Zum Inhalt springen
Search the hub
Wann synthetische Daten erlaubt sind

Wann synthetische Daten erlaubt sind

Entscheiden, wann synthetische Daten für Training, Eval, Nonprod und Release erlaubt sind — mit Data Owner, Steward und Custodian.

Category
Data Governance
Reading time
8 min
Published
Tags
synthetic-data privacy ai-governance purpose-limitation nonprod
Download PDF

Governance für synthetische Daten beginnt nicht mit dem Kauf eines Generators. Sie beginnt mit der Frage, welchen Zweck ein Datensatz erfüllen soll und ob Maskierung, eine kleinere Stichprobe oder ein geschützter Zugriff das Risiko besser begrenzen.

Typische Fragen sind:

  • Welcher Zweck gilt — train, eval, nonprod, demo oder external share — und welche Nutzung ist verboten?
  • Welche Grundgesamtheit und welche Methode (GAN, Regel, Hybrid) stehen auf der Zweckkarte?
  • Woher stammen Labels — Produktion, Annotator, Modell — und wer darf sie nicht still mischen?
  • Welcher Re-ID-Test muss bestehen, bevor das Set die Grenze verlässt?
  • Welche Nutzer-Pflicht gilt beim Dienstleister-Sandbox- oder Public-Demo-Release?
  • Wer akzeptiert Residualrisiko, wenn „keine personenbezogenen Daten“ nur ein Ordnername ist?

Wenn Zweckkarte, Label und Release auseinanderlaufen, heißt der Ordner anon_export, Labels kommen aus Produktion, ein Forscher re-identifiziert 8 Prozent, und das Set landet später im Trainingskorpus. Das Problem ist nicht das Synthetic-Dashboard. Es ist der fehlende Vertrag zwischen Zweck, Provenance, Re-ID-Gate und Release-Pflicht.

Gute Synthetic-Governance macht die Erlaubnis ausführbar — Zweckkarte, Re-ID und Release-Pflicht am selben Set, nicht am neuesten Generator.

Diese Serie vertieft AI Rights and Media und PII & Privacy Governance für Generierung, Labeling und Re-Identifikation. Sie schreibt diese Brücken nicht neu.

Weiter: Zweck, Population und Generierungs-Contracts.

Die Serie Synthetic Data Governance gibt dir den Einstieg und den roten Faden. Die folgenden Teile vertiefen Generierungs-Contracts, Label-Provenance, Re-ID-Gates und Release-Pflichten so, dass Zweck, Rollen, Entscheidungen und Nachweise im Alltag nachvollziehbar bleiben.

Ausgangslage

Das ML-Team erzeugt eine „synthetische Kundentabelle“ aus Produktion, um eine Vendor-Sandbox zu entsperren. Der Ordner heißt anon_export. Labels wurden aus Produktion kopiert. Ein Forscher re-identifiziert 8 Prozent über Quasi-Identifier. Das Set wandert in eine öffentliche Demo und von dort in ein Trainingskorpus. Teams kaufen dann ein Synthetic-Tool oder taggen synthetic=safe — und der nächste Share läuft ohne Zweckkarte.

Was diese Serie klärt

  • Orientierung: Erlaubnis, Zweckkarte, Label-Provenance, Re-ID-Prüfpunkt, Release-Pflicht (diese Seite)
  • Vertiefung: Zweck, Grundgesamtheit und Generierungs-Vereinbarungen
  • Vertiefung: Labeling-Provenance und Qualität
  • Vertiefung: Re-Identifikations-Risiko-Gates
  • Abschluss: Release-Gates und Nutzer-Pflichten

Begriffe vor dem Lesen

  • Zweckkarte — Zweck (train / eval / nonprod / demo / external share), Grundgesamtheit, Aufbewahrungsfrist, Nutzer-Liste, Review-Datum. Ein Ordnername anon ist keine Card.
  • Generierungs-Vereinbarung — Methode, Quellpopulation, Seed- und Parameter-Hinweis, Fidelity-Ziel. Generieren-first und Zweck-later ist verboten.
  • Label-Provenance — Herkunft jedes Labels (Produktion, Mensch, Modell) plus Mischverbot. Kopierte Produktionslabels machen das Set nicht synthetisch.
  • Re-ID-Prüfpunkt — Test und Schwellwert gegen Re-Identifikation und Membership-Inference, bevor das Set die Grenze verlässt. „Synthetisch“ ist kein Anonymitätsbeweis.
  • Nicht-Produktion-Grenze — Speicher, Zugriffsregel und Verbot stiller Produktfreigabe in produktive Trainingskorpora ohne neue Entscheidung.
  • Pflichten bei der Weitergabe — Attestation, verbotene Weitergabe, Lösch- oder Rückgabepflicht des Nutzer (Dienstleister, Demo, Extern).
  • Residualrisiko — verbleibendes Privacy- und Utility-Risiko, das ein benannter verantwortliche Person akzeptiert — nicht der Generator-Operator.

