Synthetische data is maar zo goed en veilig als je kunt aantonen . .. ...

Synthetische data is niet vanzelf bruikbaar, en ook niet vanzelf privacyveilig. Elke BlueGen-dataset krijgt een evaluatierapport mee dat gelijkenis, bruikbaarheid en privacy test, zodat je weet waar de data goed voor is en wie hem veilig mag ontvangen.
Animatie van een BlueGen-evaluatierapport: gelijkenis telt op tot 91, bruikbaarheid tot 100, en 3 van 5 privacy-evaluaties slagen, 2 zijn gemarkeerd.

Synthetische data kan er goed uitzien en toch falen

Het evaluatierapport is gemaakt om alle drie te vangen.

Het lijkt op de echte data, maar geeft andere resultaten

Kolom voor kolom komt het overeen met de echte data, maar de verbanden tussen kolommen kloppen niet. Analyses en modellen die erop bouwen, komen tot andere uitkomsten.

Het spiegelt de echte data, maar laat restrisico achter

Het model heeft zeldzame records onthouden, en een aanvaller kan details afleiden over de mensen waarvan het leerde.

Het lijkt veilig, maar er is geen bewijs om te tekenen

Je organisatie beslist of de data als anoniem geldt en moet laten zien hoe ze daartoe kwam. Zonder vastgelegd bewijs kan niemand het delen goedkeuren.

Elke check beantwoordt een andere vraag, en slaagt of faalt op zichzelf

Het rapport wordt automatisch bij elke dataset gemaakt en vergelijkt de synthetische data met de echte data, binnen je eigen omgeving. Een sterke score op de ene check kan een zwakke score op de andere niet verbergen.

Gelijkenis

Controleer of het lijkt op de echte data en alles dekt

  • Precision en recall: synthetische records liggen dicht bij de echte en dekken ze allemaal, ook randgevallen
  • Onderscheidbaarheid: of een model synthetische records van echte kan onderscheiden
  • Univariate en multivariate gelijkenis, ontbrekende waarden inbegrepen
Bruikbaarheid

Bewijs dat het werkt voor jouw taak

  • Train op echte en op synthetische data, en test beide op echte holdout-data
  • Feature importance van beide modellen naast elkaar vergeleken
  • Domeinspecifieke evaluaties, zoals een overlevingsanalyse met een Kaplan-Meier-curve en een hazard-ratiotabel
Privacy

Laat zien dat het veilig is voor de mensen in de data

  • Drie aanvallen uit de conceptrichtlijnen van de EDPB uit 2026: uitlichten van personen, koppelbaarheid en afleidbaarheid
  • Elke aanval draait ook op een controlegroep, zodat alleen echt lekken als risico telt
  • Twee eigen checks op kopiëren: exacte duplicaten en afstand tot dichtstbijzijnde buur

Privacy meten we door de data aan te vallen

Elke aanval draait twee keer

Eén keer op de mensen van wie de records het model hebben getraind, en één keer op een controlegroep van echte mensen die het nooit heeft gezien. Evenveel succes betekent dat de aanval alleen patronen vond die voor de hele populatie gelden. Extra succes op de trainingsgroep is lekken, en dat verschil is het restrisico.

  • Geslaagd bij minder dan 9 extra geslaagde aanvallen op 100 dan bij de controlegroep, dezelfde grens die het Europees Geneesmiddelenbureau hanteert voor gepubliceerde data uit klinische studies
  • De aanvallen volgen de conceptrichtlijnen van de EDPB uit 2026
  • De brondata blijft binnen je eigen infrastructuur: de evaluatie draait waar BlueGen ook is geïnstalleerd
Illustratieve privacy-aanval: 6 op 100 slagen bij de mensen die het model hebben getraind en 1 op 100 bij een controlegroep, een restrisico van 5.

Of synthetische data veilig te delen is, hangt af van wie het ontvangt

Dezelfde dataset kan veilig zijn voor een onderzoekspartner en toch tekortschieten voor openbare publicatie. Het rapport beoordeelt elke privacy-evaluatie tegen de lat voor jouw doelgroep.

De vijf privacy-evaluaties, in lijn met de AVG
Check Wat het detecteert Geslaagd als
Exact duplicates Echte records die in de synthetische data zijn gekopieerd, ook bijna-identieke Geen in de vrijgegeven dataset
Nearest neighbour distance ratio Synthetische records die opvallend dicht bij echte mensen liggen Geen significante verschuiving richting echte records
Singling out Eén echt persoon kan worden geïsoleerd Minder dan 9 extra geslaagde aanvallen op 100 dan bij de controlegroep
Linkability Twee datasets over één persoon kunnen via de synthetische data worden gekoppeld Minder dan 9 extra geslaagde aanvallen op 100 dan bij de controlegroep
Inference Een gevoelig kenmerk van één persoon kan worden afgeleid Minder dan 9 extra geslaagde aanvallen op 100 dan bij de controlegroep

Een voorbeeld: een aanval die 6 keer op 100 slaagt bij de mensen die het model hebben getraind en één keer bij de controlegroep, heeft een verschil van 5 en is dus geslaagd. Eerst draaien de checks op duplicaten en afstand, daarna de drie aanvallen. De EDPB-criteria gaan niet over kopiëren, dus die twee checks zijn van BlueGen zelf.

Als een check aanslaat

Het rapport noemt de test en de reden. BlueGen filtert dan de duplicaten of verhoogt de privacy-instelling, genereert de data opnieuw en draait de evaluatie nog een keer. Tot die tijd kun je een gedeeltelijk geslaagde dataset intern en met gecontracteerde derden gebruiken.

Wie de data ontvangt, bepaalt de lat

Intern, je eigen analisten

Beoordeeld met jouw eigen middelen in gedachten, inclusief toegang tot de originele records.

Een gecontracteerde derde partij

De checks slagen met de data, kennis en tools van die partner in gedachten.

Open data, voor iedereen

Een strengere grens, afgesproken met je DPO, en een beoordeling per publicatie tegen een worstcase-aanvaller.

Je organisatie neemt als verwerkingsverantwoordelijke de eindbeslissing. Het rapport is het bewijs daarachter.

Bewijs waar elke stakeholder mee verder kan

Data scientists

Begin te bouwen op synthetische data zonder te wachten op toegang tot de originele records, en weet welke analyses standhouden.

DPO en governance

Een score per aanval tegen de grens die je hebt afgesproken, klaar voor je schriftelijke anonimiseringsverslag.

Juridisch

Het bewijs achter je antwoord als een privacytoezichthouder vraagt hoe je concludeerde dat de data anoniem is.

Bekijk het evaluatierapport op je eigen data

In een walkthrough lopen we samen een volledig rapport door, score voor score en check voor check.