KI-Datenlieferkette | Bibliothek

Goldene Regel: Ein Datensatz ist kein Vermögenswert, wenn das Team nicht erklären kann, woher er stammt, wofür er verwendet werden darf, wie er verändert wurde und welche Modelle ihn genutzt haben.

Was eine KI-Datenlieferkette ist

Sie umfasst den gesamten Weg von der Beschaffung über Training und Evaluation bis zu Aufbewahrung und Löschung. Dazu gehören Quellen, Verträge und Einwilligungen, Import, Annotation, Filter, Deduplizierung, Versionierung, Zugriffsrechte und die Zuordnung jeder Dataset-Version zu Modellen.

Das ist wichtiger als der Slogan „mehr Daten“. Zwei terabytegroße Datensätze können völlig unterschiedlichen Wert haben. Der eine besitzt nachvollziehbare Herkunft, sinnvolle Abdeckung und klare Rechte. Der andere mischt Kopien, personenbezogene Informationen und Inhalte mit unklaren Bedingungen. Das Modell löst diesen Unterschied nicht für das Unternehmen.

Das offene Web ist nicht schlicht „erschöpft“. Es wächst weiter, und Projekte wie Common Crawl erstellen weiterhin große Momentaufnahmen. Schwieriger wird es, neues, hochwertiges, vielfältiges und rechtlich nutzbares Material ohne Duplikate zu gewinnen. Manche Inhalte liegen hinter Konten oder Paywalls, Betreiber beschränken automatisierte Zugriffe, und ein wachsender Anteil kann selbst von Modellen erzeugt sein.

Beschaffung und Herkunft

Jede Quelle braucht einen Eintrag: Eigentümer oder Verwalter, URL oder Ursprungssystem, Datum und Methode der Beschaffung, Vertragsbedingungen, erlaubte Zwecke, Einschränkungen der Weiterverwendung, Aufbewahrung und verantwortliche Person. Bei gekauften Archiven gehört der Vertrag dazu. Bei Webdaten werden Erfassungszeit und damalige Bedingungen festgehalten. Bei internen Daten werden erzeugendes System und Prozess dokumentiert.

Herkunft ist nicht nur ein Link, sondern eine Transformationskette. Ein Dokument kann OCR, Übersetzung, Anonymisierung, Qualitätsklassifizierung und menschliche Korrektur durchlaufen. Jeder Schritt kann Bedeutung und Rechtsstatus verändern. Datasheets for Datasets liefert ein robustes Muster für Motivation, Zusammensetzung, Erhebung, Vorverarbeitung, Verteilung, Pflege und bekannte Grenzen.

Lizenz, Einwilligung und Rechtsgrundlage sind verschieden

Eine Lizenz beschreibt, was der Rechteinhaber erlaubt. Creative Commons unterscheidet Bedingungen wie Namensnennung, nichtkommerzielle Nutzung und Weitergabe unter gleichen Bedingungen.
Einwilligung ist die Zustimmung einer Person zu einem bestimmten Umgang mit ihren Daten. Wenn die Verarbeitung darauf beruht, muss sie geltende Anforderungen erfüllen und kann widerrufen werden.
Die Rechtsgrundlage rechtfertigt die Verarbeitung personenbezogener Daten. Einwilligung ist nur eine Möglichkeit; öffentliche Sichtbarkeit ist keine pauschale Erlaubnis.
Plattformbedingungen regeln die Beziehung zum Dienst und können automatisierten Zugriff auf sichtbare Inhalte begrenzen.
Ethische Vertretbarkeit ist eine weitere Prüfung. Eine juristisch argumentierbare Sammlung kann vernünftige Erwartungen verletzen oder gefährdete Gruppen schädigen.

Rechte werden nach Zweck und Rechtsraum bewertet, nicht mit einem universellen Feld „legal“. Copyright-Konflikte zwischen Verlagen, Urhebern und KI-Firmen zeigen, dass Daten Teil des Geschäftsmodells sind. Offene Modelle brauchen Transparenz, während Quelllizenzen die Weitergabe begrenzen können. Geschlossene Systeme beseitigen das Problem nicht, sondern erschweren unabhängige Prüfungen.

