Seminar Dataedo AI Governance und AI-Datenherkunft

Das Seminar zeigt, wie KI-Anwendungsfälle, Modelle, Trainings- und Feature-Daten als überprüfbare Governance- und Herkunftskette dokumentiert werden. 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-Use-Cases und Governance-Inventar
6. Arbeitsschritt 2: Domänen und Verantwortungsräume
7. Arbeitsschritt 3: Data Products definieren und publizieren
8. Arbeitsschritt 4: Datenherkunft für KI und analytische Modelle
9. Arbeitsschritt 5: Impact Analysis und Ursachenanalyse
10. Arbeitsschritt 6: Qualitätssicherung für KI-Vorschläge
11. Praxisübungen
12. Arbeitsunterlagen und Praxisartefakte

Lernziele

• Ein belastbares Inventar für KI-Anwendungsfälle und Modelle entwerfen.
• Verantwortungen, Nachweise und Lebenszyklusstatus dokumentieren.
• Trainings-, Feature- und Ausgabedaten in einer Herkunftskette verbinden.
• Lücken und kritische Abhängigkeiten mit Impact Analysis bewerten.
• Review- und Freigabeschritte für AI-Metadaten etablieren.

Zielgruppen und Rollen

AI Governance, Model Risk Management, Data Governance, Data Science, Compliance, Data Architecture und Data Stewardship.

Voraussetzungen

Grundverständnis von Data Governance sowie von Datenflüssen in analytischen oder KI-basierten Lösungen.

Seminarinhalte

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

Arbeitsschritt 1: AI-Use-Cases und Governance-Inventar

KI-Anwendungsfälle, Modelle und zugehörige Datenbestände als steuerbare Governance-Objekte erfassen.

1. 1. Ausgangslage klären: KI-Anwendungsfälle, Modelle und zugehörige Datenbestände als steuerbare Governance-Objekte erfassen.
2. 2. Vorbereitung abschließen: Inventarstruktur, Risikofelder, Verantwortliche, Status und erforderliche Nachweise definieren.
3. 3. Konfiguration und Umsetzung durchführen: Use Cases dokumentieren und mit Datenquellen, Domänen, Begriffen sowie Eigentümern verknüpfen.
4. 4. Ergebnis kontrollieren: Vollständigkeit, Verantwortungszuordnung und Nachweisstatus mit einem Kontrollschema prüfen.
5. 5. Vorgehen standardisieren: Freigabe, regelmäßige Überprüfung und Stilllegung als Lebenszyklus festlegen.

Praxisaufgabe: Ein beispielhafter KI-Anwendungsfall wird vom Inventareintrag bis zur Governance-Freigabe dokumentiert.

Arbeitsschritt 2: Domänen und Verantwortungsräume

Datenbestände in nachvollziehbare fachliche Verantwortungsbereiche gliedern.

1. 1. Ausgangslage klären: Datenbestände in nachvollziehbare fachliche Verantwortungsbereiche gliedern.
2. 2. Vorbereitung abschließen: Domänenschnitt, Kriterien, Eigentümer, Steward-Rollen und Übergabepunkte festlegen.
3. 3. Konfiguration und Umsetzung durchführen: Domänen anlegen, Assets zuordnen und Verantwortlichkeiten auf den Objektseiten sichtbar machen.
4. 4. Ergebnis kontrollieren: Überschneidungen, Lücken und nicht zugeordnete Assets mit einer Domänenmatrix prüfen.
5. 5. Vorgehen standardisieren: Änderungs- und Konfliktverfahren für Domänengrenzen vereinbaren.

Praxisaufgabe: Ein organisationsweiter Datenbestand wird in fachliche Domänen mit klaren Übergängen gegliedert.

Arbeitsschritt 3: Data Products definieren und publizieren

Wiederverwendbare Datenangebote mit Zweck, Vertrag, Qualitätsaussage und Verantwortlichkeit beschreiben.

1. 1. Ausgangslage klären: Wiederverwendbare Datenangebote mit Zweck, Vertrag, Qualitätsaussage und Verantwortlichkeit beschreiben.
2. 2. Vorbereitung abschließen: Produktvorlage, Zielgruppe, Eingänge, Ausgänge, Servicekriterien und Freigabestatus festlegen.
3. 3. Konfiguration und Umsetzung durchführen: Ein Data Product anlegen, relevante Assets bündeln und Nutzungshinweise dokumentieren.
4. 4. Ergebnis kontrollieren: Vollständigkeit, Verständlichkeit, Qualitätsnachweis und Zugriffsweg aus Verbrauchersicht testen.
5. 5. Vorgehen standardisieren: Lebenszyklus, Versionierung und Produktverantwortung als Standard definieren.

Praxisaufgabe: Aus mehreren Datenobjekten wird ein konsumierbares Data Product mit klarer Leistungsbeschreibung erstellt.

Arbeitsschritt 4: Datenherkunft für KI und analytische Modelle

Trainings-, Feature-, Referenz- und Ausgabedaten in einer nachvollziehbaren Herkunftskette abbilden.

1. 1. Ausgangslage klären: Trainings-, Feature-, Referenz- und Ausgabedaten in einer nachvollziehbaren Herkunftskette abbilden.
2. 2. Vorbereitung abschließen: Datenstufen, Modellartefakte, Transformationen, Qualitätsnachweise und Verantwortliche erfassen.
3. 3. Konfiguration und Umsetzung durchführen: Quellen, Features, Modellschritte und Ausgaben als verknüpfte Assets dokumentieren.
4. 4. Ergebnis kontrollieren: Lücken, zeitliche Gültigkeit, Versionen und kritische Abhängigkeiten anhand einer Kontrollfrage prüfen.
5. 5. Vorgehen standardisieren: Mindestumfang und Aktualisierungsereignisse für AI-Lineage definieren.

Praxisaufgabe: Eine Modellpipeline wird vom Rohdatum bis zur konsumierten Ausgabe als prüfbare Kette modelliert.

Arbeitsschritt 5: Impact Analysis und Ursachenanalyse

Änderungsfolgen sowie Ursachen eines Datenproblems anhand der Lineage systematisch bewerten.

1. 1. Ausgangslage klären: Änderungsfolgen sowie Ursachen eines Datenproblems anhand der Lineage systematisch bewerten.
2. 2. Vorbereitung abschließen: Analyseobjekt, Änderungsart, Reichweite, Kritikalität und betroffene Rollen festlegen.
3. 3. Konfiguration und Umsetzung durchführen: Upstream- und Downstream-Pfade verfolgen, betroffene Assets sammeln und Abhängigkeiten priorisieren.
4. 4. Ergebnis kontrollieren: Ergebnisse mit Systemwissen, Eigentümern und Stichproben gegen die reale Verarbeitung abgleichen.
5. 5. Vorgehen standardisieren: Ein einheitliches Impact-Protokoll mit Entscheidung, Risiko und Folgemaßnahme definieren.

Praxisaufgabe: Eine geplante Spaltenänderung wird bis zu Berichten und Kennzahlen verfolgt und bewertet.

Arbeitsschritt 6: 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.

Praxisübungen

1. Übung 1: Dokumentation eines KI-Anwendungsfalls mit Risikofeldern und Eigentümern.
2. Übung 2: Modellierung einer Pipeline von Rohdaten bis Modellausgabe.
3. Übung 3: Bewertung einer Datenänderung auf Modell und konsumierende Anwendung.

Arbeitsunterlagen und Praxisartefakte

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

• AI-Governance-Inventar
• Verantwortungsmatrix
• AI-Lineage-Diagramm
• Kontrollcheckliste
• Reviewprotokoll