Die Abkürzung mit Nebenwirkungen

Synthetische Daten sind künstlich erzeugte Datensätze, die echte Trainingsdaten ersetzen oder ergänzen. Sie versprechen einen erheblichen Vorteil: Modelle lassen sich schneller und günstiger entwickeln, ohne dass echte, oft schwer zu beschaffende und datenschutzrechtlich heikle Kundendaten in großer Menge nötig sind. Finanzinstitute experimentieren deshalb zunehmend mit synthetischen Daten, um ihre Modellentwicklung zu beschleunigen.

Doch diese Abkürzung hat Nebenwirkungen, und sie sind gerade im Kredit- und Risikobereich gravierend. Synthetische Daten werden aus echten Daten erzeugt, und sie tragen die Eigenschaften dieser echten Daten in sich, auch die unerwünschten. Verzerrungen, die in den ursprünglichen Daten stecken, werden nicht beseitigt, sondern oft systematisch weitergetragen und mitunter sogar verstärkt. Wer synthetische Daten als saubere, neutrale Alternative betrachtet, irrt.

Wie Verzerrungen weitergetragen werden

Eine Verzerrung in den Trainingsdaten entsteht, wenn bestimmte Gruppen über- oder unterrepräsentiert sind oder wenn historische Daten Muster enthalten, die nicht den gewünschten Maßstäben entsprechen. Wenn aus solchen Daten synthetische Daten erzeugt werden, lernt der Generator die vorhandenen Muster und reproduziert sie. Die synthetischen Daten sehen anders aus als die echten, aber sie folgen denselben statistischen Mustern, einschließlich der verzerrten.

Das Tückische daran ist, dass die Verzerrung im synthetischen Datensatz schwerer zu erkennen ist. Bei echten Daten kann man die Herkunft und die Zusammensetzung nachvollziehen. Bei synthetischen Daten ist der Zusammenhang zu den ursprünglichen Verzerrungen verschleiert, und es entsteht der trügerische Eindruck, mit einem neutralen Datensatz zu arbeiten. Genau dieser Eindruck ist gefährlich, weil er die Aufmerksamkeit für die fortbestehenden Verzerrungen senkt.

Warum Kredit- und Risikomodelle besonders betroffen sind

In Kredit- und Risikomodellen hat eine Verzerrung unmittelbare und regulatorisch relevante Folgen. Wenn ein Kreditmodell bestimmte Gruppen systematisch benachteiligt, weil es verzerrte Muster aus den Daten gelernt hat, dann entstehen Entscheidungen, die rechtlich und ethisch problematisch sind. Im Rahmen des europäischen Regelwerks zählt die Kreditwürdigkeitsbewertung natürlicher Personen zu den Hochrisiko-Anwendungen, an die besondere Anforderungen gestellt werden.

Das bedeutet, dass ein Institut, das synthetische Daten zur Entwicklung seiner Kreditmodelle nutzt, nachweisen muss, dass diese Modelle keine unzulässigen Verzerrungen enthalten. Der Verweis darauf, dass synthetische statt echter Daten verwendet wurden, entlastet nicht, sondern verschärft die Anforderung, weil die Herkunft der Verzerrungen schwerer nachvollziehbar ist. Die Verantwortung für die Qualität und Fairness der Modelle bleibt beim Institut, unabhängig davon, ob die Trainingsdaten echt oder synthetisch sind.

Was Institute tun müssen

Der erste Schritt ist, die Illusion der Neutralität aufzugeben. Synthetische Daten sind nicht automatisch sauberer als echte Daten, sondern erben deren Eigenschaften. Wer mit ihnen arbeitet, muss dieselbe Sorgfalt walten lassen wie bei echten Daten, und in mancher Hinsicht sogar mehr, weil die Verzerrungen verschleierter sind. Die Frage, welche Muster die synthetischen Daten aus den echten geerbt haben könnten, muss aktiv gestellt werden.

Der zweite Schritt ist eine systematische Prüfung der Modelle auf Verzerrungen, unabhängig von der Herkunft der Daten. Das Modell muss daraufhin getestet werden, ob es bestimmte Gruppen systematisch anders behandelt, und diese Tests müssen dokumentiert werden. Erst wenn nachgewiesen ist, dass das Modell die regulatorischen Anforderungen erfüllt, darf es im Kredit- und Risikobereich eingesetzt werden. Die Beschleunigung durch synthetische Daten darf nicht zu einer Beschleunigung am Test vorbei führen.

Der dritte Schritt ist die Nachvollziehbarkeit. Ein Institut muss dokumentieren, woher seine synthetischen Daten stammen, wie sie erzeugt wurden und welche Prüfungen sie durchlaufen haben. Diese Nachweiskette ist die Grundlage dafür, gegenüber der Aufsicht und im Streitfall belegen zu können, dass die Modelle sorgfältig entwickelt wurden. Ohne diese Dokumentation wird der Einsatz synthetischer Daten zu einem unkalkulierbaren Risiko.