Bereinigung, Deduplizierung und Qualität

Bereinigung ist keine Kosmetik. Pipelines entfernen meist defekte Kodierung, Vorlagen, Spam, Malware, Geheimnisse, personenbezogene Daten, winzige Fragmente und fachfremde Inhalte. Filter können zugleich Minderheitensprachen, Dialekte oder schwierige Beispiele unbemerkt löschen. Miss angenommene und verworfene Daten nach Sprache, Quelle und relevanter Gruppe.

Entferne exakte und nahezu identische Kopien über Trainings-, Validierungs- und Testsplits hinweg. Sonst memoriert das Modell Wiederholungen, und Benchmarks messen Leakage statt Generalisierung. Deduplicating Training Data Makes Language Models Better verbindet Duplikate mit Memorierung und verzerrter Evaluation. Speichere Hashes, Ähnlichkeitsregeln, Schwellenwerte, Entfernungskarte und Filterversion.

Synthetische Daten sind ein Werkzeug, kein Perpetuum mobile

Sie helfen bei seltenen Fällen, kontrollierten Varianten, Simulation, Self-Play und Sicherheitsevaluationen. Sie können den Umgang mit sensiblen realen Datensätzen verringern. Automatisch anonym oder korrekt sind sie nicht. Ein Generator kann personenbezogene Informationen, Fehler, Stereotype und Artefakte seines Trainings wiederholen.

„Model Collapse“ bedeutet nicht, dass jedes synthetische Beispiel schadet. Die Studie AI models collapse when trained on recursively generated data zeigt ein Risiko, wenn generierte Ausgaben wiederholt die ursprüngliche Verteilung ersetzen. Gegenmaßnahmen sind hochwertige reale Daten, dokumentierte Generatoren und Prompts, unabhängige Prüfung, Filterung, Herkunftslabel und Evaluation auf ungesehenen menschlichen Daten.

Multimodale Daten und physische Welt

Text ist nur ein Zweig. Bild, Sprache, Video, Robotik und autonome Systeme benötigen Kameras, Mikrofone, Sensoren, Telemetrie, Karten, 3D-Szenen und Handlungsspuren. Hinzu kommen Hardwarekalibrierung, Zeitsynchronisierung, räumliche Annotation und physische Sicherheit.

Ein Fabrikvideo kann zugleich Gesichter, Geschäftsgeheimnisse und einen gefährlichen Vorfall enthalten. Eine Roboterdemonstration gehört zu einer bestimmten Maschine und Umgebung. Dokumentiere Gerät, Ort, Zeit, Kalibrierung, Annotator, Erlaubnisse, Bedingungen und blinde Flecken. C2PA ist ein nützliches Modell für technische Medienherkunft, beweist aber weder Wahrheit noch Trainingsrechte.

Datenschutz, Sicherheit, Lineage und Auditierbarkeit

Minimiere vor der Speicherung, nicht erst vor dem Modellrelease. Trenne Identifikatoren, verschlüssele Transport und Speicher, nutze rollenbasierten und zeitlich begrenzten Zugriff, protokolliere Exporte und erzwinge Löschung. Die DSGVO-Grundsätze umfassen Zweckbindung, Datenminimierung, Richtigkeit, Speicherbegrenzung, Integrität und Rechenschaftspflicht.

Ein Datensatz ist auch eine Angriffsfläche. Angreifer können Poisoning, Prompt Injection in Dokumenten, schädliche Dateien oder später extrahierbare Geheimnisse einschleusen. Halte Rohdaten unveränderlich und isoliert, führe Transformationen in einer Sandbox aus, scanne Dateien, genehmige Quellen und überwache ungewöhnliche Verteilungsverschiebungen.

Lineage sollte Quelle → Rohversion → Transformation → Dataset-Release → Trainingslauf → Modell verbinden. Jeder Knoten braucht stabile ID, Zeitpunkt, Eigentümer, Hash, Konfiguration und Eingabeversionen. Nach Widerruf einer Einwilligung oder einem Vendorfehler kann das Team betroffene Modelle finden und über Retraining, Unlearning oder Rücknahme entscheiden.

Anbieterabhängigkeit und Full-Stack-Infrastruktur

Ein Datenanbieter verkauft mehr als Dateien: laufenden Zugang, Annotatoren, Taxonomie, QA und manchmal Evaluationen. Lock-in entsteht, wenn Rohquellen unsichtbar bleiben, Labels nicht exportiert, Schemas nicht übernommen oder Filter nicht reproduziert werden können. Verträge sollten Auditrechte, Subunternehmer, Löschung, Vorfälle, Lizenzänderungen, Export, Ausstieg und Verantwortung für falsche Labels regeln.

