Der Erfolg von KI-Anwendungen hängt nicht allein von Modellen und Rechenleistung ab. Entscheidend ist auch, ob die Systeme auf die relevanten Unternehmensdaten zugreifen können.
Daten nutzen statt Daten bewegen
Warum KI-Projekte am Datenzugriff scheitern können
Genau hier stoßen viele Unternehmen auf eine verteilte und schwer zugängliche Datenlandschaft.
Starburst, Anbieter im Bereich Enterprise Intelligence und Big Data Analytics, sieht deshalb den Datenzugriff als eine zentrale Voraussetzung für produktive KI-Anwendungen.
Unternehmenswissen liegt selten an einem Ort
Für KI-Systeme reicht das trainierte Modell allein nicht aus. Damit sie Geschäftsvorgänge analysieren, Entscheidungen unterstützen oder Aufgaben übernehmen können, benötigen sie aktuellen Kontext. Dieser findet sich jedoch häufig in unterschiedlichen Datenbanken, SaaS-Anwendungen und Abteilungssystemen.
Hinzu kommen Daten, die aus regulatorischen oder organisatorischen Gründen nicht ohne Weiteres verschoben werden dürfen. Auch Wissen, das nur innerhalb einzelner Teams vorhanden ist, lässt sich nicht ohne Weiteres in eine zentrale Datenbasis überführen.
Damit entsteht ein grundlegendes Problem: Je mehr Informationen eine KI benötigt, desto schwieriger wird es, diese Daten vollständig und aktuell an einem zentralen Ort zusammenzuführen.
Zentralisierung stößt an Grenzen
Traditionell versuchen Unternehmen, dieses Problem durch die Zentralisierung ihrer Daten zu lösen. Informationen aus verschiedenen Quellen werden kopiert und beispielsweise in einem Data Warehouse zusammengeführt.
Dieser Ansatz verursacht jedoch laufenden Aufwand. Daten müssen übertragen, aktualisiert und gepflegt werden. Gleichzeitig entstehen immer wieder neue Quellen und Formate. Mit zunehmender Datenmenge können außerdem Kosten und Abhängigkeiten von einzelnen Plattformanbietern steigen.
Für klassische Analyseprojekte war dieser Aufwand bereits eine Herausforderung. Bei KI-Anwendungen wird er noch relevanter, weil aktuelle und möglichst vollständige Daten benötigt werden.
Föderierter Zugriff als Alternative
Ein anderer Ansatz besteht darin, die Daten an ihrem ursprünglichen Speicherort zu belassen. Über eine zentrale Zugriffsschicht können Anwendungen trotzdem auf Informationen aus unterschiedlichen Systemen zugreifen. Dieses Prinzip wird als Datenföderierung bezeichnet.
Lange Zeit war die technische Leistungsfähigkeit ein wesentlicher Nachteil dieses Modells. Verteilte Abfragen über unterschiedliche Systeme waren häufig zu langsam für produktive Anwendungen. Fortschritte bei der Datenverarbeitung haben diese Einschränkung jedoch reduziert.
Damit kann Föderierung heute eine Alternative zur vollständigen Zentralisierung darstellen. Für KI-Anwendungen ist insbesondere relevant, dass neue Datenquellen eingebunden werden können, ohne zuvor umfangreiche Migrationsprojekte durchführen zu müssen.
Zugriff allein reicht nicht
Ein schneller Zugriff auf Unternehmensdaten löst allerdings noch nicht alle Probleme. KI-Systeme müssen auch verstehen, welche Bedeutung die jeweiligen Informationen haben.
Dafür sind Datenprodukte und eine einheitliche semantische Einordnung wichtig. Sie können beispielsweise festlegen, wie bestimmte Geschäftsbegriffe verwendet werden und welche Zusammenhänge zwischen verschiedenen Datenbeständen bestehen. Gleichzeitig müssen Zugriffsrechte und Governance berücksichtigt werden.
Eine belastbare KI-Datenbasis muss außerdem mit der Entwicklung des Unternehmens Schritt halten. Neue Anwendungen, Datenquellen und Geschäftsprozesse verändern die zugrunde liegende Datenlandschaft kontinuierlich.
Neue Daten anders speichern
Föderierte Zugriffe und zentrale Speicherstrategien müssen sich dabei nicht gegenseitig ausschließen. Für neu entstehende Daten kann beispielsweise eine moderne Lakehouse-Architektur genutzt werden, während bestehende Informationen weiterhin an ihren ursprünglichen Speicherorten verbleiben.
Offene Formate wie Apache Iceberg können dabei eine Rolle spielen, um Daten über unterschiedliche Systeme hinweg nutzbar zu halten. Entscheidend ist weniger die Wahl eines einzelnen Speichers als eine Architektur, die verschiedene Datenquellen zusammenführen kann, ohne jedes Mal umfangreiche Migrationen vorauszusetzen.
Datenzugriff wird zur strategischen Frage
Mit der zunehmenden Nutzung von KI verändert sich damit auch die Bedeutung der Dateninfrastruktur. Was lange als Frage von Datenbanken, Warehouses und Analytics betrachtet wurde, wird zunehmend zu einer Voraussetzung für den produktiven Einsatz von KI.
Unternehmen benötigen eine Möglichkeit, verteilte Informationen schnell, kontrolliert und unter Einhaltung regulatorischer Vorgaben verfügbar zu machen. Datenföderierung kann dabei einen Weg bieten, vorhandene Datenbestände nutzbar zu machen, ohne sie vollständig an einen zentralen Ort verschieben zu müssen.
Für KI-Projekte bedeutet das: Nicht nur das Modell entscheidet über die Qualität der Ergebnisse. Ebenso wichtig ist die Architektur dahinter, die dafür sorgt, dass das System auf die richtigen Daten und den notwendigen Geschäftskontext zugreifen kann.
(red/Starburst)
