Synthetische Daten und Datenschutz: Trainieren und testen, ohne persönliche Daten preiszugeben

Jedes Unternehmen, das mit personenbezogenen Daten zu tun hat, erlebt die gleiche Spannung: Das Team braucht Daten, um zu funktionieren, und die Daten, die es braucht, sind gerade die am besten geschützten. Der Wissenschaftler möchte ein Modell mit Kundenhistorie trainieren. Das QA-Team möchte mit Fällen testen, die realen ähneln. Der Analyst möchte eine Untersuchung auf Gesundheits- oder Bonitätsbasis durchführen. In allen Fällen führt der kürzeste Weg über persönliche Daten, und hier schlägt LGPD Alarm.

Als Reaktion auf diese Spannung entstehen synthetische Daten. Das Versprechen ist einfach: Sie arbeiten mit Daten, die sich wie die Realität verhalten, aber keiner bestimmten Person entsprechen. Bei guter Umsetzung verringert dieses Versprechen das regulatorische Risiko und entlastet das Team. Bei schlechter Umsetzung entsteht ein falsches Sicherheitsgefühl, das möglicherweise schlimmer ist als das bekannte Risiko.

Traditionelle Anonymisierung reicht nicht aus

Jahrelang bestand die Standardreaktion auf den Datenschutz darin, zu anonymisieren: Namen, Sozialversicherungsnummer, E-Mail-Adresse entfernen und weitermachen. Das Problem besteht darin, dass die Anonymisierung durch das Entfernen von Feldern fragiler ist, als es scheint.

Die Kombination scheinbar harmloser Daten identifiziert Personen. Postleitzahl, Geburtsdatum und Geschlecht zusammen weisen überraschend häufig auf eine einzigartige Person hin. Ein Einkaufsmuster, ein Reiseweg oder eine Abfolge von Dienstleistungen können als Fingerabdruck dienen. Wenn diese „anonymisierte“ Datenbank mit einer anderen Quelle gekreuzt wird, erfolgt eine erneute Identifizierung.

LGPD behandelt anonymisierte Daten als außerhalb ihres Geltungsbereichs liegende Daten, jedoch nur so lange, wie die Anonymisierung unter Berücksichtigung angemessener Anstrengungen unumkehrbar ist. Ist eine erneute Identifizierung sinnvoll, werden die Daten wieder personenbezogen und damit auch die Pflichten zurück. Mit anderen Worten: Das Ausblenden von Feldern beendet die Diskussion nicht, sondern verschiebt sie nur.

Synthetische Daten greifen das Problem aus einem anderen Blickwinkel an. Anstatt zu versuchen, die Identität echter Datensätze zu löschen, generieren Sie neue Datensätze, die nie jemandem gehörten, und bewahren so das statistische Muster der Menge. Hinter jeder Linie steht kein Individuum, das neu identifiziert werden könnte, denn die Linie wurde erfunden.

Wo synthetische Privatsphäre einen Mehrwert bietet

Der Gewinn zeigt sich an mehreren Fronten des Datenzyklus.

Beim Modelltraining können Sie eine real abgeleitete synthetische Datenbank zum Entwickeln und Iterieren verwenden, ohne sensible Daten in die Umgebung des Wissenschaftlers zu übertragen. Das Team experimentiert nach Belieben und personenbezogene Daten bleiben vertraulich.

Bei der Prüfung und Freigabe ist die Produktionskopie einer der größten Gefährdungsvektoren, die es in Unternehmen gibt. Jede Nachbildung der realen Basis in einer weniger geschützten Umgebung stellt ein Risiko dar, das sich vervielfacht. Das Ersetzen dieser Kopie durch synthetische Masse beschneidet das Problem an der Wurzel, ein Thema, mit dem ich mich in synthetische Daten für Tests und Qualitätssicherung befasse.

Beim Teilen gibt es Fälle, in denen Sie Daten an einen Partner, Lieferanten oder externen Forscher liefern müssen. Die Weitergabe realer Daten erfordert eine starke Rechtsgrundlage, einen Vertrag und eine Kontrolle. Durch die Weitergabe einer synthetischen, aus Datenschutzgründen validierten Version wird die Risikooberfläche drastisch reduziert.

Im öffentlichen Sektor liegt der Wert sogar noch höher. Eine Einrichtung, die Daten für Innovationen, Hackathons oder akademische Forschung öffnen möchte, kann Bürger nicht bloßstellen. Eine synthetische Basis ermöglicht es, etwas Nützliches mit der Struktur echter Daten freizugeben, ohne die Vertraulichkeit derjenigen zu verletzen, die hinter den Zahlen stehen.

