Keine Beobachtbarkeit, keine Agenten: Der Schlüssel zur Datenbereitstellung für KI

Hallo zusammen und herzlich willkommen zum TDWI-Webinar-Programm. Mein Name ist Andrew Miller, und ich werde heute als Moderator fungieren. Im heutigen Programm werden wir über das Thema „Keine Beobachtbarkeit, keine Agenten: Der Schlüssel zur Bereitstellung von Daten für KI“ sprechen.

Unsere Sponsoren heute sind Actian und Databricks. Bei unseren heutigen Vorträgen hören wir zunächst einen Beitrag von Evan Levy von TDWI, und im Anschluss an Evans Vortrag werden Emma McGrattan von Actian und Raja Parimal von Databricks zu uns stoßen, um Vorträge zu halten und an einer Podiumsdiskussion teilzunehmen. Bevor ich das Wort an unsere Referenten übergebe, möchte ich kurz auf einige Grundlagen eingehen.

Das heutige Webinar wird etwa eine Stunde dauern, und am Ende ihrer Vorträge werden unsere Referenten eine Frage-und-Antwort-Runde durchführen. Wenn Sie also zu irgendeinem Zeitpunkt während der Vorträge eine Frage stellen möchten, nutzen Sie einfach den Bereich „Frage stellen“ auf Ihrem Bildschirm, um Ihre Frage einzugeben. Sollten während des Webinars technische Probleme auftreten, können Sie auf den Bereich „Technische FAQs“ klicken, um technische Unterstützung zu erhalten.

Und falls Sie eine Kopie der heutigen Präsentation wünschen, können Sie im Ressourcenfenster ein PDF herunterladen. Zu guter Letzt zeichnen wir die heutige Veranstaltung auf und senden Ihnen per E-Mail einen Link zu einer archivierten Version zu, damit Sie sich die Präsentation später noch einmal ansehen können, falls Sie möchten, oder sie gegebenenfalls an einen Kollegen weiterleiten können. Wie bereits erwähnt, werden wir heute über das Thema „No Beobachtbarkeit, No Agents: Der Schlüssel zur Bereitstellung von Daten für KI“ sprechen.

Und unser erster Referent ist Evan Levy. Er ist wissenschaftlicher Mitarbeiter bei TDWI und Partner bei Integral Data LLC. Evan ist Unternehmensberater in den Bereichen Unternehmensdatenstrategie, Datenmanagement, Analytik und Systemintegration.

Er berät Kunden zu Strategien, mit denen sie geschäftliche Herausforderungen mithilfe ihrer vorhandenen Daten und technologischen Ressourcen sowie neuer und kreativer Methoden und Vorgehensweisen bewältigen können. Mit mehr als 25 Jahren Erfahrung in der Kundenberatung leitet Evan Kurse und Workshops, in denen er praktische, aus der Praxis stammende Erfahrungen vermittelt, um Herausforderungen zu meistern und den Erfolg in den Bereichen IT und Geschäft zu sichern. In diesem Sinne heißen Sie bitte Evan herzlich willkommen, und ich übergebe nun das Wort an ihn.

Danke, Andrew. Es ist toll, hier zu sein. Ich freue mich schon sehr auf die Diskussion, die wir heute führen werden.

Man müsste sich schon einige Monate oder Jahre lang außerhalb des Planeten versteckt halten, um nicht zu wissen, wie wichtig es ist, nicht nur die Entwicklung der KI voranzutreiben, sondern auch all die Abhängigkeiten und Herausforderungen anzugehen, mit denen wir uns beschäftigen – denn KI ist in vielen Fällen nur so leistungsfähig wie die Daten, aus denen sie lernen, die sie analysieren und mit denen sie arbeiten kann. Vor diesem Hintergrund werde ich heute im Rahmen unseres Gesprächs auf einige verschiedene Themen und Konzepte eingehen, bevor wir zur Podiumsdiskussion übergehen. Das erste Thema ist natürlich: Was versteht man unter Beobachtbarkeit Semantik?

Für diejenigen unter Ihnen, die neu auf diesem Gebiet sind – natürlich sind Sie wahrscheinlich keine Neulinge in Sachen KI, sondern es geht um die Frage, was Beobachtbarkeit Semantik eigentlich sind. Wir werden einige Datenpunkte durchgehen, die TDWI Research im Rahmen seiner Umfragen ermittelt hat. Und für diejenigen unter Ihnen, die es noch nicht wissen: TDWI Research führt im Laufe des Jahres tatsächlich eine ganze Reihe von Umfragen durch, um stets über die aktuellen Trends, Interessen und Ideen unserer Mitglieder auf dem Laufenden zu bleiben.

In unserer Podiumsdiskussion werden wir auf einige dieser Herausforderungen eingehen und anschließend natürlich erläutern, wie Actian und Databricks dazu beitragen können, einige dieser Herausforderungen zu bewältigen und anzugehen. Lassen Sie mich daher nun zu einem sehr einfachen Diagramm übergehen. Wenn wir über das Konzept der Beobachtbarkeit sprechen, denkt man natürlich zuerst an Datenqualität, aber es geht um mehr als das.

Wenn wir uns eine typische Umgebung ansehen, gibt es eine ganze Reihe von Quellsystemen – sei es bei lokalen Umgebungen, Dateninhalten von Drittanbietern, Abonnement- oder syndizierten Marktforschungsdaten sowie Cloud Anwendungen. Und zwangsläufig ist der Aufwand für die Beschaffung dieser Daten nicht unerheblich. Daher ist bereits ganz am Anfang ein Teil Ihrer Datenlieferkette vorhanden.

Was muss ich tun, um die Daten zu erfassen, zu sammeln oder zu erhalten? Anschließend überführe ich sie in meine zentralen Repositorien oder Analyseplattformen und/oder abfragen Berichtssysteme. Es gibt also eine ganze Reihe von Diensten und Funktionen, die erforderlich sind, um diese Daten zu transformieren, zu bereinigen und zu bearbeiten, bevor sie in diese Umgebung übernommen werden können.

Das Konzept der Beobachtbarkeit man, während die Daten die Lieferkette durchlaufen, tatsächlich in der Lage ist, diese zu messen und zu überwachen – im Grunde genommen nach dem Prinzip einer Prüfung oder Inspektion –, denn man möchte die auftretenden Herausforderungen oder Fehler erkennen und identifizieren. Das können beispielsweise unerwartete Daten oder Werte sein oder auch Probleme bei der Transformation oder Bereinigung. Man möchte diese so schnell wie möglich erkennen, anstatt darauf zu warten, dass jemand einen Bericht erstellt, nur um dann festzustellen, dass Daten fehlen.

Dann möchte ich natürlich, dass diese Daten für die Analyse- und KI-Umgebung aufbereitet und nutzbar sind, denn es ist eine Sache, wenn ich mir einen Bericht ansehe, um nach einem einzelnen Ereignis zu suchen. Wenn ich eine fehlerhafte Aufzeichnung habe, wird dieser Bericht problematisch. Die Herausforderung bei der KI besteht darin, dass sie Zehntausende, Hunderttausende oder sogar Hunderte von Millionen von Ereignissen und Details auswertet, und wenn wir tatsächlich einen Fehler gemacht haben, könnte es durchaus zu sogenannten „Halluzinationen“ oder ungenauen Angaben kommen, was wiederum zu falschen Schlussfolgerungen führt.

Damit all diese Teile zusammenwirken, spielt auch der Aspekt der Data Governance eine Rolle, der unter anderem einen Datenkatalog, die Datenherkunft und weitere Details umfasst, damit man weiß, woher die Daten stammen. Wenn wir also über das Konzept der Beobachtbarkeit sprechen, geht es uns im Grunde darum, die Daten über die gesamte Lieferkette hinweg nachverfolgen zu können und über die entsprechenden Details zu verfügen, um zu wissen: Welche Zwischenstationen und/oder Änderungen könnten möglicherweise auftreten oder sind tatsächlich aufgetreten? Und die gesamte Prämisse der Semantik liegt darin, wie wir diese Elemente oder diese Datenattribute bezeichnen, während sie sich durch das System bewegen, denn in manchen Fällen könnten sie tatsächlich ihren Namen ändern, weil wir Berechnungen durchführen, die sich mit Dingen wie Umsatz und Kosten befassen oder die Rentabilität ermitteln.

Wann also stehen diese Elemente und Details zur Verfügung, sind bekannt und werden verstanden? Und noch einmal: All dies ist in vielen Fällen ein zusammenhängendes Ganzes. Man braucht das eine, um das andere zu haben, und man braucht das andere, um das eine zu haben.

Aber der Begriff der Beobachtbarkeit nicht nur auf das Laden oder die Aufbereitung von Daten. Es gibt dieses Missverständnis, dass es bei der Beobachtbarkeit nur um diesen Aspekt geht, dabei erstreckt sie sich tatsächlich vom Ursprung oder der Erstellung bis hin zur Nutzung und Verwertung der Daten, damit wir Erfolge erkennen und/oder Herausforderungen identifizieren können. Wenn ich Ihnen die formale Definition von Beobachtbarkeit nenne, dann ist das natürlich die Fähigkeit, den Zustand und die Qualität von Daten im Datensystem eines Unternehmens zu verstehen, zu überwachen und Fehler zu beheben.

Also noch einmal: Die Datenqualität ist natürlich ein zentraler Bestandteil, aber sie ist nicht der einzige Faktor. Es geht wirklich darum, sicherzustellen: Verfüge ich über die Daten, die ich brauche? Sind sie für den jeweiligen Zweck geeignet?

Und ist er für die zu erledigende Aufgabe und Tätigkeit geeignet? Es geht also um Aktualität. Wie aktuell sind die Inhalte?

Die Datenmengen – ist der Detaillierungsgrad ausreichend? Es herrscht die Vorstellung, dass man mit KI alles herausfinden kann. Die Herausforderung besteht darin, dass man – wenn nicht genügend historische Daten oder Details vorliegen – keine Analysen durchführen und kein tieferes Verständnis erlangen kann und auch nicht in der Lage ist, sich mit Themen wie Vorhersagen und einigen der mathematischen Aspekte zu befassen, für die wirklich viele Details erforderlich sind.

Ganz klar: die Verteilung. Das Konzept ist ziemlich einfach: Liegen die Daten, die ich erhalte, innerhalb eines erwarteten Bereichs und einer erwarteten Werteverteilung, oder habe ich es mit etwas zu tun, das aus dem Rahmen fällt und das ich nicht erwartet habe? Das Schema ergibt sich natürlich aus der Art und Weise, wie es konzipiert wurde, und wie die einzelnen Elemente zueinander in Beziehung stehen.

