Gretel ist eine Plattform zur Generierung synthetischer Daten für Unternehmen und Entwickler, die differenzierte Datenschutzsynthesefunktionen für strukturierte Tabellendaten, Zeitreihendaten und Textdaten bietet. Seine Open-Source-Gretel-Synthetics-Bibliothek (PyPI 0.22.20) unterstützt ACTGAN, Timeseries DGAN und andere Modelle. Es wurde von NVIDIA übernommen und in das Nemotron/NeMo-Ökosystem integriert. Die ursprüngliche SaaS-Plattform funktioniert nicht mehr unabhängig.

Gretels ausführlicher Rückblick: das Panorama und das Endspiel der Plattform zur Generierung synthetischer Daten

Kernparameter und Statistiken

Abmessungen	Spezifikationen
Produktpositionierung	Plattform zur Generierung synthetischer Daten mit differenziellem Datenschutz (strukturiert/sequentiell/Text)
Aktueller Stand	Das von NVIDIA übernommene und integrierte unabhängige SaaS-Unternehmen hat seinen Betrieb eingestellt
Open-Source-Lizenz	Gretel Source Verfügbare Lizenz (Hauptbibliothek) / Apache-2.0 (Client usw.)
Unterstützte Plattformen	Web (Dienst eingestellt), API (Dienst eingestellt), Python SDK (Open Source verfügbar)
Programmiersprache	Python (99,7 %), ergänzt durch Shell, Jupyter Notebook
GitHub-Sterne	685 (Gretel-Synthetics-Hauptrepository)
GitHub Forks	101
Anzahl der Organisationslager	30 (alle archiviert)
Letzte Version	v0.22.20 (25.06.2025)
Anmeldetag	18.02.2026
PyPI-Downloads	Öffentlich verfügbar
Kernmodelle	ACTGAN, Zeitreihen-DGAN, LSTM (veraltet)

Der unabhängige Betriebslebenszyklus von Gretel erstreckte sich über etwa sieben Jahre (2018–2025) und gipfelte in der Übernahme durch NVIDIA und der Integration in das Nemotron/NeMo-Ökosystem. Seine Open-Source-Assets (insbesondere die „Gretel-Synthetics“-Bibliothek) sind weiterhin unabhängig verfügbar, aber die SaaS-Steuerungsebene und die Cloud-API wurden mit der Übernahme offline genommen. Für technische Teams, die synthetische Datentools evaluieren, ist die Open-Source-Bibliothek von Gretel immer noch eine äußerst wertvolle Referenz für die Implementierung synthetischer Daten mit unterschiedlichem Datenschutz.

Benutzer- und Markterkennung

GitHub Community Base: Die Hauptbibliothek „gretel-synthetics“ sammelte vor der Archivierung 685 Sterne und 101 Forks, und 29 Mitwirkende beteiligten sich an der Codeeinreichung, was die Aufmerksamkeit der Entwickler im Bereich der synthetischen Daten für das Projekt widerspiegelt. Unter der Organisation gibt es auch Hilfslager wie „gretel-blueprints“ (85 Sterne) und „gretel-python-client“ (64 Sterne).

Branchenkonsolidierungssignal: Anfang 2026 wurde Gretel von NVIDIA übernommen und der Domainname „gretel.ai“ leitet nun auf die Seite mit synthetischen Datenlösungen von NVIDIA weiter. Dies bedeutet, dass NVIDIA die synthetischen Datenfähigkeiten von Gretel als ein wichtiges Puzzleteil seiner KI-Agent-Dateninfrastruktur betrachtet und eine vollständige Datenverbindung mit der NeMo-Feinabstimmungsplattform des Nemotron-Modells herstellt. Die Übernahme selbst ist die höchste Bestätigung für den Wert der Technologie von Gretel.

Unternehmenskunden und Finanzierung: Gretel bediente während seines unabhängigen Betriebs den synthetischen Datenbedarf vieler Finanz-, Medizin- und Technologieunternehmen, die spezifische Kundenliste und der Betrag der Finanzierungsrunde wurden jedoch nicht vollständig offengelegt. Nach der Übernahme sind die Unternehmenskunden auf das NVIDIA-Ökosystem migriert.

