Synthetische Daten in der Finanz-KI – mit der nötigen Vorsicht

Synthetische Daten verdienen sich ihren Platz in der Finanz-KI, wenn die echten Daten zu knapp oder zu sensibel sind, um sicher damit zu trainieren oder sie zu teilen. Setzen Sie sie ein, um eine seltene Betrugsklasse anzureichern und um Entwicklungsdatensätze außerhalb der Produktivgrenze aufzubauen. Halten Sie sie aus Ihren Evaluationsdatensätzen heraus, und weisen Sie nach, dass der Generator keine echten Menschen reproduziert.

Der Reiz liegt auf der Hand. Bestätigter Betrug macht vielleicht einen Bruchteil eines Prozents aller Transaktionen aus. Eine neue Sanktions-Typologie hat drei bekannte Beispiele. Ein Kreditprodukt, das letztes Quartal auf den Markt kam, hat noch keine Ausfälle, weil Ausfälle Zeit zum Reifen brauchen. In allen drei Fällen ist genau das, was das Modell am dringendsten lernen soll, das, wovon Sie fast nichts haben. Mehr davon zu erzeugen, fühlt sich nach der Lösung an.

Manchmal ist es das auch. Aber synthetische Daten haben die Angewohnheit, das sichtbare Problem zu lösen und dabei still ein neues zu schaffen, das Sie zum Quartalsende finden – in der Produktion, mit echtem Geld. Der Fehler besteht selten darin, dass die erzeugten Datensätze falsch aussehen. Der Fehler besteht darin, dass sie auf eine Weise richtig aussehen, die Ihre Metriken schmeichelt und ein Leck verdeckt.

Wo sie sich ihren Platz tatsächlich verdienen

Es gibt einige Situationen, in denen wir ohne großes Zögern danach greifen, weil die Alternative schlechter ist.

• Klassenungleichgewicht in Betrugs- und Financial-Crime-Modellen. Wenn die positive Klasse ein Rundungsfehler ist, kann das Modell zu 99,9 % treffsicher sein, indem es alles als legitim einstuft. Oversampling der Minderheitsklasse oder das Erzeugen plausibler Betrugsvarianten gibt dem Trainingssignal etwas zum Festhalten. Das ist Datenaugmentierung, und sie gehört ausschließlich in den Trainings-Fold.
• Aufbau einer Entwicklungsumgebung außerhalb der Produktivdatengrenze. Entwickler brauchen etwas Realistisches, um Pipelines, Features und Tests dagegen zu bauen. Eine synthetische Kopie des Transaktionsstroms lässt sie arbeiten, ohne dass eine Kopie echter Kundendaten in einer niedrigeren Umgebung mit schwächeren Kontrollen liegt. Die Lineage bleibt sauber, weil nie etwas Echtes die Grenze verlassen hat.
• Stress-Fälle und Typologien, die Sie erwarten, aber noch nicht beobachtet haben. Ein Synthetic-Identity-Ring, der über sechs Monate eine dünne Akte aufschichtet, ein Structuring-Muster knapp unter einer Meldeschwelle, ein Mule-Konto, das erst still ist und dann aktiv wird. Sie können eine Hypothese über Verhalten kodieren und sehen, ob das Modell sie fängt, bevor sie Sie etwas kostet.
• Teilen eines Datensatzes mit einem Anbieter oder über eine rechtliche Grenze hinweg. Ein erzeugter, auf Leakage getesteter Datensatz kann dorthin wandern, wohin der echte nicht darf.

Achten Sie darauf, was diese Fälle gemeinsam haben. Synthetische Daten füllen eine Lücke in der Abdeckung oder entfernen eine Kopie echter Daten von einem Ort, an dem sie nicht sein sollte. Sie treten nicht an die Stelle der Grundwahrheit, gegen die Sie evaluieren.

Die Tests, die sie ehrlich halten

Ein auf echten Daten trainierter Generator ist eine Kompression dieser Daten, und Kompression leckt. Zwei Datensätze, die weit auseinanderlagen, können am Ende Nachbarn sein. Ein Kunde kann eng genug rekonstruiert werden, um ihn erneut zu identifizieren. Bevor wir einen synthetischen Datensatz als nutzbar bezeichnen, durchläuft er ein festes Set an Prüfungen, und die Ergebnisse werden für den Prüfpfad festgehalten.

