Generierung synthetischer Batch-Daten durch künstliche Intelligenz
In diesem Beitrag wird ein flexibler Ansatz zur Erzeugung synthetischer Batch-Daten, die sich aus multivariaten Zeitreihen zusammensetzen, vorgestellt. Einer der am meisten übersehenen Einflussfaktoren in Bezug auf Künstliche Intelligenz (KI) ist eine umfassende und qualitativ hochwertige Datenbasis. Oft steht diese nur limitiert zur Verfügung. Synthetisch erzeugte Daten können diese Lücke schließen. Im Gegensatz zu Dummy-Daten, erzeugt als Ergänzung zu real gemessenen Daten, bieten in silico erstellte synthetische Daten ein hohes Maß an Realismus. Gemäß der Definition handelt es sich bei Dummy-Daten um Ersatzdaten (Musterdaten), die nach dem Zufallsprinzip erzeugt werden. Hierbei werden keine Merkmale des zugrunde liegenden Prozesses und der gemessenen realen Daten berücksichtigt. Der entwickelte KI-Algorithmus ist in der Lage, sowohl realitätsnahe Datenbatches als auch Datenbatches mit einer kontrollierten Streuung der Daten zu generieren, dies erweitert das Feld der möglichen Anwendungsfälle. Die synthetisch erzeugten Datenkurven unterscheiden sich wie geplant innerhalb des Raums, der durch den realen Datensatz aufgespannt wird, zufallsbedingt voneinander. Das Erzielen qualitativ hochwertiger synthetischer Datensätze unter Bereitstellung limitierter realer Datensätze ist ein starker Türöffner für KI-basierte Algorithmen. Synthetisch generierte Daten tragen wesentlich dazu bei, den Einsatz von KI in der pharmazeutischen Herstellung zu verankern und zu beschleunigen, indem sie als datenschutzsicherer Ersatz für reale Daten dienen. Synthetische Daten unterliegen nicht den Datenschutzbestimmungen und überwinden das Risiko der Re-Identifizierung.