Synthetische data is computermatig gegenereerde data die de statistische eigenschappen van een echte dataset nabootst zonder dat de onderliggende persoonsgegevens worden hergebruikt. Voor gereguleerde organisaties, zoals ziekenhuizen, rechtbanken en overheidsinstanties, opent dit de mogelijkheid om AI-modellen te trainen en te valideren zonder de juridische en ethische risico’s van directe verwerking van burger- of klantdata.
Waarom echte trainingsdata een fundamenteel probleem is voor gereguleerde sectoren
AI-modellen die worden getraind op ruwe patiëntendossiers, juridische dossiers of uitkeringsdata, verwerken per definitie bijzondere persoonsgegevens. Zodra die training plaatsvindt op infrastructuur van een Amerikaanse cloudleverancier, ontstaat een jurisdictioneel risico: de CLOUD Act (2018) en de eerder ingevoerde USA PATRIOT Act geven Amerikaanse autoriteiten de bevoegdheid om data op te vragen bij Amerikaanse bedrijven, ongeacht waar die data fysiek is opgeslagen.
Synthetische data doorbreekt dit patroon. De gegenereerde dataset bevat geen directe kopieën van individuele records, maar reproduceert de statistische verdeling, correlaties en patronen van de brondata. Het AI-model leert van die statistische schaduw, niet van de personen zelf.
Juridisch kader: AVG, AI Act en EU Data Act
Drie Europese regelgevingskaders bepalen gezamenlijk wat een soeverein en compliant synthetisch-dataplatform moet kunnen.
AVG: dataminimalisatie en privacy by design
AVG artikel 5 verplicht organisaties tot dataminimalisatie: alleen de gegevens verwerken die strikt noodzakelijk zijn voor het opgegeven doel. Synthetische data is een directe operationalisering van dit beginsel, omdat de trainingstap niet meer afhankelijk is van de volledige originele dataset. AVG artikel 25 (privacy by design en by default) vereist dat privacybeschermende maatregelen al worden ingebouwd bij het ontwerp van een systeem. Een synthetisch-datagenerator die on-premise draait en nooit persoonlijke records naar externe systemen stuurt, voldoet structureel aan dit artikel.
AI Act: datakwaliteit voor hoog-risico systemen
Artikel 10 van de EU AI Act (definitief vastgesteld in 2024) verplicht aanbieders van hoog-risico AI-systemen tot trainingsdata die representatief, foutvrij en volledig is. Synthetische datasets moeten aan diezelfde kwaliteitseisen voldoen en vereisen documentatie van de generatiemethode, de kwaliteitsvalidatie en de eventuele vertekeningen (bias) die bij synthese kunnen ontstaan.
“De AI Act introduceert voor hoog-risico AI-systemen verplichtingen op het gebied van datakwaliteit en documentatie die direct gevolgen hebben voor hoe organisaties hun trainingsdata selecteren en verwerken.” (Andrea Jelinek, voormalig voorzitter European Data Protection Board)
EU Data Act: portabiliteit en overstap van cloudleveranciers
De EU Data Act (Verordening (EU) 2023/2854) geeft organisaties het recht om data op te vragen bij cloudleveranciers en over te dragen naar een andere aanbieder of eigen infrastructuur. Dit is direct relevant voor organisaties die AI-trainingsdata willen repatriëren van Microsoft Azure, Google Cloud of AWS naar een on-premise omgeving. De Data Act versterkt de positie van organisaties die willen migreren, maar stelt ook transparantie-eisen aan dataverwerkingscontracten.
Technische methoden: GAN, VAE en differentiële privacy
De kwaliteit en juridische bruikbaarheid van synthetische data hangen af van de generatiemethode en de toegepaste privacywaarborgen.
Generatieve modellen
Generative Adversarial Networks (GAN) werken met twee neurale netwerken die tegen elkaar worden uitgespeeld: een generator die nepdata aanmaakt en een discriminator die probeert die nepdata van echte data te onderscheiden. Naarmate het trainingsproces vordert, produceert de generator steeds realistischer data. Variational Autoencoders (VAE) nemen een andere aanpak: ze leren een compacte latente representatie van de brondata en samplen vervolgens nieuwe datapunten uit die ruimte. VAE’s zijn rekentechnisch minder zwaar en leveren stabielere resultaten op kleinere datasets, wat ze geschikt maakt voor zorginstellingen met beperkte hardware.
Recentere methoden gebruiken Large Language Models (LLM-gebaseerde synthese) voor tabellaire en tekstuele data. Hierbij genereert een fijngestemd taalmodel synthetische records op basis van een opgegeven schema. Het voordeel is flexibiliteit; het nadeel is dat LLM’s zelf grote rekeningsfrastructuur vereisen en dat controle over lekken van trainingsdata een aandachtspunt blijft.