Kostenvorteil

C-Seite/Einzelbenutzer: Gretels Open-Source-Python-Bibliothek „gretel-synthetics“ bleibt auf PyPI öffentlich verfügbar und einzelne Entwickler können sie kostenlos installieren und nutzen. Das kostenlose Kontingent der ursprünglichen SaaS-Plattform (z. B. die Anzahl der jeden Monat generierten kostenlosen Datensätze) wurde beendet, als die Plattform offline ging.

Entwickler/API-Benutzer: Die ursprüngliche Gretel REST API (aufgerufen über „gretel-python-client“) ist nicht mehr eigenständig verfügbar. Entwickler, die synthetische Datenfunktionen über APIs nutzen möchten, müssen sich an den synthetischen Datendienst (NeMo Data Designer) der NVIDIA Nemotron-Plattform wenden. Das Preismodell basiert auf der offiziellen Preisseite von NVIDIA.

Enterprise/private Bereitstellung: Die Open-Source-Bibliothek unterstützt die lokalisierte Bereitstellung, um die Generierung synthetischer Daten auf Ihrer eigenen Infrastruktur auszuführen, ohne dass eine Netzwerkverbindung erforderlich ist. Unternehmen können ihre eigenen Pipelines auf Basis von „Gretel-Synthetics“ bauen, und die Kosten beschränken sich auf Hardware-Ressourcen (GPU empfohlen) sowie Betriebs- und Wartungspersonal. Die synthetischen Datenlösungen von NVIDIA Enterprise erfordern eine Lizenzierung über kommerzielle NVIDIA-Kanäle.

Hauptfunktionen

• Strukturierte Tabellendatensynthese: Basierend auf dem ACTGAN-Modell (Anyway CTGAN) kann es Spaltenverteilung und Korrelation aus echten Tabellendaten lernen und synthetische Datensätze mit hoher statistischer Genauigkeit generieren. Unterstützt Funktionen auf Unternehmensebene wie automatische Spaltentyperkennung, speicheroptimierte NaN-Proxy-Verarbeitung und mehr. Geeignet für die Desensibilisierung von Datenbanken, die Generierung von Testdaten, die Datenverbesserung und andere Szenarien.

• Synthese von Zeitreihendaten: Basierend auf Timeseries DGAN (PyTorch-Implementierung von DoppelGANger) ist es speziell für zeitabhängige Daten wie Smart-Home-Sensormesswerte und Finanzzeitreihen-IoT-Geräteprotokolle konzipiert. Behalten Sie Autokorrelation und merkmalsübergreifende Abhängigkeiten von Zeitreihendaten bei.

• Differential Privacy Protection: Kerndifferenzierungsfunktionen – können nicht nur „wie echte Daten aussehen“, sondern bieten auch quantifizierbare Datenschutzgarantien durch den Differential Privacy-Mechanismus (Differential Privacy). Benutzer können das Datenschutzbudget über Parameter steuern und einen Kompromiss zwischen Datennutzen und Datenschutzintensität eingehen.

• Datenqualitäts- und Datenschutzbericht: Nach der Generierung synthetischer Daten generiert Gretel automatisch Datenqualitätsberichte (die Spaltenverteilungsvergleiche, Korrelationsmatrizen, Feldfehlraten usw. abdecken) und Datenschutzbewertungsberichte (Datenschutzrisikobewertungen, Risikobewertungen für Mitgliederinferenzen), um Benutzern zu helfen, zu überprüfen, ob die synthetischen Daten die erwartete Wirksamkeit erreichen.

• Code Synth (Code Data Synthesis): Experimentelle Richtung – Erweiterung der Trainingsdaten für KI-Programmiermodelle durch Codesynthese. Das „gretel-code-synth“-Repository hat diese Richtung erkundet, allerdings erst im Prototypenstadium.