Dann die Herkunft der Daten – wie bereits besprochen: Woher stammen sie? Wer hat sie bearbeitet, und wie könnten sie sich verändert haben? Es geht also nicht nur darum, ob die Daten das Geschehene widerspiegeln.

Ist es korrekt und verständlich? Kenne ich die Formate, die Details und die Darstellungen? Lassen Sie mich also ganz kurz auf einige Datenpunkte eingehen, die die TWRI-Forschung zutage gefördert hat, sowie auf Fragen, die wir stellen – und zwar im Rahmen der diesjährigen, oder pardon, Bereitschaft für 2025.

Mein Unternehmen verfügt über Systeme, die sicherstellen, dass Daten leicht zugänglich sind und aus verschiedenen Quellen integriert werden können, darunter interne und externe Datensätze für Analyse- und KI-Anwendungen. Und worauf ich alle hinweisen möchte, ist, dass es sich bei einem Großteil der KI und der damit verbundenen Analysen nicht immer nur um unternehmensinterne oder interne Inhalte handelt. Manchmal müssen diese mit Inhalten von Drittanbietern und/oder externen Inhalten zusammengeführt oder vermischt werden.

Aber in diesem speziellen Fall haben wir alle gefragt: „Stimmt ihr dieser Aussage zu oder nicht? Und wenn nicht, wo liegen die Grauzonen?“ Wie ihr sehen könnt, stimmen 15,33 % überhaupt nicht zu.

Sie haben die Voraussetzungen noch nicht geschaffen. 15 % mehr sind anderer Meinung. Die Neutralen sind, nun ja, weder dafür noch dagegen.

Das ist also, ganz kurz gesagt, mehr als die Hälfte. Und was ich euch bei diesen Zahlen bedenken lassen möchte: Es geht nicht darum, dass eine Organisation „rein“ ist. Entweder stimmt man zu oder man stimmt nicht zu.

Tatsächlich stellen wir bei Unternehmen und größeren Organisationen oft fest, dass dies bedeutet, dass mehr als 50 % der Mitarbeiter entweder unsicher sind oder Schwierigkeiten hatten, die Daten zu finden. Es geht also nicht um den Vergleich einer Organisation mit einer anderen, sondern um die unterschiedlichen Bedürfnisse und/oder Gegebenheiten innerhalb einer sehr großen Organisation. Kommen wir zum nächsten Punkt.

Mein Unternehmen verfügt über eine zuverlässige Datenbasis für Analysen. 16 % stimmen dem überhaupt nicht zu, 13 % stimmen nicht zu, 24 % sind neutral. Und siehe da: Wieder einmal haben wir etwas mehr als die Hälfte, die nicht unbedingt über eine zuverlässige Grundlage für alle Analysen und Daten verfügt, die sie tatsächlich benötigen.

Es geht also nicht darum, dass dies böse oder schlecht wäre. Ich denke, es spiegelt vielmehr die zunehmende Reife unseres Umfelds wider. Wir sprechen schon seit vielen Jahren über die Bedeutung von Datenqualität, Beobachtbarkeit, Genauigkeit und Korrektur.

Aber ich glaube, dass KI dieses Thema gerade wegen seiner entscheidenden Bedeutung stärker in den Fokus rückt. Und wenn man potenziell Dutzende oder Hunderte Millionen Datensätze und die dazugehörigen Attribute durchgehen muss, ist es von entscheidender Bedeutung, ein System einzurichten, das in der Lage ist, diese automatisch zu erkennen und zu überprüfen, da man diese Aufgabe nicht einfach mit Personal bewältigen kann. Es gibt einfach zu viele Daten.

Kommen wir nun zum letzten Punkt. Mein Unternehmen verfügt über Datenkompetenz. Sowohl Geschäftsanwender als auch Business-Analysten können Daten nutzen, um Erkenntnisse zu gewinnen.

Und wenn wir den Begriff „Datenkompetenz“ verwenden, geht es darum, Daten in geschäftlichen Gesprächen einsetzen zu können – und darum, ob ein Bewusstsein und ein Verständnis dafür vorhanden ist, was die von uns verwendeten Konzepte, Eigenschaften, Details oder Begriffe tatsächlich bedeuten. Bei dieser konkreten Umfragefrage haben wir festgestellt, dass etwa 70 % „überhaupt nicht zustimmen“ und weitere 16 % „nicht zustimmen“. Das macht also auf Anhieb schon ein Drittel aus.

Und dann gaben weitere 20, also fast 28 %, an, dass beides nicht zutrifft. Wenn wir uns das also genauer ansehen, lässt sich feststellen, dass 40 % der Mitarbeiter datenkompetent sind, ein Großteil jedoch nicht. Das ist also eindeutig ein Bereich, in den auch bei Einsatz von KI in gewissem Umfang investiert werden muss.

Damit die Leute verstehen, wenn sie fragen, woher diese Daten stammen – das scheint ja ein eigenartiges oder interessantes Konzept zu sein, das die KI entwickelt hat. Unweigerlich werden sie sagen: „Nun, woher stammen diese Daten? Wie kommen wir zu dieser Schlussfolgerung oder auf diese Idee?“ Und man möchte in der Lage sein, diese Frage zu beantworten.

Ich möchte also nicht den Eindruck erwecken, dass wir nicht schon viel erreicht hätten. Das haben wir natürlich. Aber die Herausforderungen, insbesondere im Bereich der KI, liegen darin, dass KI tendenziell einen umfassenderen und tieferen Bedarf an Inhalten hat.

Und was wir bei vielen unserer Mitglieder beobachtet haben, ist, dass sie nicht nur die Daten nutzen, die sie bereits für ihre Analysen, dashboard Berichte verwendet haben, sondern dass sie diese auch um neue Inhalte ergänzen, die sie aufgrund des besonderen Schwerpunkts und der spezifischen Zwecke der KI-Umgebung bisher möglicherweise nicht genutzt haben. Lassen Sie mich also meine kurze und knappe Erörterung zum Thema Beobachtbarkeit Semantik zusammenfassen bzw. abschließen. Wenn man sich die datenspezifischen Herausforderungen im KI-Umfeld ansieht, wird deutlich, dass Datenqualität und -verfall eine Rolle spielen – und viele vergessen, dass mit zunehmendem Alter der Daten implizit das Problem entsteht, dass sie für den jeweiligen Zweck nicht mehr unbedingt genau sind.

Ich möchte nicht wissen, wie meine Kundentrends vor acht Monaten aussahen, wenn ich mich gerade mit einem Preisproblem befassen muss. Aktualität ist also Teil dieser Qualität und ihres Verfalls. Das gesamte Konzept von Data Governance Zugriffskontrollen.

Wer darf die Daten einsehen? Wer darf die Inhalte ändern und aktualisieren? Aber auch: Die mit diesen Daten verbundenen Regeln.

Darf sich jemand diese Dinge ansehen? Darf er bestimmte Einzelheiten zu Kunden oder Produkten einsehen, oder gibt es Richtlinien, die dem widersprechen oder im Widerspruch dazu stehen? Was das Thema Datenbewusstsein und Datenzugänglichkeit angeht: Wissen wir überhaupt, welche Daten dort vorhanden sind?

Eines der größten Hindernisse, auf die wir tatsächlich stoßen – neben der Datenexpertise und der Genauigkeit bzw. Qualität –, ist die Frage: Sind sich die KI-Entwickler und die KI-Anwender überhaupt aller vorhandenen Datenbestände bewusst? Und wenn Sie sich an die Abbildung erinnern, die ich Ihnen zu Beginn kurz gezeigt habe, gibt es da diese gesamte Data Governance das gesamte Zeitspektrum Data Governance – das heißt, stellen wir sicher, dass die Menschen wissen, welche Rohdaten wir haben, welche bereinigten und rationalisierten Inhalte wir in unsere Analyseplattformen eingegeben haben und welche Daten tatsächlich von den Analysen genutzt werden. Semantische Beständigkeit – und hier sehen Sie mein nettes kleines Diagramm zur Idee von Einkommen, Gewinn, Rendite und Ertrag.

Wissen die Leute, welche Fachbegriffe sie eigentlich verwenden sollten, oder nutzen sie alternative Begriffe oder Synonyme, ohne sich dessen bewusst zu sein? Denn es gibt Fälle, in denen sie damit möglicherweise etwas ganz anderes meinen. Sie verwenden Begriffe, von denen sie glauben, dass sie Synonyme sind oder dasselbe bedeuten, doch tatsächlich handelt es sich um völlig unterschiedliche Konzepte.

Marge und Gewinn können sehr verwirrend sein, wenn man das beispielsweise in seinem Unternehmen nicht klar dargelegt hat. Und schließlich noch etwas, das wir bereits angesprochen haben, nämlich die große Bedeutung der Datenkompetenz. Den Mitarbeitern die Fähigkeit zu vermitteln, die Themen und Probleme, über die man spricht, zu verstehen und einzuordnen, ohne dass es wie eine Ansammlung von Analogien oder Abkürzungen und Begriffen klingt, von denen sie noch nie etwas gehört haben.

Es liegt also auf der Hand, dass die Herausforderung im Bereich der KI im Wesentlichen in der nächsten Stufe der Datenauswertung und usability besteht. In diesem Sinne danke ich Ihnen für Ihre Geduld bei meiner kurzen Einführung und übergebe nun wieder das Wort an Andrew. Fantastisch.

Vielen Dank, Evan. Das war ein großartiger Vortrag, und nun ist es mir eine Freude, unsere erste Gastrednerin des heutigen Tages vorzustellen: Emma McGrattan von Actian. Als CTO bei Actian leitet Emma die Technologiestrategie und Innovation und unterstützt damit die Mission von Actian, Datenmanagement zu vereinfachen.

Mit fast 30 Jahren Erfahrung bei Actian ist sie eine anerkannte Führungskraft in der Datenbankbranche und bekannt für ihre Fachkenntnisse in den Bereichen Datenarchitektur und Cloud . Bitte heißen Sie Emma herzlich willkommen – ich übergebe nun das Wort an sie. Sehr gut.

Danke, Andrew. Also fange ich mal mit ein bisschen Untergangsstimmung an, oder? Mit den Dingen, die uns nachts wach halten.

Das finde ich nach wie vor interessant, denn KI ist ja nichts Neues, oder? Es gibt sie schon seit Ewigkeiten. Mein allererster Job in den USA war 1987 im Labor für Künstliche Intelligenz am MIT.

