en voeg je bewust randgevallen toe: de halflege order, de vreemde spelling, de klant die twee adressen noemt. De kwaliteit hangt aan de uitschrijving, niet aan een truc; dat is ook waarom het maken ervan het project zelf ten goede komt.
In de regel niet, zolang de gegenereerde voorbeelden niet tot echte personen herleidbaar zijn en niemand er per ongeluk in is achtergebleven. Het risico zit in de randen: een set die te letterlijk op één echte casus is gebaseerd, of een generatieproces dat een echt dossier als bron gebruikte en kenmerken meenam. Wie het generatieproces netjes opzet (schema en taal als bron, geen kopie van echte rijen) kan synthetische sets vrij gebruiken, delen en bewaren zonder de plichten rond persoonsgegevens.
Overal waar de taak het patroon nodig heeft en niet de persoon: proefopstellingen, evaluaties die terugkomen, demo's, oefenomgevingen en testsets voor randgevallen. Echte gegevens zet je in waar de werkelijkheid zelf het toetsingsmateriaal is. De eindtoets voor productie, en de evaluaties die de dagelijkse kwaliteit bewaken. De volgorde is geen either-or maar een ritme: vrij oefenen op gegenereerd materiaal, bewijzen op echte gevallen, en beide netjes gescheiden houden.
EIGHTY8