Expertenmeinung: Der Kernwert von Gretel liegt nicht in der Einzelfunktion „Datengenerierung“, sondern in der Kombination aus „Datenschutz + Datennutzenbewertung“ – es generiert nicht nur synthetische Daten, sondern quantifiziert auch die Leistung synthetischer Daten im Hinblick auf das Risiko von Datenschutzverlusten. Dieser kollaborative „Generation-Evaluation“-Mechanismus hat praktische technische Bedeutung in strengen Regulierungsszenarien wie der Einhaltung von Finanzvorschriften und der gemeinsamen Nutzung medizinischer Daten. Nach der Integration durch NVIDIA wurde diese Funktion in das Safe Synthesizer-Modul der Nemotron-Plattform integriert und arbeitet mit dem visuellen Design-Tool von NeMo Data Designer zusammen, um die Schwelle für die Verwendung synthetischer Daten zu senken.

Modell- und Versionsentwicklung

Entwicklungsphase der Open-Source-Bibliothek (2019–2025)

Gretels zentrale Open-Source-Bibliothek „gretel-synthetics“ hat einen vollständigen Iterationszyklus durchlaufen und sich vom ursprünglichen TensorFlow-basierten LSTM-Modell zu einer umfassenden Bibliothek entwickelt, die Architekturen mehrerer Generationen unterstützt.

Frühe Version (v0.1–v0.17): Basiert hauptsächlich auf dem LSTM-Modell basierend auf TensorFlow, unterstützt die strukturierte Textsynthese und legt den Grundstein für die Infrastruktur.

Vorläufige Version (v0.18–v0.21): Einführung von ACTGAN (CTGAN-Erweiterung basierend auf SDV) zur Unterstützung tabellarischer Daten; Hinzufügen von Timeseries DGAN (basierend auf DoppelGANger), um Zeitreihenszenarien abzudecken. In dieser Phase erfolgte der Wandel von einem einzelnen LSTM zu einer Strategie mit mehreren Modellen.

Spätere Version (v0.22.x, 2024–2025): Wartungszeitraum mit Schwerpunkt auf Aktualisierungen der Abhängigkeitssicherheit (Jinja2, Axios, TensorFlow-Kompatibilität), Python-Versions-Upgrade (auf 3.11.9) und Entfernung der veralteten LSTM-Laufzeit. v0.22.20 ist die endgültige Version.

Versionszeitleiste

Version	Datum	Kritische Änderungen
v0.22.20	25.06.2025	Python 3.11.9, TensorFlow-Abhängigkeit entfernen, abhängig vom Sicherheitsupdate
v0.22.19	26.02.2025	Entfernen Sie die LSTM-Laufzeit und senken Sie den Schwellenwert für die Bestätigung des Timing-Tests
v0.22.17	29.01.2025	Abhängigkeit von Dokumenterstellung beheben
v0.22.16	11.12.2024	Abhängigkeits- und Kompatibilitätspflege
v0.22.15	05.12.2024	TensorFlow/Protobuf-Abhängigkeit beheben
v0.22.14	30.10.2024	Slack-Benachrichtigungsintegration entfernen
v0.22.13	09.10.2024	TensorFlow 2.12.1-Update
v0.22.12	11.09.2024	Allgemeine Korrekturen
v0.22.11	27.06.2024	Allgemeine Korrekturen
v0.22.10	15.05.2024	NaN-Proxy für Korrelationsberechnungen

Post-Akquisitionsphase (2026–heute)

Am 18. Februar 2026 wurde Gretels GitHub-Organisation vom Administrator als archiviert markiert und alle Repositorys wurden schreibgeschützt. Die Domain „gretel.ai“ begann mit der Umleitung zu NVIDIA. Die technischen Fähigkeiten von Gretel, insbesondere die Generierung differenziell privater synthetischer Daten, sind in die NeMo Data Designer- und Safe Synthesizer-Komponenten der NVIDIA Nemotron-Plattform integriert. Ursprüngliche SaaS-Benutzer wurden zum NVIDIA-Ökosystem migriert.

