Data-Centric AI: Ohne Data Contracts kein ML

Data-Centric AI verstehen

• Prinzipien datenzentrierter KI-Entwicklung
• Modellzentrierte und datenzentrierte Optimierung
• Fehlerursachen in ML-Datenpipelines
• Rollen von Engineering, ML und Governance

Datenqualität systematisch verbessern

• Qualitätsdimensionen für ML-Datasets
• Drift, Ausreißer und Duplikate
• Inkonsistenzen in Produktionsdaten
• Qualitätsmetriken für ML-Workflows
• Risikobasierte Fehlerpriorisierung

Label-Strategien und Ground Truth

• Label-Definitionen und Annotation-Guidelines
• Label-Noise und Grenzfälle
• Review-Prozesse für kritische Labels
• Ground-Truth-Qualität und Fachlogik
• Modellverhalten gegen Label-Logik

Data Contracts in der Praxis

• Contract-Struktur für ML-Systeme
• Schema, Semantik und Qualitätsregeln
• Ownership, SLAs und Verfügbarkeit
• Versionierung und Breaking Changes
• Contract-Checks in CI/CD

Feedback-Loops und Fehleranalyse

• Modellfehler als Datensignale
• Monitoring von Datenqualität
• Monitoring von Modellperformance
• Incident-Analyse bei Datenproblemen
• Reviews mit Fachbereich und ML-Team

Governance und Umsetzung

• Verantwortung für ML-Datasets
• Datenprodukte und fachliche Ownership
• Dokumentation und Nachvollziehbarkeit
• Audit-Fähigkeit von Datenänderungen
• Roadmap für Data-Centric AI

• Grundkenntnisse in Datenmodellen, Datenpipelines oder Machine Learning
• Erfahrung mit Analytics-, Data-Engineering- oder ML-Projekten
• Grundverständnis für Datenqualität, etwa aus der Datenqualität & Governance Schulung

• Data Engineers mit Verantwortung für ML-Datenpipelines
• Analytics Engineers in datenproduktorientierten Teams
• ML Engineers und Data Scientists in produktiven KI-Umgebungen
• Data-Governance-Verantwortliche und Data Stewards für Datenprodukte
• Architektinnen und Architekten für ML-Datenarchitekturen