AI-Ready Data Platforms: Erfolg mit Strategie und Governance

Künstliche Intelligenz (KI) spielt eine Schlüsselrolle bei der digitalen Transformation, wodurch die KI-Readiness von Datenplattformen an Bedeutung gewinnt. Eine Expertenrunde der COMPUTERWOCHE zeigt, dass der Erfolg und ROI einer AI-ready Data Platform weniger von der Technologie, sondern primär von einer klaren Datenstrategie und Data Governance sowie organisatorischen Maßnahmen abhängt.

Schlüsselfaktor Governance: Die KI-Bereitschaft wird oft durch mangelhafte Datenqualität, fragmentierte Daten, isolierte Datensilos und die parallele Nutzung von Legacy- und Cloud-Plattformen erheblich gebremst. Die effiziente Data Governance ist der Schlüsselfaktor, um das Potenzial auszuschöpfen und eine hohe Datenqualität zu gewährleisten. Data Governance muss von Anfang an oberste Priorität haben, „Privacy by Design“ umfassen und einem „garbage in, garbage out“ entgegenwirken.

Organisation und Architektur: Der Aufbau einer KI-ready Datenplattform ist primär eine organisatorische Aufgabe. Es braucht neue Rollen wie den Chief Data Officer (CDO) und Chief AI Officer (CAIO). Die Hoheit über die Semantik der Daten sollte beim Business liegen, was dem dezentralen Data-Mesh-Ansatz entspricht, bei dem Daten als Produkt betrachtet werden. Architektonisch erfordert die Verarbeitung multimodaler, unstrukturierter Daten eine Data-Lakehouse-Architektur, die die Vorteile von Data Warehouse und Data Lake kombiniert

ROI entsteht durch Use Cases: Eine Datenplattform selbst bietet keinen ROI, dieser resultiert aus ihrem KI-Enablement und den dadurch möglichen Use Cases. Messbare Ergebnisse sind beispielsweise die Reduzierung der Average Handling Time (AHT) durch Chatbots oder Zeitersparnisse durch Document-AI. Bei der Einführung wird ein iterativer Ansatz mit nur ein bis zwei Anwendungsfällen empfohlen. Speichervolumen und damit Kosten lassen sich auch durch ein effizientes Datenmanagement mit inkrementeller Speicherung sparen.

Echtzeit ist nicht immer nötig: Eine KI-Datenplattform muss Daten nicht zwingend in Echtzeit verarbeiten. Beim Training von KI-Modellen oder bei strategischen Geschäftsentscheidungen ist Geschwindigkeit nicht kritisch. Anders beim KI-Inferencing, etwa bei Prognosen zur Ausfallwahrscheinlichkeit einer Maschine, wo Echtzeitdaten erforderlich sind. Echtzeitverarbeitung und KI-Inferencing brauchen viel Rechenpower, was Kosten nach oben treibt und sich negativ auf den ROI auswirkt. Daher werden Echtzeitanforderungen oft revidiert.