Technische Vorteile

Theoretische Grundlage des Datenschutzes: Der wesentliche technische Unterschied von Gretel liegt in der technischen Integration der Theorie der differenziellen Privatsphäre (Differential Privacy) in den Prozess der Generierung synthetischer Daten. Durch die Einbindung von kontrolliertem Rauschen in den Trainingsprozess ist die Schwierigkeit, aus synthetischen Daten auf ursprüngliche Einzeldatensätze zu schließen, theoretisch quantifizierbar. Dies bedeutet, dass Datenwissenschaftler genau antworten können: „Wie hoch ist die Wahrscheinlichkeit, dass dieser synthetische Datensatz echte Informationen über einen Benutzer preisgibt?“

Mechanik → Effekte → Szenarien:

• Mechanismus: Wenden Sie während der Modelltrainingsphase eine differenzielle Privatsphärenstörung (durch Algorithmen wie DP-SGD) auf die Gradienten- oder Verlustfunktion an, anstatt nach der Generierung eine Desensibilisierung nachzubearbeiten.
• Effekt: Synthetische Daten behalten die ursprünglichen Datenverteilungsmerkmale (Mittelwert, Varianz, Korrelation) auf statistischer Ebene bei, bieten jedoch eine Datenschutzgarantie auf der Ebene einzelner Datensätze.
• Szenario: Wenn medizinische Forschungseinrichtungen Patientendaten teilen, können sie mit Gretel datenschutzgeschützte Datensätze für die Nutzung durch externe Partner generieren; Finanzinstitute können synthetische Daten verwenden, um sensible Transaktionsdatensätze bei der Modellentwicklung zu ersetzen.

Ingenieurwissen für Strategien mit mehreren Modellen: Gretel verlässt sich nicht auf einen einzigen Generationsalgorithmus, sondern stellt drei Modelle bereit: ACTGAN (Tabellendaten), Timeseries DGAN (Zeitreihendaten) und LSTM (Text, veraltet). Dieses Design der „Auswahl von Modellen nach Datentyp“ vermeidet die durch das „universelle Modell“ verursachten Leistungseinbußen. Bei der tatsächlichen Verwendung ist es notwendig, ein geeignetes Modell basierend auf dem Datenformular auszuwählen.

Die Kosten der differenzierten Privatsphäre: Die Hinzufügung einer differenzierten Privatsphäre wird unweigerlich die statistische Genauigkeit synthetischer Daten verringern. Je kleiner das Datenschutzbudget $\epsilon$ ist (je stärker der Schutz), desto größer ist der Datennutzenverlust. Mit Gretel können Benutzer einen Gleichgewichtspunkt auf der Datenschutz-Nützlichkeits-Kurve wählen, Ingenieurteams müssen jedoch die Toleranz der Datengenauigkeit für bestimmte Geschäftsszenarien bewerten.

Wie zu verwenden

Methode 1: Open-Source-Python-Bibliothek verwenden (derzeit verfügbar)

„Bash

Gretel-Synthetics installieren

pip install gretel-synthetics

Hinweis: Abhängigkeiten müssen manuell installiert werden

pip install Torch==2.0 # für Timeseries DGAN oder ACTGAN (über SDV)

oder

pip install sdv<0.18 # für ACTGAN „

Grundlegender Nutzungsprozess:

1. Trainingsdaten vorbereiten (Pandas DataFrame)
2. Trainingsparameter konfigurieren (Modell auswählen, Datenschutzbudget usw.)
3. Training des synthetischen Modells
4. Generieren Sie synthetische Datensätze
5. Bewerten Sie die Qualität synthetischer Daten

Ausführliche Tutorials finden Sie im Verzeichnis „examples/“ des GitHub-Repositorys mit Jupyter Notebook-Beispielen oder können online über Google Colab ausgeführt werden.

