Reproduzierbare Datenschutzkonformität: Warum ML-Teams Konfigurationspresets brauchen
Der DSB hat das Anonymisierungsverfahren genehmigt. Es umfasst vier Punkte: Namen, E-Mails, Telefonnummern und Geburtsdaten. Die Methode ist Ersetzen. Das Verfahren ist vier Seiten lang und liegt im Compliance-Wiki.
Zwölf Data Scientists lesen es beim Kickoff. Jeder richtet das Tool selbst ein. Manche fügen nationale IDs hinzu. Manche fügen IP-Adressen hinzu. Manche wechseln zu Schwärzen. Drei Monate später sind die Datensätze nicht konsistent.
Die CNIL hat 2024 mehrere KI-Unternehmen geprüft. Das Problem: unsachgemäßer Einsatz personenbezogener Daten in Modell-Datensätzen. Sie fragten nicht nur, ob Anonymisierung stattgefunden hat. Sie fragten, wie konsequent sie angewendet wurde.
Dokumentation ist notwendig. Sie reicht nicht aus. Die Lösung ist das Preset.
Warum ML-Datensätze eigene Konfigurationen brauchen
Der Aufbau von Modell-Datensätzen hat besondere Anforderungen. Allgemeine Dokumentenanonymisierung teilt diese nicht.
Ersetzen, nicht Schwärzen. Modelle, die auf Texten trainiert werden, in denen Namen zu [GESCHWÄRZT] werden, lernen dieses Token als Namensposition-Marker. Das schadet dem Modell. Ersetzen tauscht „Max Müller" gegen „Thomas Weber". Das Modell sieht echte Namensmuster. Es sieht kein Masken-Token.
Gleicher Prozess für alle Datensätze. Ein Datensatz, bei dem 70 % der Namen ersetzt und 30 % geschwärzt sind, sendet gemischte Signale. Jeder Datensatz muss durch denselben Prozess.
Gleiche Entitätsliste. Wenn der Datensatz Gesundheitsdaten enthält, entstehen Lücken, wenn Namen entfernt, Geburtsdaten aber bei manchen Datensätzen belassen werden. Alle zwölf Data Scientists müssen dieselben Typen entfernen.
Keine übermäßige Entfernung. Zeitstempel zu entfernen — keine Geburtsdaten — reduziert die Qualität ohne Compliance-Gewinn. Das genehmigte Preset legt genau fest, was entfernt wird.
Reproduzierbare Ergebnisse. Wenn ein Datensatz erneut verarbeitet werden muss, liefert das Preset jedes Mal dasselbe Ergebnis. Ad-hoc-Konfigurationen nicht.
Das Problem mit zwölf Data Scientists
Ein europäisches Fintech-ML-Team nutzt Datensätze aus Kunden-Logs. Der DSB hat den Zweck — Betrugserkennung — mit einer Regel genehmigt: Alle Kundennamen, E-Mails, Telefonnummern und Zahlungs-IDs müssen ersetzt werden, bevor die Modellarbeit beginnt.
Ohne Presets:
- Person 1 entfernt Namen, E-Mails und Telefonnummern — aber nicht Zahlungs-IDs
- Person 2 berücksichtigt Zahlungs-IDs, verwendet aber Schwärzen statt Ersetzen
- Person 3 folgt dem Verfahrensdokument genau
- Personen 4–12 variieren
Der zusammengeführte Datensatz ist teils nicht konform und teils übermäßig verarbeitet. Ein DSB kann ihn nicht zertifizieren.
Mit einem DSB-genehmigten Preset:
- Der DSB erstellt „ML Dev — Betrugserkennung" mit genauen Entitätstypen und der Ersetzen-Methode
- Das Preset geht an alle zwölf Personen mit einer Regel: Dieses für alle Datensatz-Arbeit verwenden
- Niemand kann das Preset ohne DSB-Freigabe ändern
Jede Person liefert jetzt dasselbe Ergebnis. Der zusammengeführte Datensatz ist konsistent. Das jährliche KI-Audit besteht ohne Befunde. Im Vorjahr gab es drei Befunde durch inkonsistente Datensatz-Arbeit.
