Seminar Actian Data Intelligence (Zeenea) – Intensivseminar Gesamtplattform und AI-Kontext

Dieses fünftägige Intensivseminar vermittelt die gesamte Actian Data Intelligence Platform als kontextgebende Schicht für Datenkonsumenten, Governance, Datenprodukte und AI-Anwendungen. Es bündelt Plattformarchitektur, Metamodell, Scanner, Explorer, Studio, Glossar, Lineage, Qualität, föderierten Katalog, Marketplace, Data Contracts, APIs, Sicherheit, Betrieb, Knowledge Graph, AI Readiness und MCP-basierte Kontextbereitstellung. Die Inhalte aller Fach- und Technikseminare werden in einem komprimierten, entscheidungsorientierten Gesamtprogramm zusammengeführt.

Inhaltsübersicht

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik
• Tag 1 – Plattformlandkarte und Zielarchitektur
• Tag 1 – Metamodell, Katalogobjekte und Datenaufnahme
• Tag 2 – Discovery, Glossar und semantische Schicht
• Tag 2 – Governance, Stewardship, Qualität und Compliance
• Tag 3 – Lineage, Impact und Betriebsentscheidungen
• Tag 3 – Datenprodukte, Contracts und Marketplace
• Tag 4 – Föderierter Katalog und Data Mesh
• Tag 4 – API, Identität, Sicherheit und Automatisierung
• Tag 5 – Knowledge Graph, AI Readiness und MCP
• Tag 5 – Betrieb, Adoption und Gesamtroadmap

Zielsetzung

• Gesamtplattform, Anwendungen und Betriebsarchitektur sicher einordnen
• Metadatenaufnahme, Metamodellierung und semantische Vernetzung beherrschen
• Discovery, Governance, Lineage, Qualität und Compliance integrieren
• Datenprodukte, Contracts, Marketplace und föderierte Domänen gestalten
• APIs, Identität, Sicherheit, Monitoring und Automatisierung architektonisch planen
• Knowledge Graph und MCP Server als kontrollierten AI-Kontext einsetzen
• Ein vollständiges Zielbild mit Roadmap, Kontrollen und Erfolgsmessung entwickeln

Zielgruppe

Enterprise- und Data Architects, Chief Data Office, AI- und Data-Plattformteams, Data Governance, Data Product Owner, Integration Engineers, Security, Programmleitungen und technische Entscheider.

Voraussetzungen

Breite Grundlagen zu Datenplattformen, Data Governance, Integration oder AI-Architekturen. Das Seminar ist auf interdisziplinäre Teams mit Gesamtverantwortung ausgerichtet.

Seminarinhalte

1. Tag 1 – Plattformlandkarte und Zielarchitektur

   1. Schritt 1: Studio, Explorer, Administration, Scanner, APIs, Marketplace und Knowledge Graph verorten
   2. Schritt 2: Nutzer-, Metadaten- und Betriebsflüsse Ende-zu-Ende analysieren
   3. Schritt 3: Use Cases, Schutzbedarfe und Architekturentscheidungen priorisieren

   Praxis: Eine kontextspezifische Zielarchitektur mit klaren Systemgrenzen wird erstellt.

2. Tag 1 – Metamodell, Katalogobjekte und Datenaufnahme

   1. Schritt 1: Datasets, Felder, Prozesse, Begriffe, Custom Items und Datenprodukte modellieren
   2. Schritt 2: Scanner, Konnektoren, Synchronisation und manuelle Anreicherung verbinden
   3. Schritt 3: Mindestmetadaten, Ownership und Qualitätskriterien definieren

   Praxis: Ein Kernmetamodell und ein gestufter Onboarding-Plan für Quellen entstehen.

3. Tag 2 – Discovery, Glossar und semantische Schicht

   1. Schritt 1: Explorer-Suche, Filter, Beziehungen und Vertrauensentscheidungen anwenden
   2. Schritt 2: Begriffe, KPIs, Regeln und technische Beziehungen in Studio aufbauen
   3. Schritt 3: Semantische Konsistenz, Mehrdeutigkeit und domänenspezifische Perspektiven steuern

   Praxis: Ein semantisch vernetzter Discovery-Fall wird vom Begriff bis zum Asset umgesetzt.