Ich beschäftige mich also schon seit geraumer Zeit mit KI, aber wir beobachten immer wieder, dass Unternehmen damit zu kämpfen haben. Das sind hier einige ziemlich ernüchternde Statistiken. Wenn wir uns die erste ansehen, die besagt, dass 95 % der Initiativen im Bereich der generativen KI keinen ROI erzielen, richtig?

Und diese Zahl stammt aus einer Studie des MIT. Wie schaffen wir es also, zu den 5 % zu gehören, die bei diesen Investitionen einen ROI erzielen? Denn derzeit werden massive Investitionen getätigt, und wir müssen diese Rendite nachweisen.

Die nächste Statistik, die wir hier haben, besagt, dass es weniger als 10 % der Unternehmen gelungen ist, agentische KI zu skalieren. Mit „Skalierung“ meinen wir dabei den Einsatz von mehr als einem KI-Agenten im Unternehmen. Wie schaffen wir es also, zu diesen 10 % zu gehören, die KI erfolgreich unternehmensweit skalieren?

Diese Statistik stammt von McKinsey, und die dritte hier stammt von Gartner: Demnach werden voraussichtlich 40 % der agentische KI bis Ende nächsten Jahres, also bis Ende 2027, eingestellt. Das sind also ziemlich alarmierende Zahlen, und wenn wir diese Zahlen den Unternehmen vorlegen, stimmen sie mir in der Regel zu, dass dies ein wahrscheinliches Szenario für sie ist, wenn sie ihre KI- und Datengrundlagen nicht richtig aufstellen. Schauen wir uns also einige der Herausforderungen an, denen Unternehmen im Bereich Daten gegenüberstehen.

Man kann sich das im Allgemeinen in zwei Bereiche unterteilen, oder? Der erste wäre also die geschäftlichen Herausforderungen, und oft hören wir von den Nutzer aus dem Geschäft Nutzer es einfach zu lange dauert, bis sie an die Daten herankommen, die sie benötigen. Und selbst wenn sie darauf zugreifen können, wissen sie nicht, wie sie diese interpretieren sollen.

Um noch einmal auf das zurückzukommen, was Evan gerade zum Thema Datenkompetenz gesagt hat: Die Leute wissen doch gar nicht, ob sie den Daten vertrauen können, oder? Woher stammen sie? Wie sieht die Herkunftskette aus?

Woher stammen diese Daten? Aus geschäftlicher Sicht stehen sie also weiterhin vor diesen Herausforderungen. Und dann ist es für mich zwar schockierend, aber wir haben nach wie vor mit einigen sehr grundlegenden Problemen bei den Basisdaten und mit der Datenqualität zu kämpfen.

Daten können also unvollständig sein. Sie können inkonsistent sein. Veraltete Daten, oder?

Vielleicht haben wir fehlerhafte Datenpipelines, die die Daten nicht so häufig aktualisieren, wie es das Unternehmen benötigt. Vielleicht haben wir es mit doppelten Daten zu tun und wissen nicht, welcher Version wir vertrauen sollen. Wir haben nach wie vor Datensilos im gesamten Unternehmen und werden diese auch weiterhin haben.

Laut Gartner verfügt ein typisches Unternehmen über mehr als 400 Datenquellen, mit denen es arbeiten muss. Das ist also nach wie vor eine Herausforderung, oder? Allein schon herauszufinden, wo sich die Daten befinden, die man benötigt, um Fragen für das Unternehmen zu beantworten.

Compliance und Governance sind nach wie vor ein Thema, das angegangen werden muss, und die einzige Möglichkeit, wie wir die Herausforderungen im Zusammenhang mit Daten bewältigen können, besteht darin, eine Governance zu etablieren, die alle Anforderungen erfüllt, die sich aus Gesetzen wie der DSGVO, dem HIPAA und dem EU-KI-Gesetz ergeben. Bei Actian verfolgen wir den Ansatz, Governance von Grund auf zu integrieren. Es handelt sich also nicht um etwas, das erst am Ende einer Datenpipeline nachgerüstet wird, sondern vielmehr um einen Ansatz, bei dem die Daten von Anfang an geregelt werden. Wir möchten dies so umsetzen, dass im Grunde genommen Leitplanken geschaffen werden, die es den Datenteams ermöglichen, auf der Grundlage der Daten innovativ zu arbeiten.

Es soll also im Hintergrund laufen und nicht die Arbeit behindern. Und schließlich betrachten wir die Tatsache, dass viele Unternehmen weiterhin mit Themen wie Daten- und KI-Kompetenz sowie der Einführung von Verantwortlichkeit zu kämpfen haben und nach Anreizen suchen, damit wir die Datenkompetenz unternehmensweit ausbauen können. Denn dies ist ein kultureller und organisatorischer Wandel, der mit der Einführung dieses neuen KI-Paradigmas im Unternehmen einhergehen muss. Deshalb sprechen wir bei Actian von „Governance by Design“.

Wir sind fest davon überzeugt, dass wir einige der Herausforderungen, mit denen wir hier konfrontiert sind, nach links verlagern sollten. Die Datenqualität nach links verlagern, die Daten-Governance nach links verlagern und dies bereits von Beginn an in den Datenprozess einbetten. Und ich möchte dies gerne anhand einer Geschichte veranschaulichen.

Als ich zum ersten Mal in die USA zog, ließ ich mich in Kalifornien nieder. Ich ging zum DMV, um meinen Führerschein zu beantragen. Dort wurde ich nach meinem Gewicht gefragt. In Irland verwenden wir Kilogramm, und da ich wusste, dass man in den USA Pfund zur Gewichtsangabe verwendet, gab ich mein Gewicht in Pfund an.

Und dann fragten sie nach meiner Körpergröße, und ich ging davon aus, dass das Äquivalent zu Metern und Zentimetern „Inches“ sein würde. Als ich also meinen Antrag ausfüllte, gab ich an, ich sei 63 Inches groß, erhielt aber einen Führerschein, auf dem „six foot three inches“ stand. Hätte die Person hinter dem Schalter mir nun auch nur ein bisschen Aufmerksamkeit geschenkt – ich konnte ja kaum über die Theke hinwegsehen –, hätte sie gewusst, dass ich nicht sechs Fuß drei war.

Das haben sie jedoch nicht getan. Sie haben dieses Datenproblem also nicht bei der ersten sich bietenden Gelegenheit behoben. Wir betrachten das daher als Präventionskosten in Höhe von 1 Dollar.

Hätten sie das Problem damals einfach behoben, wäre es ganz einfach gewesen. Dann stellten sie mir einen Führerschein aus, auf dem stand, ich sei sechs Fuß drei groß, und ich fand das urkomisch. Ein ganzer Fuß größer, als ich tatsächlich bin.

Also habe ich nichts unternommen. Hätte ich also einen Nachmittag bei der Kfz-Zulassungsstelle verbracht, hätte ich mir meinen Führerschein mit der korrekten Körpergröße neu ausstellen lassen können, was uns als Korrekturkosten in Höhe von 10 Dollar in Rechnung gestellt worden wäre. Das habe ich nicht getan.

Stattdessen fuhr ich für ein Wochenende nach Las Vegas und wurde mitten in der Wüste wegen Geschwindigkeitsüberschreitung angehalten. Und als ich angehalten wurde und der Polizist meinen Führerschein ansah und sagte, dass ich offensichtlich nicht die Person sei, die auf dem Führerschein abgebildet war, und angesichts des großen Größenunterschieds zwischen uns wurde die Sache zu einem größeren Problem. Anstatt mich also mit schönen Worten aus dem Strafzettel herausreden zu können, landete ich vor Gericht und musste einen Anwalt beauftragen, um die Komplikationen rund um meine Führerscheinprobleme zu klären.

Für mich waren das also Kosten in Höhe von 100 Dollar – eigentlich sogar mehr als 100 Dollar –, die durch diesen Fehler entstanden sind. Wir sind daher fest davon überzeugt: Wenn Sie mit datenbezogenen Herausforderungen konfrontiert sind, sollten Sie diese gleich zu Beginn angehen. Je früher sie gelöst werden, desto besser ist es für alle.

Und wie ich bereits sagte: Was die Governance angeht, sollte man diese von Anfang an fest einbauen. Man sollte sich mit „Governance by Design“ befassen. Man sollte über Datenverträge und Datenprodukte nachdenken und diese Governance von Beginn an auf die eigenen Daten anwenden.

Das macht das Leben so viel einfacher, und je früher wir diese Probleme beheben, desto besser ist es natürlich für alle. Evan hat uns etwas über Beobachtbarkeit von Daten erzählt. Beobachtbarkeit keine einmalige Angelegenheit.

Beobachtbarkeit also ein fortlaufender Prozess. Wir halten also ständig Ausschau. Werden die Daten aktualisiert?

Erreichen wir unsere Frischeziele für die Datenströme, mit denen wir es zu tun haben? Werden Qualität, Vollständigkeit und Aktualität – all diese Aspekte – hier berücksichtigt? Das Datenvolumen ist ein interessanter Aspekt.

Es gab diesen Ausfall bei CrowdStrike, der viele Internetdienste lahmlegte, auf die wir alle in unserem Alltag angewiesen sind, und als wir untersuchten, was die eigentliche Ursache für diesen Ausfall bei CrowdStrike war, stellte sich heraus, dass eine Datendatei auf den Server hochgeladen wurde, die doppelt so groß war, wie sie hätte sein sollen, und dass es kein System gab, das diese Dateigröße verarbeiten konnte – und genau das führte zu dem Ausfall. Wenn wir also nach Spitzenwerten suchen, nach Datenmengen, die nur ein Rinnsal sind, obwohl sie eigentlich viel größer sein müssten, kann uns das einen Hinweis darauf geben, dass es irgendwo entlang der Datenpipeline ein Problem gibt. Schemata ändern sich ständig.

Spalten werden hinzugefügt, entfernt und geändert, und Datentypen ändern sich im Laufe der Zeit. Wir müssen also sicherstellen, dass wir dies verstehen und uns der damit verbundenen Auswirkungen bewusst sind. Und dann noch die Datenherkunft.

Zu verstehen, woher die Daten stammen und welche Transformationen sie auf ihrem Weg durchlaufen haben. Wir sind daher der Überzeugung, dass Beobachtbarkeit von Daten der Schlüssel zu erfolgreichen KI-Implementierungen Beobachtbarkeit , denn es ist von grundlegender Bedeutung, dass Sie Ihre Daten verstehen und frühzeitig gewarnt werden, falls Probleme mit Ihren Daten auftreten sollten. Und wenn wir eine KI entwickeln wollen, der wir vertrauen können, müssen wir sie mit Daten füttern, denen wir vertrauen können.