Das Risiko, das niemand ignorieren kann: Informationslecks

Hier kommt der Punkt, der diejenigen, die synthetische Daten ernsthaft verwenden, von denen unterscheidet, die nur das Etikett verwenden. Ein generatives Modell lernt aus realen Daten. Wenn er zu viel lernt, lernt er es auswendig. Und ein Modell, das sich speichert, kann in den von ihm generierten Daten reale Datensätze nahezu unverfälscht reproduzieren.

Stellen Sie sich eine Gesundheitsstation mit einem Patienten mit einem sehr ungewöhnlichen Profil vor, das einzigartig für die Station ist. Ein schlecht kalibrierter Generator kann eine synthetische Aufzeichnung erzeugen, die mit der dieses Patienten identisch oder nahezu identisch ist, da dies das einzige Beispiel für dieses Muster war, das er sah. Die Daten sind technisch gesehen synthetisch, aber in der Praxis enthüllen sie die reale Person. Das Versprechen der Privatsphäre ist verflogen.

Dies ist der Informationsverlust der Originaldaten und die Achillesferse synthetischer Daten. Er ist kein Theoretiker. Dies geschieht insbesondere in seltenen Fällen, Ausreißern und kleinen Basen, also genau in den Situationen, in denen die Privatsphäre des Einzelnen am wichtigsten ist.

Es besteht auch die Gefahr von Rückschlüssen. Auch ohne den gesamten Datensatz zu reproduzieren, kann eine synthetische Datenbank einem Angreifer ermöglichen, zu schließen, ob sich eine bestimmte Person in der Originaldatenbank befand oder nicht, oder daraus ein sensibles Attribut abzuleiten. Beim Datenschutz geht es nicht nur darum, wörtliches Kopieren zu vermeiden, sondern auch darum, zu verhindern, dass aus den veröffentlichten Daten etwas über eine Person gelernt wird.

So prüfen Sie, bevor Sie vertrauen

Die praktische Schlussfolgerung besteht darin, nicht aufzugeben, sondern zu bestätigen. Synthetische Daten sind gesetzlich nicht privat, sie sind privat, wenn sie gemessen werden. Einige Schecks, die ich für jede ernsthafte Initiative verlange.

Messen Sie den Abstand zum tatsächlichen Bezugspunkt. Das Team muss prüfen, ob ein synthetischer Datensatz einem Originaldatensatz zu nahe kommt. Synthetische Aufzeichnungen, die fast Kopien echter Aufzeichnungen sind, sollten als Fehler und nicht als Detail behandelt werden.

Bewerten Sie den Widerstand gegen Inferenzangriffe. Es gibt Tests, die einen Angreifer simulieren, der versucht herauszufinden, ob sich eine Person auf dem Stützpunkt befindet. Wenn man die synthetische Basis einer solchen Bewertung unterzieht, erhält man ein konkretes Maß für das Risiko und ist kein Versprechen.

Wenden Sie formelle Garantien an, wenn es sich bei den Daten um sensible Daten handelt. Im Gesundheits-, Finanz- oder öffentlichen Sektor lohnt es sich, Techniken mit einer mathematischen Garantie für die Privatsphäre im Generierungsprozess in Betracht zu ziehen. Für sie fallen Treuekosten an, aber sie tauschen Vertrauen gegen Garantie ein, und dieser Tausch lohnt sich normalerweise, wenn die Daten kritisch sind.

Entscheidungen dokumentieren. Aus Compliance-Sicht stützt der Nachweis, dass Sie das Risiko einer erneuten Identifizierung und eines Datenlecks anhand von Methoden und Beweisen eingeschätzt haben, die Position, dass diese Daten außerhalb der Regelung für personenbezogene Daten behandelt werden können.

Die Rolle des Leiters und des Rechtsteams

Synthetische Daten sind eine technische Entscheidung mit rechtlichen Konsequenzen und können daher nicht allein der Technik überlassen werden. Das Datenteam erstellt und misst, aber Datenschutz- und Rechtsabteilung müssen verstehen, was die Messung bedeutet, und dabei helfen, akzeptable Grenzwerte zu definieren.

Eine bewährte Vorgehensweise besteht darin, die Generierung synthetischer Daten als einen Prozess mit Eigentümer, Akzeptanz- und Prüfkriterien zu behandeln und nicht als isoliertes Skript, das jemand einmal ausgeführt hat. Der Entscheidungsträger muss wissen, welches Maß an Wiedergabetreue erreicht wurde, welches verbleibende Datenschutzrisiko besteht und wer dieser Bewertung zugestimmt hat.

Wenn dies in Ordnung ist, sind synthetische Daten keine Grauzone mehr und werden zu einem vertretbaren Vermögenswert: Sie können der Behörde oder einer Prüfung erklären, warum diese Daten keine Gefährdung von Personen darstellen. Das ist das eigentliche Ziel, nicht das „synthetische“ Etikett, sondern die Fähigkeit, den Datenschutz durch Beweise zu untermauern.