Damit sind Daten Teil der gesamten KI-Infrastruktur. Modell, Compute, Storage, Katalog, Annotation, Evaluation und Governance sind keine unabhängigen Einkäufe. Ein Open-Weight-Modell ohne auditierbare Daten ist kein vollständig offenes System. Eine geschlossene API mit starken Vertragskontrollen kann im Betrieb sicherer sein, konzentriert Vertrauen aber beim Provider. Open gegen Closed muss Schicht für Schicht bewertet werden.

Praktischer Bauplan

Zweck und verbotene Nutzung definieren. Was soll das Modell tun, was nie ableiten?
Quellenregister anlegen. Eigentümer, Herkunft, Lizenz, Rechtsgrundlage, Einwilligung, Rechtsraum, Retention und Kontakt.
Raw, Curated und Release trennen. Raw bleibt unveränderlich; jede Transformation bekommt eine Version.
Eingangskontrolle einführen. Malware, Secrets, PII, Format, Qualität, Sprache, Alter und erlaubter Zweck.
Über Splits deduplizieren. Benchmark-Kontamination prüfen und Trefferkarte behalten.
Repräsentation messen. Sprachen, Modalitäten, Quellen, Zeiträume und risikotragende Gruppen.
Synthetisches kennzeichnen. Generator, Version, Prompt, Seed, Filter, Review und Anteil am Mix.
Datasheet und Lineage verlangen. Ohne dokumentiertes Release kein Training.
Zugriff begrenzen und Vorfälle üben. Lässt sich ein Dataset exportieren, löschen und in Modellen verfolgen?
Vor Releases evaluieren. Qualität, Bias, Privacy Leakage, Sicherheit und Lizenzänderungen.

Häufige Fehler

„Öffentlich heißt frei“: Sichtbarkeit ist keine Lizenz, Einwilligung oder Rechtsgrundlage.
Ein riesiger Lake ohne Lineage: Nach einem Problem sind betroffene Modelle unbekannt.
Deduplizierung nur in einer Datei: Quellenkopien und Benchmark-Leakage bleiben.
Synthetische Daten ohne Label: Ein fehlerhafter Generator lässt sich später nicht messen oder entfernen.
Nur englische Qualitätsfilter: Andere Sprachen verschwinden leise.
Anbieter als Blackbox: günstiger Einstieg, teures Audit, schmerzhafter Ausstieg.
Datenschutzprüfung nach dem Training: Daten stecken bereits in Checkpoints und Backups.
Dokumentation ohne Durchsetzung: Das Datasheet existiert, aber Jobs akzeptieren jeden Pfad.

Quellen und weitere Lektüre

Datasheets for Datasets - grundlegender Vorschlag zur Dokumentation von Motivation, Zusammensetzung, Erhebung, Vorverarbeitung, Verteilung und Pflege.
Data Provenance Initiative - Forschungsprojekt zu Herkunft, Lizenzierung und Attribution verbreiteter KI-Datasets.
Deduplicating Training Data Makes Language Models Better - Forschung zu Deduplizierung, Memorierung und verlässlicherer Evaluation.
AI models collapse when trained on recursively generated data - Evidenz zum Risiko, wenn Modellgenerationen die Originalverteilung verdrängen.
Creative-Commons-Lizenzen - Primärübersicht der CC-Bedingungen; korrigiert die Annahme „CC heißt uneingeschränkt“.
DSGVO-Datenschutzgrundsätze - Primärübersicht zu Minimierung, Zweckbindung, Aufbewahrung und Rechenschaft.
NIST AI Risk Management Framework - Rahmen zum Erfassen, Messen und Steuern von KI-Risiken einschließlich Datenrisiken.
C2PA-Spezifikation - Standard für technische Medienherkunft, nützlich, aber enger als Dataset-Lineage.

Was im Gedächtnis bleiben sollte

Der Vorteil liegt nicht im größten Datenberg. Er liegt darin, einen Datenmix zu begründen, Transformationen zu reproduzieren, problematische Quellen zu entfernen und Auswirkungen zu messen. Eine gute Lieferkette verbindet Rechte, Qualität, Sicherheit und Modellevaluationen in einem auditierbaren Fluss. Antwortet das Team auf „Woher weiß das Modell das?“ nur mit „aus unserem Dataset“, hat es keine Lieferkette. Es hat eine Kiste.