Es ist also wirklich wichtig, dass wir uns die Herkunft der Daten ansehen. Man könnte sich die Herkunft sozusagen als die Entstehungsgeschichte der Daten vorstellen. Woher stammen sie?

Die Herkunft ist im Grunde genommen die Lebensgeschichte der Daten. Was ist mit diesen Daten im Laufe ihrer Lebensdauer geschehen? Woher stammen sie?

Welche Verarbeitungsschritte wurden durchgeführt? Auf welche Datenpipelines wurde zurückgegriffen? Letztendlich gibt uns das Aufschluss darüber, ob wir den Daten, mit denen wir arbeiten, vertrauen können.

Und dann die Aktualität: Wir müssen sicherstellen, dass wir bei der Entscheidungsfindung und bei der Automatisierung von Entscheidungen stets auf die aktuellsten Daten zurückgreifen. Und schließlich noch ein Punkt von mir: Wir haben viel darüber gesprochen, wie wir mit der Dateninfrastruktur umgehen sollten, um sicherzustellen, dass wir die Grundlagen richtig hinbekommen. Aber meiner Meinung nach gibt es drei Dinge, über die wir hier nachdenken müssen, um mit KI erfolgreich zu sein.

An erster Stelle stehen die Menschen, und es geht darum, eine Datenkultur aufzubauen und die Datenkompetenz zu fördern. Und ich werde das noch einmal auf mich persönlich beziehen. Ich bin in Irland aufgewachsen, wie man vielleicht an meinem Akzent erkennen kann.

Und in Irland reden wir ständig über das Wetter, was amüsant ist, weil es ja ständig regnet. Aber jedes Gespräch beginnt typischerweise mit dem Wetter. Und ich dachte, ich hätte ein sehr gutes Verständnis von Daten und Wetter, und letztes Jahr habe ich tatsächlich gelernt, dass, wenn wir sagen, die Regenwahrscheinlichkeit liege bei 60 %, ich immer dachte, das sei eine Art Absicherung seitens der Wettervorhersager, die dann sagen: „Oh, es ist wahrscheinlicher, dass es regnet als nicht.“

„60 % Regenwahrscheinlichkeit.“ Das bedeutet eigentlich, dass in 60 % des von der Vorhersage abgedeckten Gebiets eine Regenwahrscheinlichkeit von 100 % besteht. Ein Datenfreak, ein Wetterfan und ich haben also die Bedeutung eines Datenbegriffs völlig falsch verstanden. Es ist also wirklich wichtig, dass wir solche Fehler im Geschäftsleben nicht machen.

Wenn wir also über etwas wie den Umsatz sprechen: Verstehen das Vertriebsteam, das Finanzteam und die Entwicklungsteams unter „Umsatz“ alle dasselbe? Es ist wichtig, dass wir das im Rahmen eines Programms zur Datenkompetenz klären. Außerdem müssen wir uns mit den Prozessen befassen.

Einführung von Governance-Rahmenwerken. Sicherstellen, dass wir über SLAs verfügen und dass wir die SLAs einhalten, die wir dem Unternehmen zugesagt haben. Und dann die Technologie.

Der Aufbau von Datenplattformen, die tatsächlich den erfolgreichen Einsatz von KI im gesamten Unternehmen vorantreiben können. Der Blick auf die Automatisierung und die Tatsache, dass sich mittlerweile alles mit Maschinen-Geschwindigkeit bewegt – daher müssen wir Metadaten Lösungen entwickeln. Für mich ist dies also eine unglaublich spannende Zeit im Bereich Daten und KI.

Und für mich ist das eine großartige Gelegenheit, mich mit diesen Themen zu befassen – den Statistiken, die ich zuvor erwähnt habe, den Unternehmen, die KI erfolgreich einsetzen werden, den Unternehmen, die eine Rendite aus ihren Investitionen erzielen werden, den Unternehmen, die ihre agentische KI ausbauen werden – und ich werde beobachten, wie diese in den kommenden Jahren wachsen. Das war’s also von meiner Seite, aus Sicht von Actian. Ich gebe nun wieder an dich zurück, Andrew.

Vielen Dank, Emma.

Das war eine fantastische Präsentation. Und nun ist es mir eine Freude, unseren nächsten Gastredner des heutigen Tages vorzustellen: Raja Parimal von Databricks. Raja ist Director of Technology Alliances bei Databricks und konzentriert sich auf die Bereiche Data Governance Business Intelligence .

Vor seiner Tätigkeit bei Databricks war er zehn Jahre lang als Berater im Bereich Analytik tätig und unterstützte Unternehmen dabei, große Datenmengen zu bewältigen, bevor er zu Alation und Snowflake wechselte. In diesem Sinne heißen wir Raja herzlich willkommen, und ich übergebe nun das Wort an ihn. Hallo zusammen.

Vielen Dank. Ich finde, dieses Gespräch war wirklich großartig, um uns zu verdeutlichen, wie sich die Governance in der Welt der agentische KI , die in Ihrem Namen handeln können, verändert. Aber ich halte es für sinnvoll, den Kontext zu erläutern, wie wir von unserer aktuellen Situation – in der wir über große Datenmengen an vielen verschiedenen Orten verfügen – zur Entwicklung dieser agentische KI gelangen und wie uns Datenplattformen wie Databricks dabei helfen können, die Migration .

Beginnen wir also zunächst damit, warum wir das tun. Es gibt unzählige verschiedene KI-Anwendungsfälle in verschiedenen Branchen, die über die heute üblichen horizontalen Anwendungsfälle von Programmieragenten hinausgehen. Schon sehr bald werden die konkreten Anwendungsfälle, die wir hier auf dieser Seite nach Branchen geordnet sehen, von KI-Agenten ausgeführt werden, die einen wirklich umfassenden Zugriff auf Daten über Ihre gesamte Unternehmensplattform hinweg benötigen.

Das bedeutet natürlich, dass es schwierig sein wird, die Silos aufzubrechen, die den Einsatz von KI-Agenten in der Produktion erschweren. Und der Grund für diese Silos ist, dass wir zwar über einen einzigen Datenstack verfügen, dieser aber letztendlich in mehrere verschiedene Teile aufgesplittet ist. Man kann zwar eine Transaktionsdatenbank haben, doch diese Transaktionsdatenbank leitet Daten auch an das Data Warehouse weiter.

Möglicherweise gibt es zudem einen separaten Data Mart in Ihren Business Intelligence . Maschinelles Lernen data science Maschinelles Lernen verfügen möglicherweise über eigene Tools. Über all dies hinweg gibt es Orchestrierung ETL-Ebenen, die alles miteinander verbinden, sowie SaaS-Anwendungen, die bestimmte Daten in ihren eigenen Analysen oder Data Marts enthalten und die ebenfalls über Ihre verschiedenen Umgebungen hinweg synchronisiert werden müssen.

Jeder dieser Datenspeicher führt zu einer Art von Lock-in. Lock-in ist immer ein Problem, aber im Zeitalter der agentenbasierten KI, in dem Agenten wirklich umfassenden Zugriff auf alle Ihre Daten benötigen, schafft Lock-in zusätzlich eine weitere Ebene von Herausforderungen bei der Erzielung einer Rendite aus Ihren Daten. Hinzu kommt, dass jede dieser Datenumgebungen ihre eigenen Sicherheitsrichtlinien hat – was oft notwendig ist –, doch wenn diese nicht einheitlich geregelt oder unternehmensweit verwaltet werden, kann es häufig zu widersprüchlichen Richtlinien kommen, die den Zugriff auf Daten verhindern.

Und eine natürliche Folge davon – nämlich dass man über mehrere Tools mit jeweils unterschiedlichen Richtlinien verfügt – ist, dass jedes einzelne Tool dann versuchen wird, einen eigenen Agenten zu haben, der möglicherweise mit den anderen Agenten zusammenarbeitet oder auch nicht. Und das eigentliche Hauptproblem dabei ist: Ohne eine gemeinsame Unternehmenssemantik werden alle Ihre KI-Agenten in Ihren verschiedenen Tools unterschiedliche Antworten und Entscheidungen liefern, wenn Sie sie ihre eigentliche Arbeit ausführen lassen müssen. Genau hier setzt Databricks mit unserem Ansatz des „Lakehouse“ und der „Lake-basierten“ Umgebungen an.

Wir haben uns alle wesentlichen Aspekte Ihres agentenbasierten KI-Stacks genauer angesehen und erkannt, dass wir – damit dies für unsere Kunden wirklich funktioniert – sicherstellen müssen, dass alle Daten in einem offenen Format vorliegen und mit einer Vielzahl von Tools zugänglich sind. Wir haben das Delta-Lake-Format als Erste eingeführt. Wir engagieren uns intensiv bei Iceberg, unter anderem bei der jüngsten Veröffentlichung von Iceberg 3.0, und unsere Lake-basierte Umgebung lässt sich über eine Standard-Postgres-Schnittstelle auslesen.

All dies wird dann durch unsere technische Metadaten gesteuert, unsere technische Governance-Ebene für alle unsere verschiedenen Anwendungsfälle, die „Unity Catalog“ heißt. Unity Catalog bietet einen einheitlichen Satz von Zugriffskontrollen für alle Ihre verschiedenen Arten von Datenobjekten. Wir bieten mehr als nur herkömmliche Tabellen.

Wir werden die Zugriffskontrolle und Governance für unstrukturierte Daten wie Dateien, KI-Modelle, MCP-Server und sogar die Agenten selbst übernehmen. Wenn Ihre Datenlandschaft also wächst, wird Databricks in der Lage sein, eine umfassende Abdeckung und technische Governance-Fähigkeiten für alle Ihre verschiedenen Datenbestände bereitzustellen. Sobald Sie alle Ihre Daten im Unity Catalog erfasst haben, können Sie von unseren übergeordneten und umfassenderen Fähigkeiten profitieren.

Die beiden Punkte, auf die ich hier eingehen möchte, sind KI-Governance, die es Ihnen ermöglicht, nachzuvollziehen, was Ihre Modelle tun und welche Modelle Sie tatsächlich ausführen. Verwenden Sie Modelle, die innerhalb Ihrer Databricks-Rechenumgebung laufen? Senden Sie Daten an eine API und leiten Sie diese damit an Frontier Lab weiter?