4. Tag 2 – Governance, Stewardship, Qualität und Compliance

   1. Schritt 1: Operating Model, Rollen, Workflows, Mindeststandards und Kontrollen gestalten
   2. Schritt 2: Qualitätssignale, DQM-Integration, sensible Daten und Nachweise verbinden
   3. Schritt 3: Issues, Ausnahmen, Eskalationen und Reviews operationalisieren

   Praxis: Ein integriertes Governance- und Kontrollmodell mit Scorecard wird erstellt.

5. Tag 3 – Lineage, Impact und Betriebsentscheidungen

   1. Schritt 1: Data Processes, Upstream, Downstream und manuelle Ergänzungen modellieren
   2. Schritt 2: Change Impact, Root Cause und Compliance-Nachweise durchführen
   3. Schritt 3: Lineage-Qualität und Einbindung in Change-, Release- und Incident-Prozesse planen

   Praxis: Ein komplexer Änderungs- und Störungsfall wird mit Lineage analysiert.

6. Tag 3 – Datenprodukte, Contracts und Marketplace

   1. Schritt 1: Produktzuschnitt, Ownership, Semantik, SLOs und Contract-Regeln definieren
   2. Schritt 2: Kuratierung, Produktkarte, Suche, Data Shopping und Genehmigung gestalten
   3. Schritt 3: Versionierung, Breaking Changes, Betrieb und Portfolioentscheidungen verbinden

   Praxis: Ein Datenprodukt wird mit Contract im Marketplace veröffentlicht und bewertet.

7. Tag 4 – Föderierter Katalog und Data Mesh

   1. Schritt 1: Domänen, Subkataloge, Gruppen, Rechte und geteilte Inhalte strukturieren
   2. Schritt 2: Kernstandards, lokale Erweiterungen und föderierte Governance ausbalancieren
   3. Schritt 3: Onboarding-Services, Communities und Migrationswellen entwickeln

   Praxis: Eine föderierte Katalogtopologie mit Governance-Forum wird entworfen.

8. Tag 4 – API, Identität, Sicherheit und Automatisierung

   1. Schritt 1: GraphQL-, Design-, SCIM- und Audit-Schnittstellen nach Einsatzfall einordnen
   2. Schritt 2: Idempotenz, Delta, Secrets, Retry, Logging, Tests und CI/CD planen
   3. Schritt 3: SSO, Gruppen, API-Schlüssel, Rezertifizierung und Incident-Runbooks gestalten

   Praxis: Eine sichere Integrations- und Administrationsarchitektur wird ausgearbeitet.

9. Tag 5 – Knowledge Graph, AI Readiness und MCP

   1. Schritt 1: Semantik, Lineage, Qualität, Verantwortung und Nutzung als AI-Kontext verbinden
   2. Schritt 2: MCP-basierte Werkzeug- und Kontextbereitstellung mit kontrollierten Berechtigungen planen
   3. Schritt 3: Prompt-Kontext, Retrieval, Provenienz, Guardrails und Evaluationskriterien definieren

   Praxis: Ein sicherer AI-Kontextfluss vom Nutzerbedarf bis zur kataloggestützten Antwort wird modelliert.

10. Tag 5 – Betrieb, Adoption und Gesamtroadmap

    1. Schritt 1: Monitoring, Runbooks, Service-Level, Troubleshooting und Verbesserungszyklen festlegen
    2. Schritt 2: Rollout-Wellen, Data Literacy, Champions, Support und Kommunikation planen
    3. Schritt 3: KPIs, Risiken, Entscheidungen und 180-Tage-Roadmap konsolidieren

    Praxis: Das Gesamtzielbild wird mit Betriebs-, Adoptions- und AI-Roadmap abgenommen.

Praxisübungen

1. Gesamtarchitektur und priorisierte Use Cases
2. Kernmetamodell und Quellen-Onboarding
3. Semantischer Discovery- und Glossarfall
4. Governance-, Qualitäts- und Compliance-Modell
5. Lineage-basierte Impact- und Root-Cause-Analyse
6. Datenprodukt mit Contract und Marketplace
7. Föderierte Katalogtopologie
8. Sichere API-, IAM- und Automatisierungsarchitektur
9. MCP- und AI-Kontextdesign
10. 180-Tage-Gesamtroadmap

Methodik

Ein durchgängiges Unternehmensszenario verbindet Architektur, Plattformarbeit, Governance, Integration und AI-Kontext. Reviews nach jedem Tag sichern die Konsistenz des Gesamtmodells.