Der Reiz und die Grenze der Methode

Der Reiz synthetischer Daten ist verständlich. Echte Kundendaten in großer Menge zu beschaffen ist aufwendig und datenschutzrechtlich heikel, und gerade seltene Fälle, die ein Modell lernen müsste, sind in echten Daten oft unterrepräsentiert. Synthetische Daten lassen sich gezielt erzeugen, auch für seltene Konstellationen, und sie umgehen viele Datenschutzprobleme, weil sie keine realen Personen abbilden. Für die Modellentwicklung ist das ein echter Fortschritt.

Die Grenze liegt darin, dass die Qualität der synthetischen Daten von der Qualität der Methode abhängt, mit der sie erzeugt werden, und von der Qualität der echten Daten, die als Vorlage dienen. Eine fehlerhafte oder verzerrte Vorlage führt zu fehlerhaften oder verzerrten synthetischen Daten. Die Methode kann die Vorlage nicht verbessern, sie kann sie nur nachbilden. Wer das übersieht, verwechselt die saubere Optik der synthetischen Daten mit sauberer Substanz.

Verstärkung statt nur Übertragung

Besonders heikel ist, dass synthetische Daten Verzerrungen nicht nur übertragen, sondern verstärken können. Wenn der Generator bestimmte Muster als besonders charakteristisch lernt, kann er sie in den synthetischen Daten überbetonen. Eine Verzerrung, die in den echten Daten schwach ausgeprägt war, kann so in den synthetischen Daten deutlicher hervortreten. Aus einer kleinen Schieflage wird eine größere, ohne dass jemand es beabsichtigt hat.

Diese Verstärkung ist tückisch, weil sie der Erwartung widerspricht. Man erwartet, dass synthetische Daten die Verzerrung allenfalls beibehalten, nicht dass sie sie vergrößern. Genau deshalb ist die Prüfung der synthetischen Daten auf Verzerrungen so wichtig, und genau deshalb darf man sich nicht auf die Annahme verlassen, die synthetischen Daten seien höchstens so verzerrt wie die echten. Sie können verzerrter sein, und das muss man messen.

Die Rolle der Validierung

Die Antwort auf diese Risiken ist eine konsequente Validierung. Ein Modell, das auf synthetischen Daten trainiert wurde, muss gegen echte Daten validiert werden, um zu prüfen, ob es in der Realität funktioniert und ob es Verzerrungen aufweist. Diese Validierung ist der Prüfstein, der die saubere Optik der synthetischen Daten an der Wirklichkeit misst. Ohne sie bleibt offen, ob das Modell auf den echten Fällen, die es entscheiden soll, korrekt arbeitet.

Die Validierung muss dabei besonders auf die Fairness achten. Es genügt nicht zu prüfen, ob das Modell im Durchschnitt gut entscheidet, sondern es muss geprüft werden, ob es für alle relevanten Gruppen angemessen entscheidet. Ein Modell, das im Durchschnitt gut, aber für bestimmte Gruppen systematisch schlecht entscheidet, erfüllt die regulatorischen Anforderungen nicht, auch wenn die Durchschnittswerte überzeugen. Die Validierung muss diese Differenzierung leisten.

Eine Frage der Verantwortung

Am Ende ist der Einsatz synthetischer Daten eine Frage der Verantwortung. Die Methode verlockt dazu, schneller und billiger zu Modellen zu kommen, aber die Verantwortung für die Folgen dieser Modelle bleibt unverändert beim Institut. Wer synthetische Daten als Ausrede nutzt, um die sorgfältige Prüfung abzukürzen, handelt fahrlässig. Wer sie als Werkzeug nutzt und die Prüfung trotzdem ernst nimmt, handelt verantwortlich und nutzt ihren Vorteil, ohne ihre Risiken zu ignorieren.

Diese Verantwortung lässt sich nicht delegieren, weder an den Anbieter der Methode noch an die Technik selbst. Sie verlangt, dass das Institut versteht, was es tut, dass es die Risiken kennt und dass es die nötigen Prüfungen durchführt und dokumentiert. Genau diese Haltung unterscheidet einen reifen Umgang mit synthetischen Daten von einer naiven Abkürzung, die sich später rächt.

Schneller ja, aber nicht unkontrolliert

Synthetische Daten bleiben ein wertvolles Werkzeug, das die Modellentwicklung beschleunigt und Datenschutzprobleme entschärft. Sie sind kein Fehler, sondern ein Fortschritt, wenn man sie richtig einsetzt. Der richtige Einsatz besteht darin, ihre Grenzen zu kennen, ihre Verzerrungen aktiv zu suchen und die Modelle so sorgfältig zu prüfen, als wären echte Daten verwendet worden. Schneller ja, aber nicht unkontrolliert.

Mehr zum Thema: Drei Fragen entscheiden, ob Ihr KI-Projekt die nächste Revision überlebt und KI-Strategie ohne Datenstrategie ist Schmuck am Nachthemd.

Wir helfen Ihnen, synthetische Daten in Ihrer Modellentwicklung so einzusetzen, dass Sie ihren Geschwindigkeitsvorteil nutzen, ohne die regulatorischen Risiken im Kredit- und Risikobereich zu übersehen. Strategie und Umsetzung aus einer Hand. Beginnen Sie mit einem Workshop.