Datenqualität für KI-Projekte: Messen, bereinigen, überwachen

Datenqualität für KI-Projekte: Messen, bereinigen, überwachen — Systematik statt Handarbeit.

MODUL 01: WARUM DATENQUALITÄT ENTSCHEIDET

• Garbage in, garbage out: die Kosten schlechter Daten
• Dimensionen der Datenqualität
• Qualität entlang der Pipeline
• Live-Demo: wie ein Datenfehler das Modell ruiniert
• Ihre Ausgangslage: Wie gut sind Ihre Daten wirklich?

MODUL 02: MESSEN UND BEREINIGEN

• Profiling und Qualitätsmetriken
• Bereinigung, Deduplizierung und Standardisierung
• Übung: Sie profilieren und bereinigen einen Datensatz
• Der Aha-Moment: der stille Fehler in den Trainingsdaten
• Systematik statt Handarbeit

MODUL 03: ÜBERWACHEN

• Data Quality Monitoring und Tests
• Data- und Concept-Drift erkennen
• Werkzeuge (Great Expectations und Co)
• Übung: Sie definieren Qualitätstests
• Qualität dauerhaft sichern

MODUL 04: UMSETZUNG

• Verantwortlichkeiten und Data Contracts
• Integration in Pipelines
• Fallstudie: ein Qualitäts-Gate für ein KI-Projekt
• Kultur der Datenqualität schaffen
• Ihr Fahrplan zu belastbaren Daten