Methode 2: NVIDIA Nemotron Ecosystem (derzeit empfohlen)

Die Funktionen von Gretel sind in NVIDIA NeMo Data Designer integriert:

1. Besuchen Sie „https://build.nvidia.com/nemo/data-designer“.
2. Konfigurieren Sie den Seed-Datensatz und die synthetischen Spalten
3. Datenschutzstufe auswählen
4. Vorschau und Stapelgenerierung

Diese Methode eignet sich für Unternehmensbenutzer, die ein SLA auf Unternehmensebene, eine visuelle Bedienoberfläche und eine Produktion in großem Maßstab benötigen.

Methode drei: NVIDIA Safe Synthesizer (Datenschutz-Compliance-Szenario)

Für Datengenerierungsszenarien, die HIPAA/GDPR-Konformität erfordern, verwenden Sie die Safe Synthesizer-Komponente in der NVIDIA Nemotron-Plattform, die die differenziellen Datenschutzfunktionen von Gretel übernimmt und erweitert.

Produktpreise

Ebenen	Preismodell	Beschreibung
Open-Source-Bibliothek (selbstgehostet)	Kostenlos	„gretel-synthetics“ PyPI-Paket, völlig kostenlos zu verwenden, keine Nutzungsbeschränkung
NVIDIA NeMo Datendesigner	Vorbehaltlich der offiziellen Preise von NVIDIA	Bietet visuellen Designer, groß angelegte Generierung und Unterstützung auf Unternehmensebene
NVIDIA Enterprise-Lizenz	Kontaktieren Sie NVIDIA Business	Beinhaltet SLA, Compliance-Zertifizierung und private Bereitstellungsoptionen

Die ursprünglichen SaaS-Preise von Gretel (basierend auf Abonnements mit Rekordanzahl) wurden mit der Plattform offline genommen und sind nicht mehr verfügbar. Die aktuellen Funktionen für synthetische Daten werden über das NVIDIA-Ökosystem bereitgestellt. Der konkrete Preis unterliegt Echtzeitinformationen auf der offiziellen Preisseite von NVIDIA. Es wird empfohlen, dass Unternehmensbenutzer die Geschäftsbedingungen beim NVIDIA-Vertriebsteam bestätigen.

Anwendungsszenarien

• Datendesensibilisierung und Compliance-Austausch: Finanzinstitute müssen Transaktionsdaten mit externen Entwicklern von Risikokontrollmodellen teilen, unterliegen jedoch Datenschutzbestimmungen wie DSGVO/CCPA. Die Verwendung von ACTGAN von Gretel zur Generierung synthetischer Transaktionsdaten mit ähnlichen statistischen Merkmalen in Kombination mit differenziertem Datenschutz kann nicht nur die Anforderungen der Modellentwicklung erfüllen, sondern auch Compliance-Audits bestehen. Überprüfungsschwerpunkt: Ob das Datenschutzbudget $\epsilon$ den gesetzlichen Anforderungen entspricht und ob die synthetischen Daten die ursprünglichen Merkmale in Schlüsselindikatoren (z. B. Verteilung der Betrugsrate) beibehalten.

• Generierung von Trainingsdaten für KI-Agenten: Beim Aufbau von Konversations-KI-Agenten sind echte Konversationsdaten oft rar und vertraulich. Mit den synthetischen Datenfunktionen von Gretel (jetzt NVIDIA Nemotron) können aus einer kleinen Anzahl von Seed-Konversationen große, vielfältige Konversationsdatensätze generiert werden, die Randszenarien und Absichtsvariationen abdecken. Wichtige Punkte der Überprüfung: Ob die Vielfalt und Natürlichkeit des synthetischen Dialogs ausreicht, um die Long-Tail-Verteilung im echten Dialog abzudecken.

• Machine-Learning-Tests und CI/CD: Die Continuous-Integration-Pipeline erfordert eine große Menge an Testdaten, um die Richtigkeit der Datenverarbeitungslogik zu überprüfen. Gretel kann aus dem Schema der Produktionsdatenbank strukturell konsistente synthetische Datensätze für Unit-Tests und Integrationstests generieren und verhindert so, dass Produktionsdaten in die Entwicklungsumgebung kopiert werden. Wichtige Punkte der Überprüfung: Ob die synthetischen Daten Datenbeschränkungen vollständig abdecken (eindeutige Schlüssel, Fremdschlüssel, Aufzählungswertbereiche usw.).

