Illustration Absmeier foto freepik ki

Der Erfolg vom KI-Projekten steht und fällt mit den Daten, denn selbst die besten KI-Modelle können mit schlecht aufbereiteten Informationen keine guten Ergebnisse liefern. Doch die Verwaltung, Prüfung, Aufbereitung und Bereitstellung großer Informationsmengen im Unternehmen ist keine einfache Aufgabe und erfordert ein robustes Datenmanagement, das neben der Technik auch die Prozesse berücksichtigt. Dell Technologies liefert einen Leitfaden für den Aufbau eines Datenmanagements für die KI-Welt.

Für die meisten Experimente mit KI sind perfekte Daten sicher keine Voraussetzung. Spätestens wenn es jedoch darum geht, den Nutzen neuer KI-Anwendungen zu bewerten und Proof of Concepts in den Produktivbetrieb zu überführen, benötigen Unternehmen ein robustes Datenmanagement, um die KI mit qualitativ hochwertigen Daten zu versorgen. Hier genügt es nicht, einfach nur den Zugriff auf Informationen sicherzustellen. Vielmehr sind Prozesse und Lösungen notwendig, die bei der Identifizierung geeigneter Daten und deren Aufbereitung unterstützen und gut skalieren. Das sind die wichtigsten Schritte bei der Modernisierung des Datenmanagements für die Herausforderungen des KI-Zeitalters:

Konkrete Business-Ziele festlegen:
Ohne eine klare Vision und konkrete geschäftliche Ziele können Unternehmen nur schwer einen Nutzen aus ihren Datenschätzen ziehen. Erst wenn sie wissen, was sie mit Daten und KI erreichen wollen, sind sie in der Lage, Anforderungen zu definieren und ihr Datenmanagement entsprechend anzupassen. Darüber hinaus benötigen sie Metriken, um zu überprüfen, ob die Maßnahmen wirksam sind und die angestrebten Ziele erreicht werden.
Ermittlung relevanter Daten beschleunigen:
Viel hilft nicht immer viel. Wichtiger als die reine Menge an Informationen ist ihre Relevanz, weshalb Unternehmen genau die Daten schnell identifizieren müssen, die der Lösung eines Problems dienen. Das funktioniert am besten, wenn sie eine Verbindung zwischen Daten und ihrem Wert herstellen, indem sie Quelldatensätze katalogisieren und Metadaten erstellen. Dann kann die Datenauswahl und -bereitstellung effizient und effektiv erfolgen.
Datenexploration und -zugriff vereinfachen:
Häufig werden Daten für Analysen auf zentralisierte Speicher verschoben, was ineffizient ist und Echtzeit-Auswertungen erschwert. Besser ist es, einen einheitlichen Zugriff auf die Originalspeicherorte zu ermöglichen, etwa mit modernen Architekturen wie einem Data Lakehouse. Sie ermöglichen es, Daten unabhängig vom Standort und der Datenquelle automatisch zu erkennen, einheitlich anzusprechen und in Echtzeit zu nutzen.
KI iterativ optimieren:
Kontinuierliche Experimente und Modellierungen helfen, Datenvariablen zu identifizieren, die die Leistung der KI verbessern. Ein iterativer Prozess des Testens, Lernens und Verfeinerns sorgt letztlich dafür, dass die Modelle robust bleiben und Innovationen vorangetrieben werden können. Gerade für den KI-Einstieg sind vortrainierte Modelle ein guter Ausgangspunkt. Zudem können synthetisch generierte Daten helfen, Herausforderungen beim Datenschutz und der Datenqualität zu bewältigen und Prozesse in der Anfangsphase zu beschleunigen.
Datenprodukte und Analysen skalieren:
Die Bereitstellung und Skalierung einfach nutzbarer Datenprodukte erleichtert es, aus einzelnen, isolierten KI- und Datenprojekten eine Projektpipeline aufzubauen, die eine immer weiter fortgeschrittene Datenwertschöpfung ermöglicht. Die Datenprodukte stellen eine effiziente und standardisierte Datenerfassung und -bereitstellung sicher, um Informationen schneller für Analysen zu nutzen, und können bei Bedarf leicht angepasst und optimiert werden.
Datenmanagement und Data Governance automatisieren:
Wenn mehr und mehr Daten- und KI-Projekte umgesetzt werden, steigt der Aufwand bei der Verwaltung der Informationen und bei der Einhaltung von Compliance-Vorgaben. Deshalb ist es wichtig, Datenmanagement und Data Governance weitgehend zu automatisieren, sodass alle Workflows den vorgegebenen Standards, Richtlinien und Sicherheitsvorgaben folgen und Abweichungen vom System erkannt und gemeldet werden. Auf diese Weise gelingt die Datennutzung auch im großen Maßstab ohne Sicherheits- oder Compliance-Risiken.
Feedback-Schleife aufbauen:
Um ihre Daten- und KI-Initiativen kontinuierlich weiterzuentwickeln und zu optimieren, müssen Unternehmen eine Kultur des Lernens und Anpassens fördern und regelmäßig überprüfen, ob ihre Initiativen die gewünschten Ergebnisse liefern. Auf diese Weise können sie zudem angepasst werden, falls sich die geschäftlichen Ziele verändern.

»Das Datenmanagement ist entscheidend für den Erfolg von Daten- und KI-Projekten«, betont Christian Winterfeldt, Senior Director Datacenter Sales DACH bei Dell Technologies. »Beim Datenmanagement handelt es sich allerdings um keine einmalige Aufgabe, sondern einen fortlaufenden Prozess, in dem Maßnahmen und Tools stetig verbessert werden, um die Datenwertschöpfung im Unternehmen voranzutreiben. Pauschallösungen gibt es dafür nicht, da jedes Unternehmen über eine einzigartige Datenlandschaft und ein individuelles Ökosystem aus Hardware und Software verfügt. Die Dell AI Factory mit NVIDIA vereint jedoch verschiedene Bausteine, sodass Unternehmen flexibel bleiben und die Technologie optimal an ihren geschäftlichen Anforderungen ausrichten können.«

1480 Artikel zu „Datenmanagement KI“

News | Digitalisierung | Favoriten der Redaktion | Infrastruktur | Künstliche Intelligenz | Strategien | Tipps

(Umwelt)bewusstes Datenmanagement: Der Weg zur sparsamen KI

11. Oktober 2025

Künstliche Intelligenz (KI) hat das Potenzial, die Effizienz von Unternehmen erheblich zu steigern. Doch dieser Fortschritt hat auch Schattenseiten. Der unkontrollierte Anstieg von Einwegdaten und die damit verbundene Datenverschwendung stellen ein großes ökologisches Problem dar. Schätzungen der International Energy Agency zeigen, dass der Strombedarf von Rechenzentren bis 2030 auf 945 Terawattstunden ansteigen könnte. Dies entspricht…