Unity Catalog hilft Ihnen dabei, diese verschiedenen Arten von Verpflichtungen zu verstehen. Außerdem verfügen wir über eine Geschäftssemantik, die gerade heute von großer Bedeutung ist, da wir letzte Woche unsere Unity Catalog-Metriken allgemein verfügbar gemacht haben – unsere geschäftssemantische Ebene, die es allen verschiedenen Tools, sowohl innerhalb als auch außerhalb von Databricks, ermöglicht, dasselbe gemeinsame Verständnis von Unternehmenssemantik zu nutzen. So sprechen sowohl unsere Mitarbeiter als auch unsere KI-Agenten dieselbe Sprache, wenn sie Aktionen ausführen.

Und schließlich können wir eine Anbindung an andere Datenquellen herstellen, um sicherzustellen, dass dieselbe Data Governance auch für Ihre anderen SaaS-Anwendungen und Unternehmensdatenbanken gilt. Mit diesem geregelten Datenformat können Sie dann die Vorteile unserer traditionellen Lakehouse-Analyseumgebung sowie unserer Fähigkeiten nutzen. Sie können Lake Base einsetzen – unsere Lösung, mit der transaktionale Anwendungen von derselben Trennung von Speicher und Rechenleistung profitieren können wie unsere traditionelle Lakehouse-Umgebung.

Doch nun verfügen wir über eine schreiboptimierte Umgebung, die es unseren Kunden ermöglicht, KI-Anwendungen zu entwickeln, auf die entweder von KI-Agenten zugegriffen wird oder die von KI-Agenten selbst erstellt werden. Und Sie können all dieselben Daten nutzen, indem Sie unsere Fähigkeiten einsetzen, Fähigkeiten die Daten während der Verarbeitung auf unserer Rechenplattform anzupassen und Fähigkeiten transformieren. Mit dieser zentralen Datenplattform können Sie dann auf alle Ihre Schlüsselanwendungen zurückgreifen, die Sie für den Aufbau eines agentische KI benötigen. Und statt über mehrere unterschiedliche Fähigkeiten Ihrer Umgebung zu verfügen, sind diese nun alle auf einer gemeinsamen Plattform vereint.

Okay.

Nachdem das nun gesagt ist, werde ich das Wort wieder an Andrew weitergeben. Vielen Dank, Raja. Das war fantastisch, und nun ist es Zeit für unsere Podiumsdiskussion, daher bitte ich Emma und Evan, wieder zu uns zu kommen.

Und Evan, ich gebe nun wieder an dich zurück, damit du die Diskussion bitte eröffnen kannst. Nun, Raja und Emma, ich möchte euch natürlich ganz herzlich für die großartigen Präsentationsunterlagen danken, und ich denke, das bietet uns einen guten Ausgangspunkt für die Podiumsdiskussion. Wir haben ein paar Fragen zusammengestellt, um die Sichtweisen aller Teilnehmer zu erfassen.

An alle, die zuhören: Wir werden jedem Diskussionsteilnehmer die Möglichkeit geben, auf jede Frage einzugehen, und dabei einfach reihum vorgehen. Bei der ersten Frage möchte ich also mit dir beginnen, Emma. Was sind deiner Meinung nach die aktuell wichtigsten Datenthemen im Zusammenhang mit KI und Analytik?

Sie haben eine ganze Menge Themen angesprochen, aber wenn Sie sich ein paar davon herauspicken müssten, welche würden Ihnen da als Erstes in den Sinn kommen? Ein Bereich, in dem Actian oft ins Spiel kommt, ist der, in dem Teams im Labor bereits große Erfolge mit KI erzielt haben, richtig? Sie haben einige Pilotprojekte, die ziemlich gut laufen.

Sie versuchen, das Ganze in die Produktion zu überführen, und dann wird alles richtig chaotisch, oder? Schemata ändern sich, Definitionen widersprechen sich, Berechtigungen behindern den Datenabruf, und plötzlich haben sie alle möglichen Probleme mit der KI. Wenn ich also über das wichtigste Thema in solchen Szenarien nachdenke, dann ist es für mich die Frage, ob die Data Layer operativ wirklich bereit für KI Data Layer .

Das ist also ein Problem, das wir immer wieder beobachten: Die Leute haben Schwierigkeiten, KI in die Produktion zu integrieren. Ja, du sprichst hier wirklich den gesamten Deployment an – wo ich die Dinge zum Laufen gebracht habe … Ja … aber kann ich das mal an das Publikum weitergeben: Haben die Nutzer und Zugriffsrechte, um die Daten einzusehen, und halten wir uns an die Regeln?

Okay. Großartig. Raja, möchtest du noch etwas hinzufügen, oder wie siehst du die wichtigsten, also die am deutlichsten erkennbaren Dinge, mit denen du dich gerade beschäftigst?

Ja. Ich möchte mich Emmas Aussage voll und ganz anschließen und nur noch sagen, dass es meiner Meinung nach bei KI und Analytik um dasselbe Problem geht, auf das wir auch bei herkömmlichen Data-Warehouse- und BI-Umgebungen stoßen, nämlich um die Frage der Transparenz. Wenn eine Führungskraft oder ein Vizepräsident eine Zahl erhält oder sogar eine Entscheidung von einer agentenbasierten KI präsentiert bekommt, möchte er die Antwort auf die Frage: „Hey, wie sind wir auf diese Zahl gekommen?“

„Warum ist das richtig? Wie kann ich das glauben?“ Und das führt uns zu all den traditionellen Data Governance , mit denen wir konfrontiert sind – nur in einem größeren Maßstab, da wir es hier mit KI zu tun haben, die dies in großem Maßstab umsetzt. Ich finde die Antworten großartig, denn was ihr beide sagt – und ich werde hier mal ganz genau hinschauen, nicht um das in Frage zu stellen, sondern weil es faszinierend ist –, ist, dass ihr genau den Punkt trefft: Organisationen, die das Zeug dazu haben, solche Lösungen zu entwickeln.

Aber wo sie wahrscheinlich Schwierigkeiten haben, ist die Frage: Was sind die Herausforderungen bei der Übergabe? Transparenz, Produktionsmigration und/oder Deployment wir bereit, das System der breiten Masse zu übergeben? Es geht nicht nur darum, ob die Anwendung funktional verfügbar ist und ob auf die Daten zugegriffen werden kann, sondern auch um all die anderen damit verbundenen Details.

Also, an alle, die gerade zuhören: Ich weiß, dass viele von euch viel Energie darauf verwenden, sich zu fragen: „Haben wir die Datenwissenschaftler, das Know-how und die Fähigkeiten, die wir brauchen?“ Und was man von den Experten hört, ist: „Das habt ihr wahrscheinlich schon, aber seid ihr bereit, die Technologie einzusetzen und zu übergeben, und habt ihr darüber nachgedacht, die neue KI-Technologie zu institutionalisieren?“ Das ist also sehr interessant.

Danke, Leute. Kommen wir zum nächsten Punkt. Was ist eurer Meinung nach das größte Missverständnis in Bezug auf Daten im Bereich der KI und agentische KI?

Und dieses Mal, Raja, lassen wir dich anfangen, und sobald du fertig bist – ja … Emma.

Aber nur zu. Das ist eine großartige Frage, denn ich glaube, dass es im Bereich der KI und agentische KI viele Missverständnisse gibt. Und ich werde zwei Antworten geben, die zwar miteinander zusammenhängen, aber vielleicht gegensätzlich erscheinen mögen.

Ich glaube, dass Unternehmen den Einsatz von KI und agentische KI sowohl unterschätzen als auch überschätzen. Ich denke, dass sie sich vielleicht etwas wie ChatGPT oder Claude ansehen, das völlig losgelöst von ihrem Unternehmenskontext ist, und einfach eine Frage stellen – woraufhin das System möglicherweise eine falsche Antwort ausgibt, etwas „halluziniert“ oder einfach nicht besonders nützlich ist. Wenn man jedoch einige dieser Fähigkeiten, diese Pioniermodelle, in den Unternehmenskontext einbindet, sie mit dem Daten-Lake dem Data Warehouse verbindet und auf regulierte Daten ausrichtet, werden dieselben Fragen plötzlich viel aussagekräftiger, sobald sie den Unternehmenskontext und das Unternehmensverständnis berücksichtigen.

Also, ja. Ich glaube, dass Unternehmen einerseits nicht genug von ihren KI-Modellen verlangen und andererseits zu viel erwarten, ohne über die entsprechenden Werkzeuge oder ein angemessenes Verständnis dafür zu verfügen, was das Tool leisten kann. Was du da wirklich auf den Punkt bringst – und bitte fülle hier noch einmal die Lücke für mich aus –, ist, dass es kein funktionales Problem ist, sondern dass den Personen, die die Anfrage stellen, nicht wirklich bewusst ist, wo die Stärken und Grenzen der jeweiligen Technologie liegen.

Man geht bei einem LLM wie Claude einfach davon aus: „Na gut, ich leite Claude abfragen auf mein Data Warehouse weiter. Jetzt kann es Fragen in natürlicher Sprache abfragen.“ Und Sie sagen, dass es viel mehr Aufwand erfordert, so etwas zu realisieren. Habe ich das richtig verstanden?

Ja. Das stimmt. Die KI ist noch nicht ganz so weit, dass man sie einfach laufen lassen kann und sie dann alles von selbst herausfindet.

Wir müssen weiterhin sicherstellen, dass es auf die richtigen Datensätze verweist – mit den richtigen Governance- und Compliance-Regeln bzw. Richtlinien, damit gewährleistet ist, dass Sie es korrekt nutzen. Aber sobald Sie das dann haben, glaube ich, dass wir unserer Fantasie wirklich freien Lauf lassen können, was wir mit einigen dieser Tools alles erreichen können. Was Sie damit eigentlich sagen, ist: Ich brauche nicht nur den Data-Engineering-Aspekt, sondern wenn Sie keine Data Governance haben, müssen Sie Data Governance einführen, Data Governance Daten Data Governance missbraucht, falsch interpretiert oder falsch verarbeitet werden könnten.

Das ist genau richtig. Emma, bitte, was noch? Was soll ich dem noch hinzufügen?

Ihr habt es doch ziemlich genau auf den Punkt gebracht, oder? Denn ohne Semantik und Steuerung ist die KI zwar sehr selbstsicher, liegt aber mit dieser Selbstsicherheit völlig daneben, oder? Was wir also als großes Missverständnis ansehen, ist die Annahme, dass die KI den geschäftlichen Kontext von selbst erschließen wird, oder?

