Technischer Datenschutz: Von Datenspuren zu digitalem Vertrauen

Während Mani mit Teams im gesamten Unternehmen zusammenarbeitet – mit Produkt- und Softwareentwicklern, Datenwissenschaftlern, KI-Experten und Juristen – nähert er sich dem Datenschutz wie ein Ingenieur und findet neuartige Wege, den Datenschutz in die Funktionsweise von Mastercard zu integrieren.

Und wie man es von einem Ingenieur erwarten könnte, verwendet er eine Metapher aus der Automobilbranche, um seine Rolle zu erklären: „Es geht darum, den Teams zu helfen, die die Daten tatsächlich verwalten, mit ihnen zu sprechen und die Kontrollmechanismen zu implementieren“, sagt er. „Stellen Sie sich vor, das Produktteam baut ein Fahrzeug mit den neuesten Motoren und Technologien, und ich als jemand, dem die Privatsphäre am Herzen liegt, gebe ihnen Standard-Sicherheitsmerkmale wie einen Sicherheitsgurt und einen Außenspiegel.“ Manchmal sind es aber Airbags und Antiblockiersysteme – damit alle besser geschützt sind.“

Nach seinem Ausscheiden aus dem Start-up-Unternehmen für Gentests war Mani auf der Suche nach einer neuen Herausforderung. Er war fasziniert von Mastercards Investitionen in Datenschutztechnologien, insbesondere von der Arbeit an der Datenanonymisierung durch Trūata, einem in Dublin ansässigen „Datentreuhandunternehmen“, das als Joint Venture mit IBM begann und heute ein integrierter Bestandteil der unternehmensweiten Datenressourcen von Mastercard ist. (Auch die 20-minütige Fahrt von seinem Wohnsitz in Westchester County zum Hauptsitz von Mastercard in Purchase, New York, war nicht von Nachteil.)

Mani musste schnell feststellen, dass Zahlungsdaten außerordentlich aussagekräftig, aber auch in ihrer Zusammensetzung einzigartig sind. Im Jahr 2024 verarbeitete Mastercard 159 Milliarden Transaktionen. Diese Informationen werden anonymisiert und aggregiert, wenn sie für Datenanalysen genutzt werden. Mastercard verwendet aber auch Techniken wie die Tokenisierung – das Ersetzen der Kreditkartennummer durch einen eindeutigen Platzhalter –, damit die Kartendaten im Falle eines Hacks nicht auf Einzelpersonen zurückgeführt werden können.

Dies sind Beispiele für Datenschutzmaßnahmen, die sich in zwei große Kategorien einteilen lassen. Technische Kontrollmechanismen sind in die Systeme selbst integriert – wie beispielsweise die Anonymisierung von Daten vor ihrer Verwendung. Administrative Kontrollen setzen auf Menschen und Prozesse, wie zum Beispiel die Schulung von Mitarbeitern, damit diese erkennen, wenn etwas nicht stimmt. Und in manchen Situationen sind beide erforderlich.

Manis Aufgabe ist es, diese Kontrollmechanismen zu entwickeln und einzubetten, damit die anonymisierten Daten schnell abgerufen und sicher sowie in Übereinstimmung mit einer Vielzahl nationaler und internationaler Vorschriften verarbeitet werden können.

Beispielsweise ist die Zweckbindung – die Verwendung von Daten nur für den Zweck, für den sie erhoben wurden – schwierig umzusetzen. Manchmal wird es durch Schulungen erzwungen. Zunehmend greifen Unternehmen jedoch auf technische Kontrollmechanismen zurück, die verhindern sollen, dass Daten für unautorisierte Zwecke verwendet werden. „Man kann Daten als Produkt erstellen“, sagt Mani, „und die Plattform würde einen daran hindern, sie für einen anderen Zweck zu verwenden.“

Die Ingenieure von Mastercard entwickeln Softwaretools für die Datenprofilierung, mit denen sie riesige Datensätze scannen, um deren Ursprung, Sensitivität und Eigenschaften zu bestimmen, ähnlich wie ein Bluttest Aufschluss darüber gibt, was im Körper vor sich geht. Das Unternehmen unterhält zudem separate Datenbanken mit identifizierten und anonymisierten Daten, um sicherzustellen, dass Analysten niemals gleichzeitig auf beide zugreifen können – eine Schutzmaßnahme gegen Re-Identifizierung.

