Welche Daten und Systemzugänge ein KI-Projekt vor dem Start braucht

Was ein Prozessprojekt tatsächlich braucht

Teams verschieben KI-Vorhaben oft, bis ein Data Lake oder ein Datenkatalog fertig ist. Für einen Agenten oder Assistenten auf Basis eines vorhandenen Modells ist das selten der Engpass. Das Modell ist bereits trainiert. Das Projekt braucht die Datensätze, die ein Prozess berührt, einen genehmigten Weg, sie zu lesen, und Fälle, die zeigen, wie ein richtiges Ergebnis aussieht. Das AWS Generative AI Lens nennt verstreute Daten, uneinheitliche Governance und unklare Zuständigkeiten als Bremsen für Experimente mit generativer KI, und alle drei sind eher Fragen von Menschen und Zugängen als von Datenmenge.

Eine Startcheckliste mit einem Namen in jeder Zeile

1. 1

   Eine verantwortliche Person je Datenquelle

   Eine Person, die freigeben kann, dass diese Daten für diesen Zweck genutzt werden dürfen, in welcher Umgebung und wie lange. Nach genau dieser Freigabe wird Ihr Datenschutzbeauftragter fragen.

2. 2

   Ein Dienstkonto mit Lesezugriff

   Zugriff über eine API mit dem engsten Umfang, den die Aufgabe braucht. Schreibzugriff folgt später, wenn Ergebnisse geprüft sind.

3. 3

   Repräsentative abgeschlossene Fälle

   Geschlossene Tickets, gebuchte Rechnungen oder korrigierte Extraktionen, bei denen das richtige Ergebnis festgehalten ist. Anthropics Leitfaden zu Evaluierungen empfiehlt, frühe Testaufgaben aus echten Fehlschlägen in Bugtrackern und Support-Queues zu gewinnen.

4. 4

   Eine Fachperson, die Ergebnisse beurteilt

   Jemand aus dem Prozess mit fest eingeplanter Zeit pro Woche, um unklare Bewertungen zu klären und Ergebnisse zu lesen. Ohne diese Zeit kann niemand bestätigen, dass ein Ergebnis stimmt.

5. 5

   Ein genehmigter Arbeitsort

   Eine Umgebung, in der die Testdaten liegen und Modellaufrufe stattfinden dürfen, mit den Datenflüssen, die Ihr Sicherheitsteam freigegeben hat.

6. 6

   Eine kurze Beschreibung jedes Datensatzes

   Woher die Datensätze stammen, welchen Zeitraum sie abdecken und was bekanntermaßen fehlt. Gebru und Kolleginnen schlugen dafür Datasheets for Datasets vor, und für ein erstes Projekt genügt eine halbe Seite je Quelle.

Was einen Fallsatz repräsentativ macht

Ein zufälliger Export der Fälle des letzten Monats ist ein Anfang, enthält aber vor allem Routinearbeit und fast keine der Fälle, die Ärger machen. Das AWS Lens empfiehlt geschichtete Stichproben: Teilen Sie die Fälle in relevante Gruppen und ziehen Sie aus jeder. In einem hypothetischen Satz von 300 Serviceanfragen könnten das 180 Routineanfragen sein, 75 Ausnahmen wie fehlende Unterlagen oder strittige Beträge und 45 seltene Typen, die bewusst überrepräsentiert sind. Die Anteile dienen der Veranschaulichung und sollten Ihrem eigenen Fallmix folgen. Berichten Sie Ergebnisse je Gruppe. Weil seltene Typen überrepräsentiert sind, ist die Gesamtquote dieses Satzes nicht Ihre Fehlerquote in der Produktion. Schätzungen für die Produktion sollten jede Gruppe mit ihrem tatsächlichen Anteil gewichten.

Prüfen Sie die Ergebnisse ebenso wie die Eingaben. Ein erfasstes Ergebnis kann falsch sein, etwa wenn ein Ticket geschlossen wurde, um eine Zielvorgabe zu erfüllen. Lassen Sie die Fachperson eine Stichprobe der Bewertungen prüfen, bevor sie zum Maßstab für das System werden.

Wenn Produktivdaten nicht genutzt werden dürfen

Manche Organisationen erlauben keine Modelltests auf Produktivdaten. Das AWS Lens behandelt diesen Fall: Der Referenzdatensatz sollte dann funktional gleichwertige Daten enthalten, mit Testdaten und Mock-Endpunkten für Agenten-Workflows. Praktisch heißt das pseudonymisierte Auszüge in einer genehmigten Umgebung oder synthetische Fälle, die Fachleute nach echten Mustern schreiben. Ob Pseudonymisierung ausreicht, entscheiden Ihr Datenschutzbeauftragter und Ihre Rechtsberatung. Die Technik liefert die Fakten dafür: welche Felder, wohin sie fließen und wie lange sie gespeichert werden.

Zugänge, die auch in Produktion funktionieren

Piloten verführen zu Abkürzungen: ein persönliches API-Token, ein per E-Mail verschickter Tabellenexport, ein für eine Woche geliehenes Administratorkonto. Das funktioniert im ersten Sprint und blockiert den Weg in die Produktion, weil niemand es dauerhaft freigeben kann. Das AWS Lens empfiehlt, ein Modell, das Ihre Datenspeicher liest, wie einen privilegierten Nutzer zu behandeln und ihm nur den minimalen Zugriff zu geben, den seine Aufgabe erfordert. Wer das am Anfang einrichtet, investiert Administratorzeit früh statt später in den Neubau der Integration.

Entscheiden, ob Sie jetzt starten

Teilen Sie die Arbeit danach auf, was sie berührt. Umfangsklärung, Testdesign und ein Prototyp auf synthetischen oder Testdaten können beginnen, sobald die Datenverantwortlichen und die Fachperson benannt sind. Alles, was echte Datensätze liest oder an ein Modell schickt, wartet, bis Dienstkonto, genehmigte Umgebung und Datenfluss freigegeben sind. Datensatzbeschreibungen können parallel entstehen. Gibt es keine bekannten Ergebnisse und keine Expertenzeit, starten Sie den Aufbau gar nicht. Beginnen Sie stattdessen, im heutigen Prozess Ergebnisse zu erfassen. Mit dieser Umfangsklärung beginnt unsere Arbeit im KI-Engineering, und ein erstes Gespräch braucht keinen Zugang zu Ihren Systemen oder Daten.

Den ersten Workflow für die Automatisierung wählenWas ein KI-Pilot belegen muss