Detaillierte Informationen zum Seminar
Inhalte:
Das Training gliedert sich in fünf Module und eine abschließende geführte Übung. Modul 1 - Datenqualität als QuerschnittsanforderungDimensionen der Datenqualität; „Garbage in, garbage out: Folgen von Datenqualitätsmängeln; Bezug zu etablierten Referenzmodellen; Einordnung in die EU-DatenregulierungModul 2 - Gesetzliche Anforderungen: KI-Verordnung und DSGVO
- Risikobasierter Ansatz und Risikoklassen; Daten und Daten-Governance; Risikomanagementsystem; Genauigkeit, Robustheit und Cybersicherheit; Grundrechte-Folgenabschätzung (FRIA) und Abgrenzung/Ergänzung zur Datenschutz-Folgenabschätzung; Technische Dokumentation
- Leitbeispiel: Fehlklassifikation durch schlechte Inputdaten und ihre rechtlichen wie betrieblichen Folgen.
- Fristenlage
- Verzahnung mit der DSGVO: Datenqualität ist auch datenschutzrechtlich verpflichtend; Datenqualität als Schutz vor diskriminierenden Fehlentscheidungen
Modul 3 - Normative Anforderungen und ihre IntegrationISO 9001:2015 (Qualitätsmanagement)
- Grundsatz „faktengestützte Entscheidungsfindung
- Datenqualität als Voraussetzung valider Kennzahlen
- Nachweisführung und Rückverfolgbarkeit
- Prozessorientierter Ansatz und kontinuierliche Verbesserung (PDCA), angewandt auf Datenqualität
ISO/IEC 27001:2022 (Informationssicherheit):
- Schutzziel Integrität
- Relevante Maßnahmen aus Anhang A
- Schnittstelle Informationssicherheit ↔ Datenqualität
ISO/IEC 42001:2023 (KI-Managementsystem):
- Aufbau und Logik des KI-Managementsystems; Datenqualität im KI-Lebenszyklus
- Daten für KI-Systeme: Daten für Entwicklung, Datenbeschaffung, Qualität der Daten, Datenprovenienz/Herkunft, Datenaufbereitung
- KI-Risikobeurteilung und KI-Folgenabschätzung
- Verknüpfung zu den Pflichten der KI-Verordnung
Integriertes Managementsystem:
- Mapping der Datenqualitätsanforderungen der Regelwerke
- gemeinsame Nachweise und Dokumente.
- Harmonized Structure als Integrationsrahmen.
Modul 4 - Auswirkungen auf die betrieblichen Prozesse (aus Sicht der Prozessverantwortlichen)
- Datenqualität wird Teil der Prozesslandschaft
- Erweiterte Rollen und Verantwortlichkeiten
- Eingebaute Kontrollpunkte („Quality Gates)
- Schnittstellen, Datenflüsse und Lieferanten
- Steuerung über Kennzahlen
- Dokumentation und Nachweisführung
- Abweichungs- und Vorfallmanagement
- Veränderungsmanagement und Befähigung
- Ressourcen und Priorisierung
Modul 5 - Methodenbaukasten für die Praxis
- Datenqualitäts-Risikoanalyse und -Folgenabschätzung
- Datenqualitäts-Assessment
- Daten-Governance
- Datenqualitäts-Kennzahlen (KPIs)
- Audit-Vorbereitung
Übung und Fallstudien (Abschluss)
- Hochrisiko-Anwendungen
- Geführte Kurzübung: beispielhafte Datenqualitäts-Risikofolgenabschätzung und Ableitung erster, regelwerksübergreifender Maßnahmen an einem realistischen Fall.
Ziele/Bildungsabschluss:
- Datenqualität als Querschnitts- und Pflichtanforderung verstehen.
- Anforderungen der KI-Verordnung an Daten und Daten-Governance einordnen können.
- Datenbezogene Maßnahmen der ISO/IEC 42001 im Zusammenspiel mit Risiko- und Folgenabschätzung anwenden können.
- Datenqualitätsanforderungen der ISO 9001 kennen und nutzen.
- Beitrag der ISO/IEC 27001 zur Datenqualität verstehen
- Wissen, wie Datenqualitätsanforderungen der Regelwerke gebündelt werden
- Datenqualitäts-Risikoanalyse und -Folgenabschätzung methodisch durchführen können
- Wissen, wie Datenqualitäts-Kennzahlen definiert und dokumentiert werden
- Auswirkungen der Datenqualitäts- und Compliance-Anforderungen erkennen
Teilnahmevoraussetzungen:
Kenntnisse der EU-KI-Verordnung sowie der Managementnormen ISO 9001, ISO/IEC 27001 und ISO/IEC 42001 sind hilfreich.
Zielgruppe:
- Qualitäts-, Informationssicherheits- und KI-Beauftragte sowie Managementsystem-Verantwortliche.
- Interne und externe Auditor:innen sowie Compliance-, Risiko- und Datenschutzverantwortliche.
- Projektverantwortliche und Führungskräfte, die KI-Vorhaben regelkonform und nachweisbar aufstellen müssen.
- Prozessverantwortliche und Prozessmanager:innen, die Datenqualitätsanforderungen in betriebliche Abläufe integrieren, steuern und nachweisen.
- Data Scientists, KI-/Data-Engineers und Produktverantwortliche, die regulatorische und normative Anforderungen in der Praxis umsetzen - als Brücke zwischen Compliance und technischer Umsetzung.
Seminarkennung:
Inhouse-Lehrgang: ET AIDG
