Seminar One Data – AI-ready Data und vertrauenswürdige KI-Datenbasis

KI-Anwendungen benötigen mehr als technisch erreichbare Daten. Herkunft, Bedeutung, Qualität, Aktualität, Schutzbedarf und zulässige Nutzung müssen nachvollziehbar sein, damit Daten zuverlässig für Analysen, Retrieval-Strecken und Agenten eingesetzt werden können.

Das Seminar zeigt, wie kontextreiche und governed Datenprodukte aufgebaut, geprüft, vertraglich abgesichert und im Betrieb überwacht werden. Fachliche Semantik, Lineage und Qualitätsnachweise bilden dabei eine gemeinsame Grundlage.

Inhaltsverzeichnis

1. Zielgruppe
2. Voraussetzungen
3. Seminarziele
4. Seminarinhalte
5. Kapitel 1: Kriterien für AI-ready Data bestimmen
6. Kapitel 2: Metadatenmodell und fachlicher Kontext
7. Kapitel 3: Kontextreiche Datenprodukte für KI-Anwendungen spezifizieren
8. Kapitel 4: Schema-, Qualitäts-, Aktualitäts- und SLA-Regeln
9. Kapitel 5: Qualität, Eignung und Risiko validieren
10. Kapitel 6: AI-ready Datenprodukte überwachen und ändern
11. Praxisübungen
12. Methodik

Zielgruppe

• Data Engineers
• Data Scientists und AI Engineers
• Data Product Owner
• Data Governance und Informationssicherheit

Voraussetzungen

• Grundkenntnisse zu Datenprodukten und Datenqualität
• Grundverständnis typischer KI- oder Analytics-Anwendungsfälle

Seminarziele

• AI-Readiness als überprüfbaren Kriterienkatalog definieren
• fachliche Semantik, Lineage und Einschränkungen am Datenprodukt dokumentieren
• Qualitäts-, Freshness- und Schutzbedarfsregeln formulieren
• Eignung und Risiken eines Datenprodukts für einen KI-Anwendungsfall bewerten
• Änderungen und Drift kontrolliert überwachen

Seminarinhalte

Die Inhalte werden in aufeinander aufbauenden Kapiteln bearbeitet. Jeder Arbeitsschritt wird anhand eines durchgängigen Szenarios nachvollzogen und anschließend praktisch überprüft.

1. Kriterien für AI-ready Data bestimmen

Inhaltsverzeichnis dieses Kapitels: Vertrauenswürdigkeit; Semantik und Kontext; Governance; technische Bereitstellbarkeit.

1. Schritt 1: Der konkrete KI-Anwendungsfall und die daraus entstehenden Datenanforderungen werden beschrieben.
2. Schritt 2: Kriterien für Herkunft, Qualität, Aktualität, Repräsentativität, Schutzbedarf und zulässige Nutzung werden festgelegt.
3. Schritt 3: Benötigter fachlicher Kontext, Begriffe, Beziehungen und Einschränkungen werden definiert.
4. Schritt 4: Die technische Bereitstellung für Training, Retrieval, Agenten oder Analysen wird mit klaren Schnittstellen geplant.

2. Metadatenmodell und fachlicher Kontext

Inhaltsverzeichnis dieses Kapitels: technische Metadaten; fachliche Begriffe; Ownership und Domänen; Beziehungen zwischen Assets.

1. Schritt 1: Die vorhandenen technischen und fachlichen Metadatenarten werden inventarisiert.
2. Schritt 2: Quellsysteme, Schemata, Tabellen, Felder, Berichte und Datenprodukte werden in ein konsistentes Strukturmodell eingeordnet.
3. Schritt 3: Geschäftsbegriffe, Verantwortliche, Domänen und Verwendungszwecke werden den technischen Assets zugeordnet.
4. Schritt 4: Mindestanforderungen an Vollständigkeit, Pflege und Freigabe der Metadaten werden definiert.