Differentiële privacy als wiskundige garantie
Differentiële privacy (differential privacy) voegt wiskundig gedefinieerde ruis toe aan het leerproces of de output van een model, zodat de aanwezigheid of afwezigheid van één individu in de brondata statistisch niet aantoonbaar is in het resultaat. Het epsilon-budget (ook wel privacybudget genoemd) bepaalt de sterkte van de bescherming: een lager epsilon betekent sterkere privacy maar ook meer gegevensverlies.
“Synthetische data is geen vervanging voor goed databeheer, maar het biedt organisaties een gecontroleerde manier om de statistieken van een dataset te bewaren zonder de onderliggende individuen bloot te stellen.” (Cynthia Dwork, wiskundige en uitvinder van differentiële privacy, Harvard University)
De combinatie van GAN of VAE met differentiële privacy geldt momenteel als de best practice voor gereguleerde sectoren. Het epsilon-budget moet worden gedocumenteerd en opgenomen in de Data Protection Impact Assessment (DPIA).
Re-identificatierisico: hoe groot is het en hoe beheers je het?
Synthetische data elimineert re-identificatierisico niet automatisch. Drie aanvalsvectoren zijn gedocumenteerd in de literatuur: membership inference (het vaststellen of een individu in de trainingsset zat), attribute inference (het reconstrueren van gevoelige kenmerken) en overfitting op kleine subgroepen (waarbij zeldzame combinaties vrijwel letterlijk worden gekopieerd).
Technische maatregelen omvatten: differentieel-private training, minimale subgroepdrempel, formele privacy-audits met tools zoals de SDMetrics-bibliotheek, en het meten van de Train-Synthetic-Test-Real (TSTR)-score om te beoordelen of het synthetische model echte patronen goed reproduceert. Organisatorische maatregelen omvatten: beperkte toegang tot het generatieproces, logboekregistratie van elke generatiestap en periodieke herbeoordeling als de brondata wijzigt.
| Sector | Typische brondata | Belangrijkste re-identificatierisico | Aanbevolen maatregel |
|---|---|---|---|
| Zorg | Patiëntendossiers, diagnoses | Zeldzame aandoeningen, combinatie leeftijd/postcode/diagnose | Differentiële privacy + subgroeponderdrukking |
| Juridische sector | Dossiers, uitspraken | Unieke zaaknummers, namen in tekstfragmenten | LLM-synthese met tekstanonimisatie vooraf |
| Overheid | Uitkeringsdata, bevolkingsregisters | Kleine gemeenschappen, bijzondere kenmerken | k-anonimiteit gecombineerd met VAE |
Europese financiering: HORIZON-CL4-2026-04-DATA-06 en Gaia-X
De Europese Commissie erkent soevereine data-infrastructuur als strategische prioriteit. De Horizon Europe-call HORIZON-CL4-2026-04-DATA-06 richt zich expliciet op de ontwikkeling van vertrouwde en soevereine data-ecosystemen, inclusief synthetische-dataplatformen die voldoen aan Europese juridische eisen. Organisaties die onderzoeksinfrastructuur willen bouwen voor synthetische datageneratie, kunnen via dit programma consortiumfinanciering aanvragen in samenwerking met kennisinstellingen.
Het Gaia-X Trust Framework, beheerd door Gaia-X AISBL, definieert de eisen voor zelfbeschrijving van diensten, herkomstregistratie en toegangsbeleid binnen Europese dataruimten. Via IDSA-connectors (International Data Spaces Association) kunnen organisaties synthetische datasets uitwisselen met andere partijen binnen een vertrouwde dataruimte, zonder dat de brondata het eigen netwerk verlaat. Dit is relevant voor samenwerkingsverbanden in de zorg (Europese gezondheidsdata-ruimte) en de overheid.
Statistisch gezien: Gartner schatte in 2022 dat zestig procent van de data die in 2024 wordt gebruikt voor AI- en analyseprojecten synthetisch gegenereerd zal zijn (bron: Gartner). De markt voor synthetische data werd in 2023 al geraamd op ruim 300 miljoen dollar met een verwachte jaarlijkse groei van meer dan 35 procent tot 2030 (bron: Gartner Research). Tegelijkertijd constateerde de Europese Rekenkamer in een speciaal verslag uit 2023 dat slechts een minderheid van EU-instellingen concrete stappen had gezet om de afhankelijkheid van niet-Europese cloudleveranciers te beperken (bron: Europese Rekenkamer).
Praktische migratie: van Big Tech-cloud naar on-premise synthetische datageneratie
Een gestructureerde aanpak in vijf stappen maakt de overgang beheersbaar voor compliance officers en IT-besluitvormers.
