Echte Daten sind der Standard in Sachen Genauigkeit, aber sie können teuer in der Erhebung, unübersichtlich oder unvollständig sein und unterliegen strengen Datenschutzgesetzen wie der DSGVO oder HIPAA. Das Erfassen von Daten aus der Praxis kann Monate oder sogar Jahre dauern.

Synthetische Daten hingegen lassen sich kostengünstiger skalieren. Sie können innerhalb weniger Stunden Millionen von Datensätzen generieren. Sie sind perfekt gekennzeichnet (da der Computer sie erstellt hat, weiß er genau, was er erstellt hat) und der Vorgang ist von Grund auf datenschutzkonform. Außerdem können synthetische Daten so ausbalanciert werden, dass natürliches Bias, wie es oft in realen Datensammlungen zu finden ist, entfernt wird.

Für Entwickler ist der schnellste Weg, ein kleines bis mittelgroßes synthetisches Dataset zu generieren (zum Beispiel für Unit-Tests oder einfache Demos), oft nicht das Trainieren eines komplexen GAN, sondern die Nutzung der generativen Fähigkeiten von Large Language Models (LLMs). Diese Funktionen sind jetzt in der Gemini Enterprise Agent Platform (früher Vertex AI) zusammengefasst. Diese Plattform bietet eine umfassende Umgebung zum Erstellen, Bereitstellen und Skalieren von Machine-Learning-Modellen, einschließlich des Zugriffs auf leistungsstarke Modelle wie Gemini.

In dieser Schritt-für-Schritt-Anleitung verwenden wir das Agent Platform SDK (früher Vertex AI SDK) für Python und Gemini, um ein synthetisches Dataset mit „Kundentransaktionen“ von Grund auf zu erstellen. Stellen Sie sich vor, Sie sind ein Entwickler, der ein Fintech-Dashboard erstellt. Sie benötigen 50 Zeilen mit „Transaktionsdaten“, um Ihr Frontend zu testen.

Sie benötigen bestimmte Felder: transaction_id, timestamp, amount, merchant_category und is_fraud.

Prüfen Sie zuerst, ob das Agent Platform SDK in Ihrer Python-Umgebung installiert ist. Die Plattform wurde zwar umbenannt, das Python-Paket heißt aber weiterhin google-cloud-aiplatform.

Importieren Sie die Bibliothek und initialisieren Sie sie mit den Projektdetails. Diese Einrichtung ist Standard für die Verwendung von Gemini-Modellen über das Agent Platform SDK innerhalb der Gemini Enterprise Agent Platform.

Die Qualität der synthetischen Daten, die Sie von einem LLM erhalten, hängt stark von Ihrem Prompt ab. Sie müssen das Schema, die Einschränkungen (z. B. keine negativen Zahlen) und das Ausgabeformat (CSV oder JSON) genau angeben. Klare und spezifische Anweisungen sind der Schlüssel zu effektivem Prompt Engineering mit Gemini-Modellen auf der Gemini Enterprise Agent Platform.

Senden Sie den Prompt an das Modell und laden Sie die Antwort direkt in ein Pandas DataFrame. Die Methode generate_content ist Teil des Agent Platform SDK.

Die Verwendung eines LLM für allgemeine Zwecke wie Gemini für synthetische tabellarische Daten ist oft schneller als das Trainieren eines benutzerdefinierten statistischen Modells (wie eines VAE), wenn Sie nur „plausible“ Daten zum Testen der Softwarefunktionalität benötigen.

• Geschwindigkeit: Sie erhalten Daten in Sekundenschnelle.
• Flexibilität: Sie können das Schema einfach durch Bearbeiten des Text-Prompts ändern.
• Logik: Sie können das Modell bitten, komplexe Logik einzubauen (z. B. „Wenn der Händlertyp ‚Travel‘ ist, muss der Betrag über 100 $ liegen“). Mit einfachen Zufallsgeneratoren ist das schwierig.

*Hinweis für Unternehmen: Wenn Sie Millionen von Zeilen generieren müssen, die ein riesiges vorhandenes privates Dataset statistisch klonen, würden Sie wahrscheinlich von einfachen LLM-Prompts zu Gemini Enterprise Agent Platform Pipelines (früher Vertex AI Pipelines) übergehen, die über spezialisierte Partner wie Gretel.ai oder MOSTLY AI verfügbar sind. Diese sind direkt im Google Cloud Marketplace verfügbar. Diese erweiterten Workflows können innerhalb der umfassenderen Gemini Enterprise Agent Platform orchestriert und verwaltet werden.