Produkte und Entscheidungen

Restrisiko und Nutzwert für den konkreten Freigabeumfang belegen. Die Erzeugungsmethode allein entscheidet keine sichere Freigabe. Zweck- oder Empfängeränderungen erneut bewerten. Ein bestandener Test ist keine pauschale Freigabe künftiger Nutzungen. Teilabgleich 23.10.2026: EDPB DPO, NIST SP 800-226, final. Die Lösung folgt dem begrenzten Zweck und einer bewussten Risikoabwägung. Die Freigabe umfasst kontrollierte Nutzung und deren Ende.

Synthetic braucht nicht „eine Anonymisierungsplattform“, sondern geschnittene Produkte.

Zweckkarte und Erlaubnis

Dieses Produkt beschreibt:

  • Set-ID; Zweck; verbotene Nutzungen; Grundgesamtheit; Aufbewahrungsfrist; Nutzer-Liste; Alternativen (Masking, Subset, sicherer Zugriff); verantwortliche Person; Review-Datum.

Entscheidungen:

  • Ist synthetisch die risikoärmere Option — oder reicht Masking?; Wer darf nonprod nachträglich auf train erweitern?; Welche uncarded Sets gehören trotzdem ins Inventar?

Generierungs-Contract

Methode und Quelle sind Teil der Erlaubnis.

Entscheidungen:

  • Welche Methode und welches Fidelity-Ziel gelten für diesen Zweck?; Welche Quellpopulation darf der Generator sehen?; Wer nimmt einen Parameterwechsel als neue Generierung an?

Label-Provenance

Labels sind keine Dekoration.

Entscheidungen:

  • Woher stammt jedes Label — Produktion, Annotator, Modell?; Darf ein Produktionslabel ins synthetische Set, und unter welcher Kennzeichnung?; Wer stoppt die stille Mischung synthetischer und echter Zeilen?

Re-ID-Gate

„Keine personenbezogenen Daten“ braucht einen Test.

Entscheidungen:

  • Welcher Test und welcher Schwellwert gelten vor Nicht-Produktion-, Demo- oder External-Partnerfreigabe?; Wer akzeptiert Residualrisiko bei knappem Prüfpunkt?; Was passiert bei Fail — Sperre, Nachgenerierung oder Rückbau?

Pflichten bei der Weitergabe

Der Nutzende erbt Pflichten, nicht nur Dateien.

Entscheidungen:

  • Welche Attestation, Weitergabe- und Löschpflicht gilt für Dienstleister-Sandbox und Public Demo?; Wer darf ein Release in ein Trainingskorpus umwidmen — nur mit neuer Zweckkarte?; Welcher Nachweis bleibt bei der verantwortlichen Person?

Wo Governance hängt

Zwischen Ordnername und Zweck

anon_export sagt nichts über Population und verbotene Nutzung. Ohne Card ist der Generator ein Schattenexport.

Zwischen Produktionslabel und synthetischer Zeile

Kopierte Labels machen das Set zu einem Leak-Pfad. Provenance muss die Mischung verbieten oder kennzeichnen.

Zwischen Re-ID-Behauptung und Test

„Synthetisch“ ist kein Anonymitätsbeweis. Ohne Gate verlässt das Set die Grenze auf Zuruf.

Zwischen Nichtproduktionsumgebung und Trainingskorpus

Eine Demo, die still in Training wandert, ist eine Zweckänderung. Promotion braucht eine neue Entscheidung.

Zwischen Generator-Operator und Privacy-Owner

Wer den Job starten kann, entscheidet damit nicht, ob das Residualrisiko akzeptiert ist.

Zwischen Vendor-Sandbox und Release-Pflicht

Der Vendor trainiert mit, wenn die Obligation das nicht verbietet. Ein Share ohne Attestation ist kein Release.

Rollen-Mapping

Data Owner (Privacy / Domain)

Ein benannter fachlicher Synthetic-Owner koordiniert Zweck, Restrisiko und Freigabe im übertragenen Mandat. Die datenschutzrechtliche Verantwortung verbleibt beim Verantwortlichen. Der DSB berät und überwacht unabhängig; er übernimmt keine konfliktträchtige Rolle, die selbst Zwecke und Mittel festlegt. Der fachliche Owner entscheidet nicht automatisch den Generator-Code.

Data Steward

Privacy Operations oder ML Governance führt Zweckkartes, Inventar, Re-ID-Termine und eskaliert uncarded Sets.

Data Product Owner

Priorisiert Card-Releases, Gate-Cadence und Nutzende-Attestations. Nutzen und Lieferbarkeit — nicht die Rechtsauslegung.

Data Architect

Schützt Set-Bezugs- und Detailebene (Zweck ≠ Methode ≠ Population), Lineage von Quelle zu synthetischer Tabelle und Breaking Changes, wenn der Generator denselben Namen behält, aber die Methode wechselt.

Data Custodian

Generator-, IAM- und Storage-Admin setzen Zugriff, Isolation, Logging und Job-Pausen um. Wer den Job starten kann, darf nicht entscheiden, ob das Set erlaubt ist.

