Die passende Datenbasis für deine KI-Anwendungen

Modul 1

Grundlagen: Daten und KI verstehen

• Das Grundprinzip von KI verstehen: Wie lernt die Maschine aus Daten und wird dadurch intelligent? 
• Warum Daten die Grundlage für jede KI-Anwendung sind und wo Projekte ohne gute Datenbasis scheitern.
• Zentrale Begriffe einordnen: Was sind strukturierte, unstrukturierte und semistrukturierte Daten?
• Welche Datenformate gibt es und welche eignen sich wofür?

Datenqualität: Der entscheidende Faktor

• Woran du schlechte Datenqualität erkennst und was sie für KI-Ergebnisse bedeutet.
• Die wichtigsten Qualitätskriterien: Vollständigkeit, Konsistenz, Aktualität.
• Bias in Daten: Wie Verzerrungen entstehen und wie du sie erkennst.
• Datenqualität in laufenden KI-Anwendungen sicherstellen.

Daten aufbereiten und zusammenführen

• Wie Daten von verschiedenen Quellen zusammenkommen: Das Prinzip von ETL – Extrahieren, Transformieren und Laden verständlich erklärt.
• Data Splitting: Warum KI-Modelle verschiedene Datensätze brauchen (Trainings-, Validierungs- und Testdaten).

Modul 2

Daten speichern: Die wichtigsten Konzepte

• Arten von Datenbanken im Überblick: relationale Datenbanken, Data Lakes, Data Warehouses.
• Vektordatenbanken und Knowledge Graphs: Was das ist und warum moderne KI-Anwendungen sie brauchen.
• RAG erklärt (Retrieval-Augmented Generation): Wie KI auf eigene Unternehmensdaten zugreift, statt nur auf allgemeines Wissen.

Cloud vs. On Premise: Die wichtigsten Entscheidungskriterien auf einen Blick.

KI-Projekte einordnen und begleiten

• Die typischen Phasen eines KI-Projekts: Von der Idee über den ersten Test (Proof of Concept) bis zum laufenden Betrieb.
• Wer macht was? Data Engineer, Data Scientist, ML Engineer – damit du weißt, an wen du dich wendest und wo du selbst anknüpfst.

Rechtliche Leitplanken

• DSGVO und personenbezogene Daten: Was du wissen musst, wenn du in einem KI-Projekt mitarbeitest.
• EU AI Act: Was das Gesetz fordert und was es für datengetriebene Projekte bedeutet.
• Datensouveränität in der Praxis: Wann lokale Modelle sinnvoll sind.