• Medizinische Datenforschung: Wenn Krankenhäuser mit Forschungseinrichtungen zusammenarbeiten, werden Patientendaten durch HIPAA streng geschützt. Die differenziell privaten synthetischen Daten von Gretel können synthetische Patientenakten mit konsistenten statistischen Merkmalen generieren, ohne individuelle Patienteninformationen preiszugeben, was Szenarien wie epidemiologische Forschung und Behandlungseffektanalysen unterstützt. Überprüfungsschwerpunkt: Ob die Hinzufügung differenzierter Privatsphäre zum Verlust seltener Krankheitsmerkmale führt und die Gültigkeit von Forschungsergebnissen beeinträchtigt.

Anwendbare Personen

• Datenschutz- und Compliance-Ingenieur: Notwendigkeit, „verwendbare, aber nicht rückverfolgbare“ Datensätze an Dritte weiterzugeben, ohne gegen Datenschutzbestimmungen zu verstoßen. Der Differential Privacy Report und der Privacy Score von Gretel liefern überprüfbare Beweise für die Einhaltung. Bitte beachten Sie jedoch: Der differenzierte Datenschutz kann das Risiko einer erneuten Identifizierung nicht vollständig ausschließen und das Compliance-Team muss weiterhin mit Rechtsberatern zusammenarbeiten, um bestimmte Szenarien zu bewerten.

• Datenwissenschaftler und ML-Ingenieure: Verwenden Sie synthetische Daten zur Datenverbesserung, wenn die Trainingsdaten nicht ausreichen oder die Datenverteilung unausgewogen ist. Die Multi-Modell-Strategie von Gretel ermöglicht es Datenwissenschaftlern, den am besten geeigneten Generierungsalgorithmus basierend auf dem Datentyp (tabellarisch/Zeitreihe/Text) auszuwählen. Ungeeignete Szenarien: In Szenarien, in denen die Authentizität synthetischer Daten extrem hoch ist (z. B. die direkte Verwendung synthetischer Daten zum Trainieren eines Produktionsmodells), wird empfohlen, zunächst kleine Experimente zu verwenden, um die Verbesserung des Modelleffekts synthetischer Daten zu überprüfen.

• DevOps/QA Engineer: Eine große Menge an Testdaten ist erforderlich, um die Richtigkeit und Randbedingungen der Datenverarbeitungspipeline zu überprüfen. Die Open-Source-Bibliothek von Gretel kann in CI/CD-Pipelines eingebettet werden, um Testdaten bei Bedarf zu generieren. Bitte beachten Sie jedoch: Open-Source-Bibliotheken bieten keine Integritätsgarantien für Dateneinschränkungen (z. B. Fremdschlüsselkonsistenz) und die Synthese komplexer Schemata erfordert zusätzliche technische Arbeit.

• Entscheidungsträger bei der Auswahl von Unternehmenstechnologien: Bei der Evaluierung synthetischer Datentools ist Gretels Open-Source-Erbe („gretel-synthetics“) die Referenzimplementierung der Wahl für die technische Validierung. Produktionsorientierte groß angelegte synthetische Datenlösungen sollten jedoch direkt die vollständigen Fähigkeiten der NVIDIA Nemotron-Plattform evaluieren. Nicht für die Grenze geeignet: Wenn Sie einen rein verwalteten SaaS-Dienst benötigen, der nicht auf das NVIDIA-Ökosystem angewiesen ist, ist Gretel nicht mehr geeignet – das ursprüngliche SaaS war offline und Sie müssen sich an andere unabhängige Anbieter synthetischer Daten wenden.

Zusammenfassung und Ausblick

Als Pionierin auf dem Gebiet der Generierung synthetischer Daten liegt Gretels Hauptbeitrag darin, die Theorie der differenziellen Privatsphäre mit der Ingenieurspraxis zu kombinieren, um einen vollständigen Datensynthese-Workflow der „Generation-Evaluation-Compliance“ zu schaffen. Seine Open-Source-Bibliothek „gretel-synthetics“ bietet der Branche eine überprüfbare Basisimplementierung datenschutzschonender synthetischer Daten.

