Welche Verfahren vermeiden Zeilenkopien?
Explizite Regeln können Fälle aus Schema und Fachanforderungen erzeugen. Gepflegte fiktive Fixtures decken kleine Regressionstests ab. Ein trainiertes Modell benötigt möglicherweise repräsentative Trainingsdaten: Kläre Herkunft und Berechtigungen, statt fehlenden Produktionszugriff anzunehmen.
Bedeutet synthetisch automatisch anonym?
Nein. Bewerte Identifizierbarkeit und Verknüpfbarkeit im konkreten Kontext. Pseudonymisierte Daten können personenbezogen bleiben; gelernte Ausgaben können Informationen über Trainingsdaten offenlegen. Der EDSA unterscheidet Pseudonymisierung und Anonymisierung; seine Leitlinien von 2026 wurden zur Konsultation veröffentlicht.
Was muss der PoC zeigen?
Verfolge Eingaben, Modelle, Referenzdateien, Logs und Ausgaben. Nutze fachliche Sollwerte und prüfe seltene und ungültige Fälle. Dokumentiere Zugriffsrechte, Löschung und offene Datenschutz- und Nutzenfragen.
Kandidaten für diese Aufgabe
- Faker: Erzeugt einzelne Werte im Testcode; Beziehungen und Constraints liegen bei deinem Team.
- DATAMIMIC CE: Definiere Werte und Beziehungen in XML-Modellen; prüfe, dass dein Modell keine sensiblen Quelldatensätze nutzt.
- GenRocket: Entwirf generierte Szenarien für die Laufzeit; prüfe Eingaben und Zielablauf.
- Tonic Fabricate: Generiere Datensätze aus Beschreibungen; lade keine realen Beispiele hoch, wenn dein Bedarf das ausschließt.