Einleitung
„KI-fähige Daten“ ist zu einer jener Formulierungen geworden, die genau das bedeuten, was derjenige, der sie verwendet, gerade braucht. Für einen Anbieter von Datenplattformen heißt das in der Regel saubere Schemata und gute Dokumentation. Für einen Modellanbieter bedeutet es oft ausreichendes Volumen und ausreichende Vielfalt. Keine der beiden Definitionen hält dem Kontakt mit einer Aufsichtsbehörde, einem Prüfer oder einem Ermittler bei einem Sicherheitsvorfall stand, der eine sehr viel engere Frage stellt: Können Sie jetzt sofort nachweisen, mit welchen Daten genau dieses System trainiert wurde oder arbeitet, und dass sich an diesen Daten nichts geändert hat, seit sie zur Verwendung freigegeben wurden?
Die gängige Definition ist nicht falsch. Sie ist unvollständig.
Saubere, gut gelabelte und hinreichend repräsentative Daten sind für die Modellqualität unbestreitbar wichtig - Artikel 10 der KI-Verordnung der EU (AI Act) sagt das ausdrücklich. Qualität und Integrität sind jedoch unterschiedliche Eigenschaften. Ein Datensatz kann am Tag seiner Zusammenstellung vollkommen sauber, ausgewogen und gut dokumentiert sein und sechs Monate später dennoch nicht zu verteidigen sein, wenn sich nicht nachweisen lässt, dass er seitdem weder verändert noch ergänzt noch stillschweigend aus anderen Quellen neu befüllt wurde. Die meisten Checklisten für „KI-Fähigkeit“ enden mit dem Zeitpunkt der Zusammenstellung. Prüfbarkeit beginnt dort und endet nie.
Eine Arbeitsdefinition
Daten sind KI-fähig, wenn sie vier Eigenschaften erfüllen, und zwar fortlaufend
Erstens Provenienz: Der Ursprung jedes einzelnen Eintrags ist dokumentiert und überprüfbar, nicht bloß behauptet. Zweitens Nachweis der Unveränderlichkeit: Jede Änderung am Datensatz seit der Zertifizierung ist kryptografisch erkennbar und nicht nur in einer Datenbank protokolliert, die ihrerseits verändert werden könnte. Drittens Zurechenbarkeit von Zugriffen: Jede Partei, die mit den Daten in Berührung kam, und der Zeitpunkt, zu dem dies geschah, sind Teil der dauerhaften Aufzeichnung. Viertens Reproduzierbarkeit: Ausgehend vom zertifizierten Zustand des Datensatzes lassen sich die exakten Daten, mit denen eine bestimmte Modellversion trainiert oder feinabgestimmt wurde, auf Anfrage rekonstruieren, statt aus dem Gedächtnis oder anhand nachträglich verfasster Dokumentation näherungsweise ermittelt zu werden.
Warum „dokumentiert“ und „überprüfbar“ nicht dasselbe Wort sind
Eine Tabellenkalkulation, die beschreibt, woher die Trainingsdaten stammen, ist Dokumentation. Sie wird von genau der Partei verfasst, die ein Interesse daran hat, dass die Prüfung bestanden wird, und sie kann nachträglich spurlos bearbeitet werden. Überprüfbare Provenienz bedeutet, dass der Herkunftsnachweis im Moment der Erfassung festgeschrieben wurde, unabhängig von der geprüften Partei, und zwar so, dass er später nicht stillschweigend überarbeitet werden kann, ohne dass diese Überarbeitung Spuren hinterlässt. Diese Unterscheidung - zwischen einer Behauptung und einer Behauptung, die sich nicht unbemerkt ändern lässt - macht den ganzen Unterschied zwischen einer Compliance-Erzählung und einem Compliance-Nachweis aus.
- Provenienz: Woher stammt dieser Eintrag, und lässt sich dieser Ursprung beweisen, statt nur behauptet zu werden?
- Nachweis der Unveränderlichkeit: Wenn sich dieser Eintrag nach der Zertifizierung ändern würde, wäre diese Änderung kryptografisch erkennbar?
- Zurechenbarkeit von Zugriffen: Gibt es über jede Partei, die mit diesen Daten in Berührung kam, eine dauerhafte Aufzeichnung, an der jede Manipulation erkennbar wäre?
- Reproduzierbarkeit: Lässt sich der exakte Datensatz hinter einer bestimmten Modellversion auf Anfrage rekonstruieren?
„KI-fähig“ wird rasch zu einem Compliance-Begriff und nicht nur zu einem Begriff der Datenqualität. Daten, die ihre eigene Historie nicht belegen können, werden den Prüfungen nicht standhalten, die im Rahmen der KI-Verordnung der EU, der NIS2-Richtlinie und branchenspezifischer Vorschriften zur KI-Governance bereits anlaufen. Sehen Sie, wie ROOTKey Provenienz und Integrität von Daten fortlaufend verankert, nicht nur zum Zeitpunkt der Erhebung.