3. Kontextreiche Datenprodukte für KI-Anwendungen spezifizieren

Inhaltsverzeichnis dieses Kapitels: Geschäftssemantik; Lineage; Data Contract; Verwendungsgrenzen.

1. Schritt 1: Relevante Geschäftsbegriffe, KPI-Definitionen und Bedeutungsunterschiede werden explizit dokumentiert.
2. Schritt 2: Herkunft und Transformationen der Daten werden über Lineage nachvollziehbar gemacht.
3. Schritt 3: Schema, Qualität, Freshness, Ownership und Serviceerwartungen werden vertraglich festgelegt.
4. Schritt 4: Zulässige Nutzung, bekannte Verzerrungen, Ausschlüsse und Interpretationsgrenzen werden am Produkt hinterlegt.

4. Schema-, Qualitäts-, Aktualitäts- und SLA-Regeln

Inhaltsverzeichnis dieses Kapitels: Schemaanforderungen; Qualitätsschwellen; Freshness; Serviceerwartungen.

1. Schritt 1: Pflichtfelder, Datentypen, Schlüssel, erlaubte Werte und strukturelle Abhängigkeiten werden definiert.
2. Schritt 2: Messbare Qualitätsregeln für Vollständigkeit, Eindeutigkeit, Konsistenz und fachliche Plausibilität werden formuliert.
3. Schritt 3: Aktualisierungsfrequenz, maximale Verzögerung und tolerierbare Ausfallzeiten werden festgelegt.
4. Schritt 4: Die Regeln werden mit Beispielwerten getestet und auf technische Messbarkeit sowie fachliche Relevanz geprüft.

5. Qualität, Eignung und Risiko validieren

Inhaltsverzeichnis dieses Kapitels: Datenprofiling; fachliche Prüfungen; Bias- und Schutzbedarfsprüfung; Freigabe.

1. Schritt 1: Datenverteilungen, Ausreißer, fehlende Werte, Dubletten und zeitliche Abdeckung werden untersucht.
2. Schritt 2: Fachliche Plausibilitätsregeln werden mit repräsentativen Beispielen und Grenzfällen getestet.
3. Schritt 3: Schutzbedarf, mögliche Verzerrungen, unzulässige Merkmale und regulatorische Einschränkungen werden bewertet.
4. Schritt 4: Die Eignung wird mit dokumentierten Nachweisen, akzeptierten Restrisiken und klarer Freigabeentscheidung bestätigt.

6. AI-ready Datenprodukte überwachen und ändern

Inhaltsverzeichnis dieses Kapitels: Freshness und Qualität; Schema Drift; Modell- und Agentenabhängigkeiten; Versionierung.

1. Schritt 1: Laufende Qualitäts- und Aktualitätskontrollen werden für die kritischen Datenmerkmale eingerichtet.
2. Schritt 2: Schema Drift, neue Kategorien und veränderte Verteilungen werden als potenziell KI-relevante Änderungen erkannt.
3. Schritt 3: Abhängige Modelle, Retrieval-Strecken, Agenten und Berichte werden vor Änderungen ermittelt.
4. Schritt 4: Neue Versionen werden kontrolliert getestet, kommuniziert und mit Rückfallmöglichkeit veröffentlicht.

Praxisübungen

• AI-Readiness-Checkliste für einen Retrieval- oder Agenten-Anwendungsfall erstellen
• Geschäftsbegriffe, Lineage und Verwendungsgrenzen eines Beispielprodukts ergänzen
• Messbare Qualitäts- und Freshness-Regeln mit Grenzwerten definieren
• Eignungsprüfung mit dokumentierten Risiken und Freigabeentscheidung durchführen

Methodik

Trainergeführte Erläuterungen, strukturierte Demonstrationen, fachliche und technische Fallstudien sowie praktische Übungen werden miteinander kombiniert. Prüflisten, Rollenmodelle, Spezifikationen und Betriebsabläufe entstehen direkt aus den Übungsfällen und werden im Seminar gemeinsam kontrolliert.