Ausgangslage
KI-Vorhaben scheitern an Daten, die verstreut, undokumentiert oder schlecht gepflegt sind. Jeder neue Use Case beginnt mit wochenlanger Datensuche.
Ablauf
- BestandsaufnahmeDatenquellen, Qualität, Verantwortliche und Lücken erfassen, ausgehend von den priorisierten Use Cases.
- ZielarchitekturPlattform, Datenmodell und Zugriffskonzept festlegen.
- AufbauPipelines, Katalog und Qualitätsprüfungen für die ersten Datenbereiche umsetzen.
- DatenverantwortungRollen und Pflegeprozesse in den Fachbereichen verankern.
Ergebnisse
- Datenplattform für die ersten Use Cases
- Datenkatalog
- Automatisierte Qualitätsprüfungen
- Rollenmodell für Datenverantwortung
Woran solche Projekte scheitern
- Die Plattform wird ohne konkreten Use Case gebaut und findet keine Nutzer.
- Datenqualität wird als IT-Thema behandelt, obwohl sie im Fachbereich entsteht.
- Unstrukturierte Daten wie Dokumente und E-Mails werden vergessen.
Rollen in diesem Projekt
- Data EngineerDer Data Engineer baut und betreibt die Pipelines und Plattformen, die KI-Systeme zuverlässig mit Daten versorgen.
- Data Curation LeadDer Data Curation Lead verantwortet, dass Daten für Analytik und KI auffindbar, dokumentiert, nachvollziehbar und in geprüfter Qualität vorliegen.
- Data AnalystDer Data Analyst wertet Daten aus, prüft sie auf Plausibilität und macht Ergebnisse für Entscheider sichtbar.
- AI ArchitectDer AI Architect entwirft die Gesamtarchitektur von KI-Lösungen über Daten, Modelle, Software, Plattform und Sicherheit hinweg.
- MLOps EngineerDer MLOps Engineer baut und betreibt Prozesse, Werkzeuge und Automatisierung für den gesamten Lebenszyklus von Modellen in Produktion, vom Training über das Deployment bis zur Überwachung.