Es wurde von NVIDIA übernommen und in das Nemotron/NeMo-Ökosystem integriert und markiert den Branchentrend der Verlagerung synthetischer Daten von unabhängigen Tools hin zur Plattforminfrastruktur. Die technische DNA von Gretel ist nun Teil der KI-Datenstrategie von NVIDIA geworden und bildet eine tiefgreifende Synergie mit dem LangChain Agent-Framework der Nemo-Feinabstimmungsplattform des Nemotron-Modells.

Aktuelle Einschränkungen und Unsicherheiten: – Das unabhängige SaaS war offline und die ursprüngliche Benutzererfahrung (Web-Benutzeroberfläche, API-Schlüsselverwaltung, Teamzusammenarbeit) kann nicht reproduziert werden. – Obwohl die Open-Source-Bibliothek verfügbar ist, ist der langfristige Wartungsstatus unbekannt (das Lager wurde archiviert und es gibt kein offensichtliches Signal für eine aktive Übernahme des Community-Forks). – Innerhalb des NVIDIA-Ökosystems gibt es keine öffentliche Roadmap darüber, ob die differenziellen Differenzierungsfunktionen von Gretel vollständig in die ursprünglichen Produktlinien von NVIDIA (wie NeMo Safe Synthesizer) integriert werden und ob eine unabhängige Marke bestehen bleibt.

Beschaffungs-/Einführungsrisikobewertung:

• Technische Verifizierung: Die Open-Source-Bibliothek „gretel-synthetics“ eignet sich für den technischen Konzeptnachweis synthetischer Daten mit unterschiedlichem Datenschutz und kann kostenlos gestartet werden.
• Produktionseinsatz: Es wird empfohlen, den synthetischen Datendienst (NeMo Data Designer + Safe Synthesizer) der NVIDIA Nemotron-Plattform direkt zu evaluieren, um zu bestätigen, ob er die Datenschutz-Compliance- und Datenskalen-SLA-Anforderungen erfüllt.
• Migrationskosten: Wenn Sie bereits über bestehende Assets auf Gretel SaaS verfügen, müssen Sie NVIDIA kontaktieren, um den Migrationsplan zu bestätigen; Wenn Sie ein neues Projekt starten, wird empfohlen, standardmäßig das NVIDIA-Ökosystem als Ausgangspunkt für die Bewertung zu verwenden.
• Anbieterbindung: Die Entscheidung für das NVIDIA-Ökosystem bedeutet, seine Plattformabhängigkeit zu akzeptieren, und es wird empfohlen, während der PoC-Phase auch Open-Source-Alternativen (wie SDV, YData Synthetic) als Alternativen zu evaluieren.

Versionsinfo

• Gretel-Synthetics v0.22.20 ：Aktualisierte Axios- und Jinja2-Abhängigkeiten, entfernte TensorFlow-Abhängigkeiten, aktualisierte Python auf 3.11.9 und senkte den Timing-DGAN-Test-Assertionsschwellenwert. Dies ist die letzte öffentliche Version von Gretel während seines unabhängigen Betriebs und wurde am 18.02.2026 im GitHub-Repository archiviert. （2025-06-25）
• Gretel-Synthetics v0.22.19 ：Downgrade von setuptools_scm, Entfernen der LSTM-Laufzeit, Korrigieren des MM-Berichts. Einen offiziellen genauen Termin gibt es noch nicht. （2025-02-26）
• Gretel-Synthetics v0.22.17 ：Dokumentationserstellung korrigieren, jinja2 auf 3.1.5 aktualisieren. Einen offiziellen genauen Termin gibt es noch nicht. （2025-01-29）
• Gretel-Synthetics v0.22.10 ：NaN-Proxy für Korrelationsberechnungen ersetzt, Jinja2-Abhängigkeit aktualisiert. Einen offiziellen genauen Termin gibt es noch nicht. （2024-05-15）