KKC_0103 | KI-Datenstrategie: Skalierbar statt Chaos

Eine KI-Initiative scheitert selten am Modell, sondern an Daten, Zuständigkeiten und einem Betrieb, der nicht mitwächst. In diesem Seminar bauen Sie eine KI-Datenstrategie auf, die von konkreten Use Cases ausgeht und daraus belastbare Datenprodukte ableitet. Sie lernen, wie Sie Wert und Machbarkeit priorisieren, Domänen sinnvoll schneiden und für jedes Datenprodukt klare Erwartungen definieren, inklusive Schnittstellen, SLAs und messbaren KPIs.

Darauf aufbauend treffen Sie Architekturentscheidungen, die Skalierung ermöglichen: Wann passt ein Lakehouse, wann ein Data Warehouse, wann ist Data Mesh sinnvoll? Sie bewerten Ingestion-Muster wie Batch, Streaming und CDC und verstehen, wie eine semantische Schicht sowie Feature Store Grundlagen die Wiederverwendung für Analytics und Machine Learning verbessern. Ein zentraler Teil ist Verlässlichkeit: Sie etablieren Datenqualität mit Data Contracts, automatisierten Checks und einem Observability-Ansatz, der Lineage, Monitoring und Incident-Prozesse umfasst.

Ergänzend klären Sie Governance, Security und Compliance, von Rollenmodellen über RBAC und ABAC bis zu DSGVO-Anforderungen wie Zweckbindung, Löschung und Protokollierung. Sie ordnen ein, welche Dokumentations- und Risikothemen aus dem EU AI Act praktisch relevant werden. Zum Abschluss verbinden Sie DataOps und MLOps zu einem Betriebsmodell mit Versionierung von Daten, Features und Modellen, Drift-Erkennung, Release-Strategien und FinOps-Grundlagen.

Ergebnis ist eine realistische Roadmap inklusive 90-Tage-Plan für den Aufbau in Ihr Organisation.

• KI-Use-Cases nach Wert und Machbarkeit priorisieren
• Domänen und Datenprodukte mit Schnittstellen, SLAs und KPIs definieren
• Lakehouse, Data Warehouse und Data Mesh passend auswählen
• Batch, Streaming und Change Data Capture als Ingestion-Muster bewerten
• Semantische Schichten und Feature Stores für Wiederverwendung planen
• Data Contracts, automatische Qualitätschecks und Lineage etablieren
• Monitoring, Incident-Prozesse und klare Ownership gestalten

Das Seminar richtet sich an Data-Architekt/innen, Chief Data Officer, Datenmanager/innen, KI-Verantwortliche sowie Fach- und Führungskräfte aus Data Engineering, Analytics und IT-Governance.

Grundkenntnisse in Datenarchitektur, Data Engineering oder Datenmanagement werden vorausgesetzt. Erfahrungen mit Analytics- oder KI-Projekten sind hilfreich.

• Von Use Case zu Datenprodukt
  • KI-Use-Cases priorisieren mit Wert und Machbarkeit
  • Domänen zuschneiden, Verantwortlichkeiten festlegen
  • Data Product Canvas: Inputs, Outputs, SLAs
  • Erfolg messbar machen mit KPIs und Guardrails
• Architekturentscheidungen, die skalieren
  • Lakehouse, Data Warehouse, Data Mesh: Entscheidungskriterien
  • Batch, Streaming, CDC: passende Ingestion-Muster
  • Semantische Schicht und Feature Store Grundlagen
  • Build vs. Buy: Plattform- und Tool-Auswahl
• Datenqualität, Observability und Verlässlichkeit
  • Qualitätsdimensionen und Data Contracts
  • Tests, Validierungen und automatisierte Checks
  • Lineage, Monitoring, Incident-Prozesse
  • Golden Datasets und Reproduzierbarkeit
• Governance, Security und Compliance für KI
  • Rollenmodell: Data Owner, Steward, Platform Team
  • Zugriffsmodelle: RBAC, ABAC, Least Privilege
  • DSGVO: Zweckbindung, Löschkonzepte, Protokollierung
  • EU AI Act: Risikoklassen, Dokumentationspflichten
• Operationalisierung: MLOps trifft DataOps
  • Versionierung von Daten, Features und Modellen
  • Trainingsdaten-Pipelines und Drift-Erkennung
  • Release-Strategien, Rollback, Canary
  • FinOps: Kostenmodelle und Kapazitätsplanung
• Roadmap, Organisation und Change
  • Operating Model: Produktteams vs. Plattformteams
  • Backlog, Priorisierung und Stakeholder-Management
  • Skill-Matrix und Enablement-Plan
  • 90-Tage-Plan für den Aufbau