Stap 1: Dataclassificatie en risicoanalyse. Breng in kaart welke datasets momenteel worden gebruikt voor AI-training op cloudplatformen zoals Microsoft Azure Machine Learning of Google Vertex AI. Categoriseer op bijzonderheid en verwerkingsgrondslag conform de AVG.
Stap 2: DPIA voor synthetische generatie. Voer een Data Protection Impact Assessment uit specifiek voor het synthetische generatieproces. Documenteer het gekozen generatiemodel, het epsilon-budget bij differentiële privacy en de subgroepdrempels.
Stap 3: On-premise infrastructuur inrichten. Kies voor servers die fysiek binnen de eigen jurisdictie staan (Nederland, Duitsland of Zwitserland voor de sterkste soevereiniteitsgaranties). Open-source tools zoals CTGAN, SDV of Synthpop kunnen on-premise worden ingezet zonder licentiekosten aan Amerikaanse leveranciers. Voor grotere organisaties bieden GPU-servers een significante versnelling van het trainingsproces.
Stap 4: Kwaliteitsvalidatie en juridische toets. Meet de Train-Synthetic-Test-Real (TSTR)-score om te beoordelen of downstream AI-modellen vergelijkbaar presteren op synthetische versus echte data. Leg de resultaten voor aan de functionaris voor gegevensbescherming (FG) en documenteer de bevindingen in het verwerkingsregister.
Stap 5: Contracten en dataportabiliteit. Activeer de rechten onder de EU Data Act (Verordening (EU) 2023/2854) om data te repatriëren van bestaande cloudleveranciers. Sluit nieuwe verwerkersovereenkomsten die uitdrukkelijk verbieden dat trainingsdata wordt gebruikt voor het verbeteren van het cloudplatform van de leverancier zelf, een clausule die bij veel standaard Microsoft 365- en Google Workspace-contracten actief moet worden bedongen.
NIS-2 en ransomwarebescherming voor synthetische data-omgevingen
On-premise infrastructuur voor synthetische datageneratie valt onder de NIS-2-richtlijn (Richtlijn (EU) 2022/2555) voor essentiële en belangrijke entiteiten. Dit betekent dat beveiligingsmaatregelen, meldplichten bij incidenten en leveranciersbeheervereisten van toepassing zijn. Een synthetische datapipeline die uitvalt door ransomware, verstoort niet alleen AI-ontwikkeling maar kan ook de brondata blootstellen als back-ups onvoldoende zijn gescheiden. Onveranderbare back-ups (immutable backups) en netwerksegmentatie tussen de generatieomgeving en productiesystemen zijn daarvoor de minimale beveiligingsmaatregelen.
Veelgestelde vragen
Is synthetische data per definitie geen persoonsgegeven in de zin van de AVG?
Niet automatisch. Synthetische data valt buiten de AVG als re-identificatie van individuen redelijkerwijs is uitgesloten. Dat vereist technische waarborgen zoals differentiële privacy en een formele privacyrisicoanalyse. Zonder die analyse blijft juridische voorzichtigheid geboden.
Wat is het verschil tussen geanonimiseerde data en synthetische data?
Geanonimiseerde data is afgeleid van echte persoonsgegevens waarbij identificerende elementen zijn verwijderd. Synthetische data wordt statistisch gegenereerd op basis van de structuur en verdeling van de brondata, zonder dat individuele records direct worden overgenomen. Synthetische data biedt daardoor een sterkere scheiding van de originele personen.
Wat verstaat de AI Act onder datakwaliteitseisen voor hoog-risico AI-systemen?
Artikel 10 van de AI Act verplicht aanbieders van hoog-risico AI-systemen tot trainingsdata die representatief, foutvrij en volledig is, en die vrij is van ongewenste vooroordelen. Synthetische data moet aan diezelfde eisen voldoen en vereist dus documentatie van de generatiemethode en kwaliteitsvalidatie.
Hoe werkt het Gaia-X Trust Framework in de context van synthetische datauitwisseling?
Het Gaia-X Trust Framework stelt eisen aan de zelfbeschrijving van diensten en deelnemers binnen Europese dataruimten. Via IDSA-connectors kunnen organisaties synthetische datasets uitwisselen met behoud van controle over toegangsbeleid en jurisdictie, zonder dat data ongecontroleerd naar externe partijen stroomt.
Kan een kleine overheidsorganisatie zelf een on-premise synthetisch-datageneratieproces opzetten?
Ja, al vereist dit technische capaciteit voor het draaien van generatieve modellen lokaal. Open-source tools zoals SDV (Synthetic Data Vault) of CTGAN kunnen on-premise worden ingezet. Kleinere organisaties kiezen soms voor een gedeelde soevereine infrastructuur binnen de publieke sector, waarbij de data het eigen netwerk niet verlaat.