Die Leute glauben, dass das KI-System all das wie von Zauberhand für sie herausfinden kann, obwohl wir doch Mitarbeiter in den Bereichen Marketing und Finanzen haben, die Kunden möglicherweise als zwei völlig verschiedene Dinge betrachten, oder? Diese Umsätze, die auf fünf oder sechs verschiedene Arten berechnet werden können, Datensätze, die zwar völlig veraltet sein könnten, aber dennoch zugänglich sind. Die KI kann das alles doch nicht herausfinden, oder?

Es ist also unglaublich wichtig, die Semantik richtig zu verstehen und die Steuerung richtig zu gestalten. Es ist nicht so, wie ich sage, dass die KI ganz selbstbewusst falsche Antworten auf die Fragen liefert, die man ihr stellt. Du hast da tatsächlich einen Aspekt angesprochen, den du in deinem Vortrag bereits gestreift hast, nämlich die gesamte Prämisse der Medienkompetenz, und wir sind – ja …

Wir konzentrieren uns so sehr auf Nutzer und deren Datenkompetenz. Manchmal denken wir gar nicht darüber nach: „Verfügt meine Entwickler-Community über das gleiche Maß an Datenkompetenz?“ Und du hast nicht nur die Bedeutung der Begriffe angesprochen, sondern auch die Frage, welche Datensätze sinnvoll sind und welche veraltet sind – denn ich könnte möglicherweise die falschen Daten verwenden. Und welche Maßnahmen gibt es, um sicherzustellen, dass meine gesamte Zielgruppe – nicht nur die Nutzer, sondern auch die Entwickler – nicht nur über Datenkompetenz verfügt, sondern auch die Governance-Regeln und dergleichen kennt?

Beobachten Sie auch, dass man sich bewusst ist, dass nicht nur die Nutzer in diesen Dingen auf den neuesten Stand gebracht werden müssen, sondern auch die Entwickler selbst? Ja. Wir betrachten das als eine Art organisatorische Herausforderung und empfehlen tatsächlich, dass jede Abteilung im gesamten Unternehmen Datenexperten einstellt, nicht wahr?

Dass wir wirklich an eine dezentrale Governance glauben. Wir sind der Meinung, dass man in jedem Geschäftsbereich einen Fachexperten einbinden und diesen damit beauftragen sollte, gemeinsam mit dem zentralen IT-Team Ihre Governance-Richtlinien auszuarbeiten und umzusetzen – und dasselbe gilt auch für den Bereich Daten, nicht wahr? Stellen Sie Mitarbeiter ein, die Neugier auf Daten mitbringen.

Stellt sicher, dass es in jedem Bereich des Unternehmens Mitarbeiter gibt, die verstehen, wie wichtig es ist, die Governance richtig zu gestalten, sich innerhalb der Organisation für Datenkompetenz einzusetzen und dafür zu sorgen, dass wir bei der Einführung dieser Governance-Kompetenz und – Governance-Kompetenz und wie heißt noch das dritte, an das ich hier denke, Evan? Kulturelle Aspekte, wie zum Beispiel daten- und KI-bezogene kulturelle Veränderungen, sodass jede Abteilung oder jeder Bereich innerhalb des Unternehmens abgedeckt ist. Ich glaube, du triffst den Nagel auf den Kopf – und darauf aufbauend noch weiter verbessern.

Ja. Ja. Ich glaube, du sprichst da etwas unglaublich Wichtiges an, denn in vielen der Organisationen, mit denen ich zusammenarbeite, gibt es diese ungeschriebene Regel bezüglich Arbeitsstilen oder Persönlichkeitsmerkmalen, die besagt: Nun ja, Datenleute müssen sich mit den Daten auskennen, aber Anwendungsentwickler müssen sich nicht mit den Daten auskennen.

Und du meinst, das wird nicht funktionieren, und ich habe das schon erlebt, und ich bin mir sicher, dass wir alle schon einmal genau diesen Fall gesehen haben: Da gibt es einen Data-Scientist einen KI-Entwickler, der verzweifelt nach einer bestimmten Art von Element oder Inhalt sucht und ihn überall herholt, ohne zu wissen, dass er in Wirklichkeit er veraltete, unbrauchbare oder schlichtweg unzuverlässige Daten erhält – ganz zu schweigen von der Frage der Vertrauenswürdigkeit. Ich meine also: Für diejenigen unter euch, die zuhören – es ist klar, dass ihr euch dem Erwerb von Datenwissen nicht entziehen könnt. Es ist im Zeitalter der KI eine Notwendigkeit.

Emma, vielen Dank für die Erläuterungen. Kommen wir nun zur nächsten Frage. Das Wort ist wieder bei dir, Emma.

Was sind realistische Ziele, die man sich im Hinblick auf Semantik und Medienkompetenz setzen sollte? Sie haben bereits angedeutet, dass jede Organisation ein Bewusstsein dafür entwickeln sollte, aber wenn Sie ein Ziel oder einfach nur einen Anhaltspunkt dafür wählen müssten, wie man erkennt, ob man auf dem richtigen Weg ist – was könnte das Ihrer Meinung nach sein? Ich würde also sicherstellen, dass die Mitarbeiter in der gesamten Organisation drei wesentliche Punkte verstehen, richtig?

Woher die Daten kommen, nicht wahr? Was sie eigentlich bedeuten und wo sie eingesetzt werden sollten und wo nicht, nicht wahr? Und ich denke, wenn wir dieses Wissen im gesamten Unternehmen verbreiten und ein besseres Verständnis dafür entwickeln, wie diese „Magie“ in der Praxis tatsächlich funktioniert, dann wird das unglaublich hilfreich sein, um die Datenkompetenz im gesamten Unternehmen zu fördern.

Wie ich bereits sagte, liebe ich es, Unternehmen dazu zu ermutigen, die Neugier auf Daten zu fördern und zu stärken. Wenn man diese Datenfreaks in den verschiedenen Bereichen des Unternehmens ausfindig machen und sie fördern kann, indem man ihnen die nötige Ausbildung und die erforderlichen Werkzeuge an die Hand gibt, damit sie Fragen zu diesen Daten stellen und sie wirklich verstehen können – dann hat man, wenn man jemanden braucht, der als „Human in the Loop“ mit der KI zusammenarbeitet, einen gut ausgebildeten Menschen, der ein gutes Gespür dafür hat, was bei den Daten richtig aussieht und sich richtig anfühlt. Ich denke, das wird eine unglaublich wichtige Rolle, die besetzt werden muss.

Und ich denke, wenn man das ermöglicht, indem man Leute mit Fachwissen in dem jeweiligen Bereich hinzuzieht und dann diese Datenkompetenzen bei ihnen ausbaut, Emma, dann kann das meiner Meinung nach ein wirklich schneller Weg zum Erfolg sein. Nun, du beschreibst das Hinzuziehen von Fachwissen ja eigentlich so, dass man diese Experten nicht in einem Silo unterbringt, sondern sie vielmehr als Mentoren für alle anderen positioniert. Die Idee, dass Entwickler die Werkzeuge, deren Bedeutung und deren Anwendungsmöglichkeiten kennen – ich meine, egal, ob ich Bäcker, Softwareentwickler oder Klempner bin: Es geht darum, die eigenen Werkzeuge zu kennen, zu wissen, woher man die Teile hat, und zu wissen, was man mit den Teilen anstellen kann.

Ich will das hier nicht vereinfachen. Worauf du eigentlich hinauswillst, ist, dass wir Daten ganz ähnlich wie eine Zutat oder eine Grundkomponente bei allem, was wir entwickeln, betrachten müssen. Deshalb bringst du das Fachwissen ein, um Menschen zu betreuen und zu coachen, denen das nicht unbedingt bewusst ist. Es geht nicht darum, sie auszuschließen oder eine Barriere zu errichten.

Dieses Wissen soll sich verbreiten. Ich meine, habe ich dich richtig verstanden? Da liegst du absolut richtig.

Am Wochenende habe ich einem Uber-Fahrer etwas über Daten erklärt und versucht, ihm zu beschreiben, was ich eigentlich mache, weißt du? Wir haben über Metadaten gesprochen, und ich habe es so erklärt: Stell dir das einfach als das Etikett auf dem Behälter vor, in dem die Daten liegen, die du verwendest. Verstehst du?

In den Metadaten also die Zutaten. Richtig? Was ist da drin, oder?

Die Frische, oder? Bis wann sollte es verbraucht werden? Wenn du nicht verstehst, was auf dem Etikett steht, solltest du es vielleicht lieber nicht verwenden.

Stimmt’s? Wenn man also keinen Sinn darin erkennen kann, muss man vielleicht über den Tellerrand hinausschauen. Aber ja, ich halte es für unglaublich wichtig, dass wir die Daten, die wir verwenden, wirklich verstehen und wissen, wie aktuell sie sind, oder?

Wann sie eingesetzt werden sollte und dass wir bei unserem Deployment KI besonnen vorgehen, nicht zu schnell vorpreschen und sicherstellen, dass Menschen in den Prozess eingebunden sind, die tatsächlich wissen, wie das „Richtige“ aussieht, damit sie erkennen können, wann die KI-Systeme möglicherweise „halluzinieren“. Nun, Raja, ich wollte dich nicht aus der Diskussion herausnehmen, aber Emma hat gerade einen Punkt angesprochen, über den ich das Publikum zum Nachdenken anregen möchte. Was kannst du dazu sagen?

Was denkst du darüber, was angemessene Ziele sind? Denn es gibt so viele Möglichkeiten, dieses dreidimensionale oder fünfdimensionale Thema zu betrachten. Ja, und ich schließe mich noch einmal Emmas Meinung an – ich denke, das ist die richtige Herangehensweise an diese Frage.

Wenn ich über realistische Ziele nachdenke und wenn ich über irgendeine Art von Migration Migration nachdenke, gehe ich dabei immer schrittweise vor. Zum Beispiel: Was tut man, um eine Grundlage zu schaffen, und wie kann man darauf aufbauen? Und die drei Schritte, die ich für den Umgang mit Semantik oder im Zusammenhang mit Datenkompetenz vorschlagen würde, sind: dokumentieren, harmonisieren und dann schulen – was meiner Meinung nach ziemlich genau dem entspricht, was Emma gesagt hat.

Zunächst dokumentieren Sie einfach alle Definitionen Ihrer Kennzahlen und Ihrer Semantik so umfassend wie möglich. Es muss nicht perfekt sein, aber wenn Sie die am häufigsten verwendeten Elemente dokumentieren und beschreiben können, wie die Mitarbeiter sie nutzen, sind Sie damit ehrlich gesagt schon einen Schritt weiter als viele andere Unternehmen. Harmonisieren Sie.

