Kursbeschreibung
Viele Organisationen sammeln Daten, aber KI-Ergebnisse bleiben unzuverlässig, teuer oder nicht reproduzierbar. In diesem Seminar baust Du eine KI-Datenstrategie, die genau diese Brüche schließt. Du beginnst mit der Übersetzung von KI-Use-Cases in Datenprodukte: Du definierst, welche Domäne welche Daten verantwortet, wie Daten konsumiert werden und welche KPIs den Nutzen belegen. Damit schaffst Du eine gemeinsame Sprache zwischen Fachbereich, Data Engineering, Analytics und Machine Learning. Danach triffst Du Architekturentscheidungen mit Blick auf Skalierung und Betrieb. Du lernst, wann ein Lakehouse Vorteile bringt, wann ein Data Warehouse die bessere Wahl ist und unter welchen Bedingungen Data Mesh wirklich hilft. Du wählst Ingestion-Muster wie Batch, Streaming oder CDC und verstehst, wie sie sich auf Aktualität, Fehlertoleranz und Kosten auswirken. Ergänzend behandelst Du die Rolle einer semantischen Schicht für konsistente Kennzahlen und wie Feature Store Grundlagen die Wiederverwendung von Features über Teams hinweg ermöglichen. Verlässlichkeit entsteht durch messbare Qualität und Transparenz. Du setzt Data Contracts auf, definierst Tests und Validierungen und baust Observability auf, inklusive Lineage, Monitoring und klaren Incident-Prozessen. Governance und Security werden als Designprinzip umgesetzt: Rollenmodell, RBAC und ABAC, Least Privilege, sowie DSGVO-Anforderungen wie Zweckbindung, Löschung und Protokollierung. Du ordnest außerdem ein, welche organisatorischen und dokumentarischen Pflichten aus dem EU AI Act entstehen können. Zum Schluss verzahnst Du DataOps und MLOps: Versionierung von Daten, Features und Modellen, Reproduzierbarkeit, Drift-Erkennung, Release-Strategien und FinOps für Kostenkontrolle. Du verlässt das Seminar mit einer priorisierten Roadmap und einem 90-Tage-Plan, der realistisch in Deinem Umfeld umsetzbar ist.
Zielgruppe
- Data und Analytics Leads, Data Product Owner
- IT-Architektinnen und IT-Architekten, Plattformverantwortliche
- Data Engineers, ML Engineers, MLOps-Verantwortliche
- Fachbereichsverantwortliche mit KI-Roadmap
- Für alle, die KI-Projekte über Daten, Governance und Betrieb skalierbar aufbauen wollen.
Voraussetzung für die Schulung
- Grundverständnis von Datenpipelines, Datenplattformen oder BI/Analytics.
- Erste Berührung mit KI-Use-Cases oder Machine Learning ist hilfreich, aber nicht zwingend.
Kursinhalte
- 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