Mani erklärt, dass heute eine der größten Herausforderungen im Bereich des globalen Datenschutzes die Datenlokalisierung ist – Gesetze, die vorschreiben, dass lokal erhobene Daten innerhalb der Grenzen eines bestimmten Landes bleiben müssen. Dateningenieure arbeiten an Tools, mit denen Daten mit Dutzenden von Attributen versehen werden können, die es Mastercard ermöglichen, diese Regeln automatisch durchzusetzen. Zukünftig können Daten so gekennzeichnet werden, dass sie vertragliche Anforderungen und Kundenpräferenzen widerspiegeln; dies ermöglicht es beispielsweise einem Inhaber eines Open-Banking-Kontos, zeitlich begrenzte Einwilligungen zur Weitergabe von Konto- oder Transaktionsdaten an Dritte zu erteilen, zu widerrufen oder zu verlängern. 

„Die Implementierung der Kontrollmechanismen in großem Umfang“, sagt er, „ermöglicht es uns, Analysen in großem Umfang einzusetzen.“

Mastercard erforscht ständig andere datenschutzfreundliche Technologien, wie zum Beispiel synthetische Daten – künstlich erzeugte Datensätze, die reale Daten nachahmen, ohne jedoch eine Verbindung zu den zugrunde liegenden Kundeninformationen herzustellen. Synthetische Daten sind zwar nützlich für Demos, Tests und die Bewertung von Drittanbieter-Tools, doch Mani weist darauf hin, dass KI-Modellierer Trainingsdaten aus der realen Welt bevorzugen.

Sogenannte Clean Rooms ermöglichen es Mastercard und seinen Partnern, Daten vorübergehend zusammenzuführen, Analysen durchzuführen und die Daten anschließend zu löschen. Durch Multiparty-Computation-Verfahren können Unternehmen Erkenntnisse aus diesen kombinierten Datensätzen gewinnen, ohne die zugrunde liegenden Informationen mit anderen Partnern zu teilen.

Wenn Datenschutz schon komplex genug war, macht KI daraus ein dreidimensionales Schachspiel. Traditionelle Analysemethoden kategorisieren Karteninhaber möglicherweise danach, wie häufig sie ihre Karten benutzen. Künstliche Intelligenz kann komplexe Verhaltensmuster erkennen, Signale, nach denen Menschen niemals suchen würden. Diese Macht birgt das Risiko der Re-Identifizierung und das, was Mani den „Gruselfaktor“ nennt.

„KI könnte alle möglichen komplizierten Signale finden, von denen wir noch gar nichts wissen“, sagt er und nennt als Beispiel einen Fall, in dem die Datenanalysesoftware eines großen Einzelhändlers anhand scheinbar harmloser Käufe wie unparfümierter Lotion auf die Schwangerschaft von Frauen schließen und deren Geburtstermine schätzen konnte.

Die KI-Teams von Mastercard prüfen jeden Anwendungsfall und wenden strenge Kontrollen auf die genehmigten Fälle an. Hochriskante Anwendungen werden gestoppt, bevor sie in die Produktion gehen. In jeden Algorithmus sind Transparenz (die zeigt, wie ein KI-System funktioniert und welche Daten es verwendet), Beobachtbarkeit (die überwacht, wie es sich verhält, um Probleme zu finden und zu beheben) und Werkzeuge zur Erkennung von Verzerrungen eingebaut, damit die Menschen seinen Ergebnissen vertrauen können.  

Bei all der Komplexität, die mit dem Aufbau von Datenschutzmechanismen im globalen Maßstab einhergeht, ist es vor allem die Menschen um Mani herum, die er an seinem Job liebt. „Vor allem, dass ich mit diesen brillanten Leuten zusammenarbeite und jeden Tag etwas Neues lerne“, sagt er. „Und ich bin in der Lage, in diesem Umfeld einen Beitrag zu leisten, neue Ideen zu entwickeln und gleichzeitig zum Schutz der Privatsphäre beizutragen.“

Am Vorabend des Datenschutztages am 28. Januar ist Manis Rat für alle, die sich Sorgen um ihre eigenen digitalen Spuren machen, viel einfacher als die Systeme, die er entwirft: „Halten Sie sich bedeckt“, sagt er, auch in sozialen Medien und Suchmaschinen, was die Spuren, die Sie online hinterlassen, minimiert. Deaktivieren Sie die Cookies, die Sie nicht benötigen; geben Sie Ihren Aufenthaltsort nicht preis; reduzieren Sie die Menge an Informationen, die die Welt über Sie erfahren kann.

Dieselbe Philosophie liegt auch Mastercards Umgang mit Daten zugrunde: Vertrauen entsteht durch die Integration von Sicherheit, Integrität und Verantwortlichkeit in die Mechanismen des Netzwerks – ein Vertrauen, das sowohl geschaffen als auch verdient werden muss.