Ich verwende immer das Beispiel eines ehemaligen Kunden von mir, der an Walmart verkaufte, aber 14 verschiedene Definitionen von „Walmart“ in seinem System hatte. Sobald man also alles dokumentiert hat, kann man den nächsten Schritt gehen und fragen: „Wie können wir das vereinheitlichen, um sicherzustellen, dass wir unsere Definitionen richtig verstehen und vereinfachen?“ Und schließlich: Aufklärung betreiben. Sobald man mit dieser Schulung beginnt, sobald man diese Dokumentation und Harmonisierung etabliert hat, kann man versuchen, die Kultur des Unternehmens zu verändern und sagen: „Hey, schaut euch die Definition von Walmart an, bevor ihr eine 15. Definition von Walmart erstellt.“ Wenn man also diese drei Dinge umsetzt, ist man schon einen großen Schritt weiter.

Und mit dem Aufkommen von KI-Tools lassen sich hoffentlich viele dieser Dinge beschleunigen – selbst während man beispielsweise den Prozess der Harmonisierung der verschiedenen Semantiken durchläuft. Ich meine, man macht das Ganze ja auch zu einer Art Missionsarbeit. Es geht nicht nur darum, Datenstandards oder Vorgehensweisen festzulegen, sondern auch darum, mit allen zu kommunizieren und Akzeptanz zu gewinnen.

Es reicht nicht aus, das beste Schema oder die besten Namenskonventionen zu entwickeln und einen Prozess festzulegen, nach dem jedes Element überprüft werden muss. Es geht auch darum, sicherzustellen, dass die Zielgruppe selbst versteht, warum das so ist, damit sie ihrerseits zu „Rattenfängern“ der Daten werden können, damit die Menschen begreifen, dass dies eine Anpassung an unsere Lebensweise ist. Ich hoffe, ich lege Ihnen hier keine Worte in den Mund.

Das klingt sehr ähnlich zu dem, was Emma gesagt hat. Du stimmst ihr zu, gehst aber noch einen Schritt weiter, nämlich dass wir in solchen Dingen als Missionare auftreten müssen. Genau.

Das ist genau richtig. Hier geht es um einen Kulturwandel. Ein Kulturwandel ist manchmal ein mühsamer Prozess, der von uns Geduld erfordert und bei dem wir alle mitnehmen müssen, anstatt zu versuchen, sie zu schnell voranzutreiben.

Ja. Ich bin froh, dass du das angesprochen hast, denn es ist nicht – ich werde jetzt ein bisschen haarspaltern, und du kannst mich gerne korrigieren. Es ist nicht so, dass wir etwas ändern.

Wir entwickeln etwas, das in vielen Fällen noch gar nicht existiert. Ich meine, es ist nicht so, dass irgendjemand etwas falsch macht. Es ist nur so, dass wir nicht sicherstellen, dass die Leute die Daten auch verstehen.

Wir bestätigen das nicht und vermitteln dem breiten Publikum auch kein Fachwissen darüber, was diese Dinge bedeuten und welche Bedeutung sie haben. Ich meine, es ist – auch wenn ich das nur ungern sage – nicht unähnlich der Situation in der Personalabteilung, wo niemand jemals bestritten hat, dass es am Arbeitsplatz keine Belästigung geben darf, aber wir haben Schulungen eingerichtet, an denen jeder teilnimmt, um sicherzustellen, dass ein Bewusstsein dafür vorhanden ist: „Hört zu, am Arbeitsplatz ist Gewalt nicht erlaubt.“ Und worauf du und Emma hingewiesen haben, ist, dass wir diese Idee nicht nur ansprechen und einführen müssen, sondern auch sicherstellen müssen, dass jeder versteht, dass dies künftig zur Praxis gehören wird.

Niemand macht es falsch. Wir tun es einfach nicht oft genug, und wenn wir es verstehen, wird es ganz einfach. Es geht uns dann ganz leicht von der Hand.

Vielen, vielen Dank für die Klarstellung. Kommen wir nun zur nächsten Frage, und Raja, wir fangen mit dir an. Gibt es bestimmte Datenrisiken, die bei der Bereitstellung und Deployment von KI berücksichtigt werden sollten?

Wir haben bereits ausführlich über die Bedeutung von Transparenz, Fachwissen und Deployment gesprochen. Aber lassen Sie uns nun darüber sprechen, ob es dabei auch Risiken gibt. Ja, auf jeden Fall.

Und das ist eine großartige Frage, wenn es um Deployment KI geht. Man kann das in zwei Aspekte unterteilen, und ich habe zu beiden eine Meinung. Das erste Datenrisiko betrifft also die Daten, die in die KI-Systeme einfließen. Aus diesem Grund denke ich über meine Vision einer einheitlichen Datenplattform mit einem einheitlichen Governance-Tool nach, bevor man die Migration in Angriff nimmt.

Denn das Letzte, was Sie tun möchten, ist, trainieren unternehmensinternen KI-Systeme mit Daten trainieren , die entweder nicht den PII-Vorschriften entsprechen, schlichtweg falsche Berechnungen enthalten oder falsche Informationen darüber liefern, wie Ihr Unternehmen funktioniert und nach welchen Regeln es arbeitet. Und das lässt sich oft nur sehr schwer erkennen, nachdem Sie Ihr KI-System eingerichtet haben, wenn Sie nicht vollständig verstehen, welche Daten in Ihr KI-System, Ihr agentische KI , einfließen. Der zweite Punkt ist natürlich das, was dabei herauskommt.

Sie müssen sicherstellen, dass Sie über präzise Bewertungsmechanismen verfügen, um zu verstehen, dass sowohl der Entscheidungsfindung als auch die analytischen Ergebnisse Ihrer KI-Systeme anhand eines Framework überprüft werden können, damit Sie feststellen können: „Funktioniert das korrekt? Ist es schnell genug? Ist es genau genug?“ Und beides sind meiner Meinung nach Datenrisiken, die sich wiederum nicht allzu sehr von Data Governance traditionellen Data Governance unterscheiden.

Angesichts der Größenordnung dieser KI-Systeme benötigt man zusätzliche Werkzeuge, um sicherzustellen, dass man effektiv damit umgehen kann. Man kann nicht einfach einen einzigen Data Governance damit beauftragen, alle Daten aus einem KI-System sowie die Ergebnisse eines KI-Systems zu durchforsten, denn das würde ziemlich schnell zu einer unüberschaubaren Aufgabe werden. Nun, die ganze Idee ist, dass wir oft Begriffe wie „Datenarchitekt“ oder „Datendesigner“ oder Ähnliches in den Raum werfen.

Worauf Sie eigentlich hinauswollen, ist eine übergeordnete Ebene, nämlich die Frage aus Sicht der Unternehmensführung: Inwieweit sind die Daten vertrauenswürdig, bzw. welche Prüfungen wurden durchgeführt, um sicherzustellen, dass nicht nur der Prozess korrekt ablief, sondern auch die Datenergebnisse zuverlässig und akzeptabel waren? Und das ist ein kontinuierlicher Prozess. Für diejenigen unter Ihnen, die sich noch nicht mit KI auskennen: Das ist kein abwegiges Konzept.

Jede Bank, die Kreditkarten- und/oder Kontoüberprüfungen durchführt, wendet diese Verfahren regelmäßig an. Das ist sehr, sehr üblich. Worum es hier eigentlich geht, ist die Anwendung betrieblicher Konzepte auf den KI-Bereich.

Natürlich kann man das nicht eins zu eins vergleichen. Es handelt sich um komplexere Tests und Nachweise, aber das Konzept ist in vielen Organisationen gut bekannt. Nutzen Sie doch einige der Möglichkeiten, die Ihnen bereits zur Verfügung stehen.

Ist das eine zutreffende Aussage, Raja? Ich möchte dir nicht wieder Worte in den Mund legen, aber manchmal denken wir – Nein, das ist gut gesagt. Ja.

Das ist keine Aufgabe, bei der man ganz von vorne anfangen muss. Je nach Branche gibt es möglicherweise bereits Mitarbeiter, die über ein gewisses Maß an Fachwissen verfügen, das Sie auf die KI-Umgebung übertragen können. Emma, ich gebe jetzt an Sie weiter.

Und wie sehen Sie es mit einem weiteren potenziellen Risiko oder einigen potenziellen Risiken, die wir noch nicht besprochen haben?

Ja, da stimme ich Raja voll und ganz zu. Ich finde, wir haben hier gut vorausgesehen, was der andere wohl sagen könnte. Aber ich würde hier noch hinzufügen, dass man über die RAG-Suche nachdenken sollte, oder?

Das ist also ein Bereich, den viele Organisationen heute nutzen. Also: Retrieval, Augmented, Generative, richtig? Und wenn wir uns die RAG-Suche ansehen, werden wir immer nach den semantisch ähnlichsten Inhalten suchen, was nicht immer die korrektesten Inhalte sein werden, oder?

Hier besteht für mich also die große Sorge, dass – wenn wir hier keine Governance anwenden und ältere Dokumente nicht herausfiltern – die Gefahr besteht, dass wir zur Beantwortung von Fragen einfach die falschen Inhalte liefern. Und wenn wir es mit regulierten Branchen zu tun haben, wird dies zu einem enormen Risiko für das Unternehmen. Das ist also ein Punkt, den Raja meiner Meinung nach noch nicht angesprochen hat.

Nun, Sie haben da tatsächlich ein ziemlich umfassendes und wichtiges Thema angesprochen, denn es stellt sich erneut die Frage: Können die Daten die Art von Analyse stützen, mit der wir uns beschäftigen, und sind sie zuverlässig und vertrauenswürdig, oder weisen sie Verzerrungen auf? Es gibt zahlreiche Fallstudien, in denen Menschen Daten verwendet haben, die sie für den jeweiligen Zweck als vollkommen akzeptabel erachteten, nur um dann festzustellen, dass sie den Kontext, in dem diese Daten erhoben wurden, nicht unbedingt verstanden hatten. Oder dass sie die Daten sogar für andere Zwecke missbrauchen als ursprünglich beabsichtigt.

