Seminar Dataedo AI-Autodokumentation und Metadatenanreicherung

Das Seminar behandelt die kontrollierte Erzeugung und redaktionelle Prüfung KI-gestützter Beschreibungen für technische und fachliche Metadaten. Im Mittelpunkt stehen reproduzierbare Vorgehensweisen, klare Qualitätskriterien und eine Umsetzung, die sich auf reale Datenlandschaften übertragen lässt.

Inhaltsübersicht

1. Lernziele
2. Zielgruppen und Rollen
3. Voraussetzungen
4. Seminarinhalte
5. Arbeitsschritt 1: AI-Autodokumentation vorbereiten
6. Arbeitsschritt 2: KI-gestützte Beschreibungen und Begriffe
7. Arbeitsschritt 3: Qualitätssicherung für KI-Vorschläge
8. Arbeitsschritt 4: Assets dokumentieren und Kontext anreichern
9. Praxisübungen
10. Arbeitsunterlagen und Praxisartefakte

Lernziele

• Geeignete Anwendungsfälle und Grenzen der Autodokumentation bestimmen.
• KI-Vorschläge für Assets und Begriffe erzeugen.
• Vorschläge anhand nachvollziehbarer Qualitätskriterien prüfen.
• Freigabe, Kennzeichnung und Nachpflege organisatorisch regeln.

Zielgruppen und Rollen

Data Stewards, Metadatenverantwortliche, Data Catalog Manager, Fachanalysten und Governance-Teams.

Voraussetzungen

Grundkenntnisse zu Dataedo-Objektseiten und zu den Dokumentationsstandards der eigenen Organisation.

Seminarinhalte

Die Inhalte werden in einer durchgängigen Folge aus Einordnung, Vorbereitung, Umsetzung, Kontrolle und Standardisierung bearbeitet.

Arbeitsschritt 1: AI-Autodokumentation vorbereiten

KI-gestützte Metadatenanreicherung kontrolliert, sicher und mit klarer Erwartung einsetzen.

1. 1. Ausgangslage klären: KI-gestützte Metadatenanreicherung kontrolliert, sicher und mit klarer Erwartung einsetzen.
2. 2. Vorbereitung abschließen: Zulässige Inhalte, Konfiguration, Rollen, Beispielobjekte und Qualitätskriterien festlegen.
3. 3. Konfiguration und Umsetzung durchführen: Funktion aktivieren, geeignete Assets auswählen und eine erste Beschreibung erzeugen.
4. 4. Ergebnis kontrollieren: Ausgabe auf fachliche Richtigkeit, Halluzinationen, sensible Inhalte und Schreibstandard prüfen.
5. 5. Vorgehen standardisieren: Freigabepflicht, Kennzeichnung und Wiederholungsregeln für KI-Vorschläge definieren.

Praxisaufgabe: Eine kontrollierte Testserie wird mit unterschiedlich gut dokumentierten Objekten durchgeführt.

Arbeitsschritt 2: KI-gestützte Beschreibungen und Begriffe

Vorschläge für Tabellen, Spalten und Geschäftsbegriffe effizient erzeugen und redaktionell verbessern.

1. 1. Ausgangslage klären: Vorschläge für Tabellen, Spalten und Geschäftsbegriffe effizient erzeugen und redaktionell verbessern.
2. 2. Vorbereitung abschließen: Beispielmenge, Kontextinformationen, Terminologieregeln und Reviewrollen vorbereiten.
3. 3. Konfiguration und Umsetzung durchführen: Beschreibungen erzeugen, Kontext ergänzen, Vorschläge bearbeiten und zur Freigabe übergeben.
4. 4. Ergebnis kontrollieren: Konsistenz, Verständlichkeit, Begriffstreue und fachliche Belegbarkeit mit einer Bewertungsmatrix prüfen.
5. 5. Vorgehen standardisieren: Prompts, Reviewkriterien und Annahmequote als kontinuierlichen Verbesserungsprozess dokumentieren.

Praxisaufgabe: Mehrere KI-Vorschläge werden bewertet, korrigiert und in freigabefähige Metadaten überführt.

Arbeitsschritt 3: Qualitätssicherung für KI-Vorschläge

KI-generierte Inhalte durch nachvollziehbare menschliche Prüfung belastbar machen.

1. 1. Ausgangslage klären: KI-generierte Inhalte durch nachvollziehbare menschliche Prüfung belastbar machen.
2. 2. Vorbereitung abschließen: Risikoklassen, Prüftiefe, Vier-Augen-Prinzip und Ablehnungsgründe festlegen.
3. 3. Konfiguration und Umsetzung durchführen: Vorschläge klassifizieren, Belege prüfen, Änderungen dokumentieren und Status setzen.
4. 4. Ergebnis kontrollieren: Fehlermuster, Akzeptanzquote und wiederkehrende Korrekturen auswerten.
5. 5. Vorgehen standardisieren: Reviewleitfaden, Stichprobenplan und Verantwortlichkeit für produktive Nutzung festschreiben.

Praxisaufgabe: Ein Review-Backlog wird priorisiert und anhand einheitlicher Kriterien abgearbeitet.

Arbeitsschritt 4: Assets dokumentieren und Kontext anreichern

Technische Objekte um verständliche fachliche Beschreibungen, Verantwortungen und Nutzungshinweise ergänzen.

1. 1. Ausgangslage klären: Technische Objekte um verständliche fachliche Beschreibungen, Verantwortungen und Nutzungshinweise ergänzen.
2. 2. Vorbereitung abschließen: Pflichtfelder, Schreibregeln, Zuständigkeiten und Qualitätskriterien für Beschreibungen definieren.
3. 3. Konfiguration und Umsetzung durchführen: Beschreibungen, Eigentümer, Tags, Custom Fields und Verknüpfungen an repräsentativen Assets pflegen.
4. 4. Ergebnis kontrollieren: Verständlichkeit, Eindeutigkeit, Aktualität und Wiederverwendbarkeit anhand einer Qualitätsmatrix prüfen.
5. 5. Vorgehen standardisieren: Redaktionsprozess, Reviewintervall und Pflegeverantwortung verbindlich festlegen.

Praxisaufgabe: Ein unvollständig dokumentiertes Datenobjekt wird bis zur fachlich freigegebenen Katalogseite ausgebaut.

Praxisübungen

1. Übung 1: Testserie mit unterschiedlich dokumentierten Tabellen und Spalten.
2. Übung 2: Redaktionelle Überarbeitung widersprüchlicher KI-Vorschläge.
3. Übung 3: Aufbau einer Bewertungsmatrix für Annahme und Ablehnung.

Arbeitsunterlagen und Praxisartefakte

Im Seminar entstehen wiederverwendbare Arbeitsunterlagen für Planung, Umsetzung, Qualitätssicherung und Betrieb.

• AI-Nutzungsleitlinie
• Reviewcheckliste
• Bewertungsmatrix
• Beispielkorpus freigegebener Beschreibungen