• Near-Duplicate- und Memorierungs-Test. Suchen Sie für jeden synthetischen Datensatz seinen nächsten echten Nachbarn. Wenn sich die Abstände nahe null häufen, kopiert der Generator, statt zu generieren, und Sie liefern echte Menschen mit einem synthetischen Etikett aus.
• Membership Inference. Trainieren Sie einen Angreifer, der allein aus der synthetischen Ausgabe erraten soll, ob ein bestimmter echter Datensatz im Trainingsset des Generators war. Wenn er das kann, ist der Datensatz nicht datenschutzwahrend, was auch immer das Marketing behauptet.
• Marginale und gemeinsame Fidelity. Univariate Verteilungen sind leicht zu treffen und nicht genug. Prüfen Sie die Korrelationen, die für die Aufgabe zählen: Betrag gegen Händlerkategorie, Velocity gegen Kontoalter, die gemeinsame Struktur, in der Betrug tatsächlich lebt. Ein Generator, der die Ränder trifft und die gemeinsamen Verteilungen verfehlt, lehrt das Modell eine Welt, die nicht existiert.
• Utility Gap. Trainieren Sie das Modell auf synthetischen Daten, testen Sie auf echten. Trainieren Sie auf echten, testen Sie auf echten. Der Abstand zwischen beiden sagt Ihnen, was die synthetischen Daten tatsächlich wert sind. Ein kleiner Abstand ist ein gutes Zeichen. Ein verdächtig winziger Abstand bedeutet meist Leakage, nicht Genialität.

Genau an diesem letzten Punkt verbrennen sich die meisten Teams. Wenn synthetische Datensätze, die aus dem echten Verhalten eines Kunden abgeleitet wurden, im selben Fold landen wie die echten Datensätze dieses Kunden, ist Ihre Evaluation kontaminiert und Ihre Metriken lügen. Die Entity Resolution muss vor dem Split laufen, damit alles, was auf eine Entität zurückführt, auf einer Seite der Mauer landet. Synthetisch und echt, dieselbe Entität, derselbe Fold.

Die Lineage sauber halten

Die operative Disziplin zählt genauso viel wie die Statistik. Jeder synthetische Datensatz trägt ein Tag: welcher Generator ihn erzeugt hat, aus welchem Trainings-Snapshot, unter welchem Random Seed, an welchem Datum. Dieses Tag reist durch den Feature Store in jedes nachgelagerte Modell. Wenn ein Validator oder ein Prüfer fragt, welche dieser Zahlen echt sind, können Sie ohne forensische Übung antworten.

Zwei Regeln, von denen wir nicht abweichen:

• Synthetische Daten gelangen niemals in einen Evaluations- oder Benchmark-Datensatz. Eval-Sets messen, ob das Modell in der Realität funktioniert. In dem Moment, in dem sie erzeugte Datensätze enthalten, messen sie, ob das Modell mit dem Generator übereinstimmt. Point-in-time-Korrektheit gilt auch hier: Der echte, zurückgehaltene Datensatz muss widerspiegeln, was zum Entscheidungszeitpunkt tatsächlich wissbar war, ohne Lookahead aus Labels, die erst später gereift sind.
• Der Generator wird wie ein Modell versioniert und überwacht. Er driftet. Trainieren Sie ihn auf neueren Daten neu, verschiebt sich die synthetische Verteilung, was still jedes nachgelagerte Modell verschiebt, das mit ihm angereichert wurde. Verfolgen Sie das so, wie Sie Feature-Drift verfolgen, denn es ist derselbe Fehler mit einer zusätzlichen Schicht der Indirektion.

So eingesetzt, leisten synthetische Daten ehrliche Arbeit. Sie balancieren eine Betrugsklasse aus, die die Welt sich weigert für Sie auszubalancieren, und sie lassen Entwickler Pipelines bauen, ohne echte Identitäten in einer niedrigeren Umgebung zu halten. Was sie nicht können, ist Ihnen zu sagen, ob das Modell richtig liegt. Die Disziplin besteht vor allem darin, sie nie so tun zu lassen, als könnten sie es. Der Generator ist ein Werkzeug für Abdeckung. Die Realität bleibt der Richter.