Ein gutes Beispiel, das ich oft anführe: Ich arbeitete an einem Projekt für die US-Regierung, und jemand kam zu mir und sagte, er wolle Reiseinformationen zu Ernährungsgewohnheiten. Er wollte wissen, wie viele Halal-Mahlzeiten bestellt wurden, und ich sagte: „Das geht nicht. Das ist eigentlich rassistisches Profiling.“

„Das verstößt gegen das Gesetz.“ Und du hast da etwas angesprochen, bei dem – noch einmal – genau diese Einbringung von Fachwissen, also das Wissen über die Daten, so entscheidend wichtig ist, denn diese Person hat versucht, die Regeln zu umgehen, kreativ zu sein und gegen eine Vorschrift zu verstoßen. Und das Ziel dabei ist es, allen die Möglichkeit zu geben, sich einzubringen und zu lernen, wie die Regeln und Richtlinien lauten, und nicht, sie zu bestrafen oder ihnen Steine in den Weg zu legen, denn in vielen Fällen ist das für alle Neuland. Aber ich finde es toll, dass du in solchen Dingen etwas diplomatischer bist als ich.

Aber du hast da ein riesiges Thema angesprochen, nämlich: Ist es zweckmäßig, und halten wir uns überhaupt an die Regeln? Lass uns weitermachen. Wir haben noch ein paar Minuten Zeit.

Kommen wir nun zur letzten Frage, und Emma, du darfst den Anfang machen: Wenn du – angesichts all der Dinge, die wir besprochen haben – eine Empfehlung aussprechen könntest … Meine Güte, du und Raja habt ja ein riesiges Spektrum an – oder sollte ich sagen – eine wahre Fülle an Inhalten und Ideen angesprochen. Aber wenn du den Zuhörern, die unserer Diskussion folgen, eine einzige Empfehlung geben könntest, wie würde diese lauten? Ich würde sagen: Während wir uns weiterentwickeln und die KI voranschreitet, geschieht alles mit maschineller Geschwindigkeit.

Es ist also unwahrscheinlich, dass wir überall dort, wo wir gerne einen Menschen im System hätten, auch tatsächlich einen haben werden – einfach weil sich alles viel zu schnell entwickelt. Ich würde sagen, konzentriert euch darauf, eure Daten für Maschinen verständlich zu machen. Investiert also in Dinge wie klare semantische Definitionen, oder?

Wenn Raja also von 15 Definitionen von Walmart spricht, sollten wir unserstellen, dass wir uns über unser Verständnis der Dinge vollkommen im Klaren sind. Stellt sicher, dass wir die Herkunft und Provenienz klar identifiziert und dokumentiert haben, um sicherzustellen, dass unsere Governance by Design automatisch durchgesetzt wird und nicht erst am Ende der Datenpipelines angehängt wird, und stellt sicher, dass unsere Maschine – Entschuldigung, dass unsere Metadaten maschinenlesbar Metadaten . Das war’s von meiner Seite.

Klare semantische Definitionen, Herkunft und Provenienz, automatisch durchgesetzte Governance sowie maschinenlesbare Metadaten Maschinen Ihre Daten genauso verstehen können wie Menschen. Ausgezeichnet. Raja, was meinen Sie dazu?

Was wäre deine wichtigste Empfehlung an das Publikum? Emma hat, glaube ich, im Grunde alle meine wichtigsten Tipps schon aufgegriffen. Also möchte ich mal einen anderen Weg einschlagen und etwas wählen, das vielleicht ein bisschen lockerer ist.

Ich würde sagen, angesichts der neuen Welt, in die wir eintreten, solltet ihr experimentieren – und zwar auf sichere Weise. Fähigkeiten eine Vielzahl verschiedener Fähigkeiten die ihr wirklich zu eurem Vorteil nutzen könnt. Es gibt viele verschiedene KI-Tools und sogar verschiedene Frontier-Modelle, mit denen ihr herumspielen könnt.

Ich würde empfehlen, einfach mal auszuprobieren. Schau Fähigkeiten die Fähigkeiten an. Geh dabei auf Nummer sicher.

Führen Sie dies nicht mit Produktionsdaten durch. Führen Sie dies nicht in einem Produktionssystem durch. Stellen Sie sicher, dass Ihre personenbezogenen Daten korrekt gekennzeichnet sind.

Aber wenn Sie diese Bedenken haben, denke ich, dass wir uns auf eine neue Welt zubewegen, die es wirklich wert ist, erkundet und auf den Grund gegangen zu werden. Na, großartig. Wir sind am Ende unseres Abschnitts der Podiumsdiskussion angelangt.

Ich gebe nun wieder an Andrew zurück, und dann kommen wir zu einigen Fragen aus dem Publikum. Auf jeden Fall. Ich danke Ihnen allen für diese großartige Diskussion.

Wir haben hier einige Fragen, die während eurer Diskussion eingegangen sind, und ich befürchte, dass ihr einige davon vielleicht bereits angesprochen habt. Deshalb möchte ich euch bitten, sie noch einmal anzusprechen, wenn es euch nichts ausmacht. Also, Raja, wir fangen mit dir an, und natürlich, Emma, Evan, wenn ihr etwas dazu sagen möchtet, dann nur zu. Diese Frage ist vorhin hereingekommen, Raja.

Die Frage lautet: Inwieweit sind die Integration und die Steuerung zwischen der Datenplattform und dem Datenmodell bzw. der semantischen Ebene entscheidend, wenn Unternehmen ihre KI-Programme ausbauen und in Produktanwendungsfälle implementieren? Ja, das ist eine tolle Frage.

Ich denke, dass es in unserer bisherigen Umgebung – wenn es um Daten und Datentools ging – durchaus üblich war, dass die Definitionen der Geschäftssemantik an verschiedenen Orten gespeichert waren, sei es in einem BI-Tool oder in mehreren BI-Tools oder im Data Warehouse. Man konnte sogar einen Drittanbieter für eine semantische Ebene beauftragen, der dies für einen verwaltete. Und es war durchaus üblich, dass diese Definitionsdokumente an vielen verschiedenen Orten vorlagen.

Und ich glaube, dass dies in einer Welt funktionierte, in der Datensilos noch eher tolerierbar waren, aber in einer zunehmend von KI geprägten und agentische KI müssen wir sicherstellen, dass die semantische Ebene unternehmensweit synchronisiert und lesbar ist. Meine naheliegende erste Empfehlung lautet, einen Ort als „Master“ oder „Quelle der Wahrheit“ für die Semantik festzulegen. Meiner Meinung nach sollte dies die Datenplattform sein, wie beispielsweise Databricks, aber wir können verschiedene Argumente dafür anführen, auf welcher Plattform dies geschehen sollte.

Entscheidend ist, dass Sie auf jeder anderen semantischen Ebene über eine „Quelle der Wahrheit“ verfügen und dass alle anderen Tools, die Semantik nutzen, entweder mit dieser „Quelle der Wahrheit“ synchronisiert sind oder dieser nachgelagert sind. Alles klar. Großartig.

Wir kommen nun zur nächsten Frage. Ich glaube, das wird die letzte sein, für die wir heute noch Zeit haben. Und Emma, ich fange bei dir an.

Diese Frage kam auch schon etwas früher herein, und sie lautet: Wenn Unternehmen damit beginnen, agentische KI einzusetzen, die Entscheidungen treffen oder Aktionen auslösen können, welche neuen Verantwortlichkeiten kommen dann auf die Datenplattform zu, um sicherzustellen, dass diese Systeme sicher und zuverlässig funktionieren? Ja. Das ist also eine großartige Frage, oder?

Denn wenn es um die Aufbereitung von Daten für die Analytik geht, gab es bisher immer einen Menschen, der ein dashboard interpretiert hat, und man hatte dieses Bauchgefühl dafür, was richtig und was falsch ist. Bei agentische KI treffen diese jedoch Entscheidungen für uns und setzen diese Maßnahmen automatisch um, ohne dass ein Mensch da ist, der eingreifen kann, falls etwas schiefgeht. Daher ist es hier unglaublich wichtig, dass die Daten, mit denen unsere agentischen Systeme arbeiten, von hoher Qualität sind, dass wir unsere Beobachtbarkeit haben, damit wir erkennen können, ob ein Problem mit einer defekten Pipeline oder einer Schemaänderung vorliegt, das behoben werden muss, dass wir frühzeitig darauf hingewiesen werden, dass eine Korrektur erforderlich ist, und dass wir letztendlich an einen Punkt gelangen, an dem wir diese Korrektur automatisieren.

Also, ja, die Plattform muss in der Lage sein, die maschinenlesbaren Vertrauenssignale für diese agentische KI bereitzustellen. Governance ist enorm wichtig, nicht wahr? Diese Governance gilt nicht nur zum Dateneingang , sondern erstreckt sich über den gesamten Lebenszyklus der Daten, sodass sie auch zum abfragen greift.

Und drittens werden die agentische KI semantischen Kontext benötigen. Daher müssen Datenplattformen wie Databricks in der Lage sein, diesen bereitzustellen. Es klingt also so, als hätte Raja all das für uns im Griff.

Und man darf die Bedeutung der Beobachtbarkeit nicht unterschätzen Beobachtbarkeit sicherzustellen, dass alles, worauf dieses KI-basierte System angewiesen ist, auch tatsächlich beobachtet wird, und dass dort, wo Korrekturmaßnahmen erforderlich sind, diese auch ergriffen werden, damit wir erfolgreich sein können. In Ordnung.

Nun, das war fantastisch. Leider ist unsere Zeit für heute damit leider schon abgelaufen, daher möchte ich mich an dieser Stelle bei unseren Referenten bedanken. Wir haben Beiträge von Evan Levy von TDWI, Emma McGrattan von Actian und Raja Parimal von Databricks gehört.

Wir möchten uns außerdem noch einmal bei Actian und Databricks für die Unterstützung des heutigen Webinars bedanken. Und bitte denken Sie daran: Wir haben das Aufzeichnung Webinar Aufzeichnung und werden Ihnen per E-Mail einen Link zur archivierten Version zusenden. Falls Sie eine Kopie der heutigen Präsentation wünschen, finden Sie im Ressourcenfenster einen Link zum Herunterladen der PDF-Datei.

Und schließlich bietet TDWI nicht nur hochmoderne Training Weiterentwicklung der Teamkompetenzen in den Bereichen BI, KI, Data Governance, Strategie und mehr an, sondern TDWI bietet nun auch Maßnahmen zur Teamförderung an, um in-house während Ihrer gesamten digitalen Migration aufzubauen. Weitere Details erhalten Sie in den Mitteilungen im Anschluss an das Webinar. Im Namen aller hier Anwesenden möchte ich mich ganz herzlich für Ihre Teilnahme bedanken.

Damit ist die heutige Veranstaltung beendet.