Data Nutzende

Vendor-Sandbox, Demo, Eval-Team, Training-Pipeline — getrennte Pflichten. Ein Nichtproduktionsumgebung-Set ist nicht automatisch train-fähig.

Mini-Fall

Alltagssituation: Aus einer produktiven Kundentabelle wird ein angeblich synthetischer Datensatz für die Testumgebung eines Dienstleisters erzeugt. Der Ordner heißt anon_export, aber die Labels stammen weiterhin aus der Produktion. Ein Forscher kann 8 Prozent der Personen wiedererkennen. Später erscheint derselbe Datensatz in einer öffentlichen Demo und anschließend im Trainingskorpus.

Was schiefläuft: „Synthetisch“ ist kein Freifahrtschein. Wenn Labels, Muster oder seltene Kombinationen Personen wiedererkennbar machen, braucht der Datensatz weiterhin Zweck, Test und Freigabe für jede neue Nutzung.

Vereinbarung: Jeder synthetische Datensatz bekommt Zweckkarte, Methode, Herkunft der Labels, Re-Identifikations-Test, erlaubte Nutzung und Release-Pflicht. Training oder öffentliche Demo brauchen eine neue Entscheidung.

Vereinbarung: Zweckkarte nonprod mit Verbot train und external public; Methodennotiz; Label-Provenance ohne Produktionslabels; bestandenes Re-ID-Prüfpunkt; Dienstleister-Attestation; neue Entscheidung vor jeder Widmung auf Training.

Kritische Übergaben

Von An Artefakt
Antragsteller (ML / Produkt) Privacy-Steward Zweckantrag, geprüfte Alternativen, gewünschte Nutzende
Steward Privacy- / Domain-Owner Risikooptionen, Re-ID-Empfehlung, Freigabeask
Owner Generator-Custodian Erlaubnis, verbotene Nutzungen, Speicher- und Zugriffsregel-Regel
Custodian Steward Speicherort, Zugriffsregel-Evidenz, Job-Log
Steward Vendor- / Demo-Nutzende Pflichten bei der Weitergabe, Attestation, Löschpflicht
Nutzende Owner Erweiterungs- oder Train-Umwidmungsantrag

Anti-Patterns

  • „Synthetisch“ automatisch als anonym behandeln
  • Zuerst generieren und den Zweck danach erfinden
  • Synthetische und Produktionszeilen oder -labels ohne Kennzeichnung mischen
  • Demos zu Trainingskorpora werden lassen
  • Den Generator-Operator als Data Owner benennen
  • Re-ID behaupten, ohne Test
  • Dienstleisterfreigabe ohne Attestation und Löschpflicht

Umsetzung im Alltag

Dieser Einstieg ist ein Arbeitsmuster, keine Kalenderübung und keine Leseliste. Nimm einen echten Fall, an dem sich die Entscheidung prüfen lässt.

Im verlinkten Arbeitsplan hältst du fest, wer die einzelnen Aufgaben übernimmt, bis wann sie erledigt werden und welche Entscheidungen noch offen sind.

Starte mit dem kleinsten echten Fall, der fachlich wichtig genug ist. Prüfe danach, ob die Entscheidung wirklich auffindbar, umsetzbar und auditierbar ist. Rollenklärung: Wer hilft wem an der Quelle.

Schritt 1: Rahmen und Entscheidung klären

Alle synthetischen Sets an AI- oder Nichtproduktionsumgebung-Pfaden inventarisieren. Zweck, Methode, Labels, Nutzende und bestehende Shares aufnehmen. Zweckkartes für die zwei risikoreichsten Sets schneiden. Privacy- oder Domain-Owner benennen.

Schritt 2: Control und Nachweis umsetzen

Eine Zweckkarte produktiv setzen und Alternativen (Masking vs. synthetisch) dokumentieren. Label-Provenance für ein Set schreiben. Ein uncarded Set vom Train-Ingest sperren.

Schritt 3: Testen und Ausnahmen sichtbar machen

Negativtest: ein Re-ID-Fail oder eine stille Train-Promotion muss das Set stoppen oder eskalieren. Eine Vendor-Attestation einholen. Ein Demo-Set befristen oder schließen.

Schritt 4: Messen und begrenzt ausrollen

Aufwand und Lücken messen. Nur bestandene Muster (Card, Provenance, Gate, Obligation) auf ein zweites Set oder einen zweiten Zweck übertragen.

Exit-Kriterien

  • Jedes materielle Set hat Zweckkarte, Methode, Owner und Review-Datum.
  • Label-Provenance ist geführt; Produktionslabels sind gekennzeichnet oder verboten.
  • Re-ID-Gates haben Test, Schwellwert und Aktion bei Fail.
  • Pflichten bei der Weitergabes existieren vor Dienstleister- oder Public-Partnerfreigabe; technischer Betreiber liefert Zugriffsregel-Nachweis.
  • Stille Produktfreigabe in Training ist ein neuer Entscheid, kein Ordner-Copy.

Weiterlesen

Synthetic data governance

Part 1 of 5

View series

Knowledge check

Tour