DSGVO und KI-Gesetz
Aktualisiert für 2026
Das EU-KI-Gesetz trat im August 2024 vollständig in Kraft. Es fügt Regeln für KI-Systeme hinzu, die personenbezogene Daten für Modellarbeit verwenden. Hochrisiko-KI-Systeme müssen ihre Datensätze dokumentieren, einschließlich der angewendeten Anonymisierungsmaßnahmen.
DSGVO Artikel 5(1)(b) — die Zweckbindungsregel — blockiert die Verwendung personenbezogener Daten ohne klare Rechtsgrundlage. Die Durchsetzungsmaßnahmen der CNIL 2024 konzentrierten sich auf diese Lücke: Daten, die für einen Dienst gesammelt wurden, werden für Modellarbeit ohne gültige Grundlage oder Anonymisierung verwendet.
Presets helfen, beide Regelwerke zu erfüllen:
- Preset-Name und Konfiguration: die dokumentierte Methode
- Verarbeitungsprotokolle: Nachweis, dass die Methode angewendet wurde
- DSB-Genehmigung: dokumentierte Freigabe der Konfiguration
Dies schafft den Prüfpfad, den beide Gesetze verlangen. Einzelheiten zu Artikel 10 finden Sie im EU-KI-Gesetz-Leitfaden für Trainingsdaten.
Preset-Konfiguration für NLP-Datensätze
Häufig enthaltene Entitätstypen:
- PERSON — Ersetzen durch ähnliche Namen
- EMAIL_ADDRESS — Ersetzen durch synthetische Adressen
- PHONE_NUMBER — Ersetzen durch synthetische Nummern
- CREDIT_CARD / IBAN — Ersetzen oder Schwärzen
- LOCATION — Ersetzen durch ähnliche Orte, wenn Standort relevant ist; sonst Schwärzen
- DATE_OF_BIRTH — Schwärzen; Altersgruppenbildung oft erforderlich
Häufig ausgelassene Entitätstypen:
- Allgemeine Datumsangaben — Zeitstempel helfen temporalen Modellen
- Organisationsnamen — helfen NER-Modellen
- URLs — helfen Link- und Referenzmodellen
ML-Leitung und DSB legen diese Regeln im genehmigten Preset fest. Teammitglieder wenden es an. Sie treffen keine Konfigurationsentscheidungen.
Presets als institutionelles Gedächtnis
Vor Presets. Die richtige Entitätskonfiguration lebte in den Köpfen von drei Data Scientists. Zwei gingen in Q3. Das Wissen ging mit ihnen.
Nach Presets. Die Konfiguration lebt in „ML Dev — Kundendaten v2.1." Das Versionsprotokoll zeigt, wann es erstellt wurde, wer es genehmigt hat und was sich von v2.0 geändert hat. Neue Teammitglieder verwenden das Preset und erhalten das eingebaute Wissen.
Version 2.1 fügte IBAN-Erkennung hinzu, nachdem eine Überprüfung ergab, dass sie fehlte. Version 2.0 wurde im Februar 2025 genehmigt. Das Protokoll ist vollständig.
Wie Verarbeitungsprotokolle und DSB-Prüfabläufe funktionieren, erklärt der DSGVO-ML-Anonymisierungsleitfaden.
Presets und das CNIL-Durchsetzungsmuster
Die KI-Fälle der CNIL 2024 setzen ein klares Muster. Sie fragen nicht nur, was entfernt wurde, sondern wie es geregelt war. Ein gemeinsames Preset mit DSB-Genehmigungsprotokoll und Verarbeitungsprotokollen beantwortet dies direkt.
Eine Ad-hoc-Konfiguration nicht. Diese Lücke besteht auch in anderen EU-Datenschutzbehörden, die der CNIL-Logik folgen. Mehr zum CNIL-KI-Ansatz bietet der CNIL DSGVO KI-Compliance-Leitfaden.
Fazit
Dokumente sagen Teammitgliedern, was zu tun ist. Presets machen es einfach — und durchsetzbar — es jedes Mal gleich zu tun.
Für ML-Datensätze ist Konsistenz sowohl eine rechtliche als auch eine technische Anforderung. Das Preset erfüllt beides auf einmal.
Datenschutzbehörden, die KI-Praktiken prüfen, suchen nach Belegen für eine einheitliche Anonymisierung. Ein einheitlich angewendetes Preset ist der klarste Nachweis.