Datenqualität und -quantität sind notwendige Kriterien damit ein Vorhersagemodell optimale Ergebnisse liefern kann. Insbesondere bei zeitkritischen Systemen ist die Qualität ein entscheidendes Kriterium. Doch die Gewinnung solcher Daten ist zudem oftmals ein teures und zeitintensives Unterfangen. Mittels Generativer AI lassen sich solche Daten künstlich erzeugen. Genau dieser Thematik widmet sich der vorliegende Vortrag. Dem Generieren von künstlichen Daten mit hoher Qualität zur Verbesserung von Vorhersagemodellen zeitkritischer Echtzeitsysteme. Dazu zählt auch das Angleichen von unausgeglichenen Datensätzen mit einer stark unterrepräsentierten Klasse. Der entwickelte Ansatz wurde bereits auf mehreren Datensätzen mit sportlichem Kontext evaluiert. Einer der Datensätze ist dem Klettersport untergeordnet und zielt darauf ab Stürze auf Basis von Sensorinformationen vorherzusagen. Mit diesem Ansatz konnten die Stürze früher und mit höherer Präzision vorhergesagt werden.