Seminar Actian Data Intelligence (Zeenea) – Knowledge Graph, AI Readiness und MCP Server

Das Seminar vermittelt, wie der föderierte Knowledge Graph der Actian Data Intelligence Platform als kontrollierte Kontextschicht für AI-Anwendungen und Agenten genutzt wird. Semantik, Lineage, Qualität, Provenienz, Verantwortlichkeiten und Berechtigungen werden so aufbereitet, dass Retrieval, MCP-basierte Werkzeugnutzung und kataloggestützte Antworten nachvollziehbar, überprüfbar und domänengerecht funktionieren. Der Schwerpunkt liegt auf Architektur, Governance und Evaluation.

Inhaltsübersicht

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik
• 1. Knowledge Graph als Kontextschicht
• 2. AI-Use-Cases und Kontextbedarf
• 3. Semantik und Geschäftsbegriffe vorbereiten
• 4. Provenienz, Lineage und Aktualität
• 5. Qualität und Vertrauenssignale für AI
• 6. MCP-Grundprinzip und Werkzeugdesign
• 7. Retrieval- und Kontextpipeline
• 8. Berechtigungen, Datenschutz und Mandantentrennung
• 9. Guardrails, Audit und Missbrauchsschutz
• 10. Evaluation und Grounding-Tests
• 11. Betrieb und kontinuierliche Verbesserung
• 12. AI-Readiness-Roadmap

Zielsetzung

• Knowledge-Graph-Prinzipien für Datenkatalog, Suche und AI-Kontext erklären
• AI-relevante Metadaten und Qualitätskriterien systematisch bestimmen
• Semantische Modelle, Begriffe, Beziehungen und Provenienz für Retrieval vorbereiten
• MCP Server als kontrollierte Schnittstelle für Kontext und Werkzeuge einordnen
• Berechtigungen, Datenschutz, Guardrails und Auditierbarkeit gestalten
• Antwortqualität, Grounding, Aktualität und Risiken mit Tests evaluieren
• Ein umsetzbares AI-Readiness- und Betriebsmodell entwickeln

Zielgruppe

AI- und Data Architects, GenAI- und Agent-Teams, Data Governance, Knowledge Engineers, Data Stewards, Security, Plattformteams und technische Product Owner.

Voraussetzungen

Grundkenntnisse zu Datenkatalog, Metadaten, APIs und generativer AI. Erfahrung mit Retrieval, Agenten oder Knowledge Graphs ist hilfreich, aber nicht erforderlich.

Seminarinhalte

1. 1. Knowledge Graph als Kontextschicht

   1. Schritt 1: Objekte, Eigenschaften und Beziehungen gegenüber tabellarischen Metadatenmodellen abgrenzen
   2. Schritt 2: Semantische Navigation, Kontextsuche und mehrstufige Beziehungen verstehen
   3. Schritt 3: Föderierte Perspektiven und gemeinsame Unternehmenszusammenhänge verbinden

   Praxis: Ein fachlich-technischer Kontextgraph für einen AI-Anwendungsfall wird skizziert.

2. 2. AI-Use-Cases und Kontextbedarf

   1. Schritt 1: Conversational Analytics, Datenassistenten, Agenten und Entwicklerunterstützung unterscheiden
   2. Schritt 2: Benötigte Begriffe, Assets, Lineage, Qualität und Nutzungsbedingungen je Use Case bestimmen
   3. Schritt 3: Risiko, Nutzerreichweite und Entscheidungswirkung bewerten

   Praxis: Ein AI-Use-Case-Steckbrief mit Kontext- und Kontrollbedarf wird erstellt.

3. 3. Semantik und Geschäftsbegriffe vorbereiten

   1. Schritt 1: Definitionen, Synonyme, KPI-Logik, Domänenkontext und Beziehungen qualitätssichern
   2. Schritt 2: Mehrdeutigkeiten und widersprüchliche Begriffe explizit modellieren
   3. Schritt 3: Technische Felder und fachliche Konzepte zuverlässig verknüpfen

   Praxis: Ein Begriffssatz wird für semantisches Retrieval überarbeitet.

4. 4. Provenienz, Lineage und Aktualität

   1. Schritt 1: Quelle, Verarbeitung, Änderung und Downstream-Nutzung als Antwortkontext bereitstellen
   2. Schritt 2: Zeitstempel, Review-Status und Gültigkeitsbereich auswertbar machen
   3. Schritt 3: Lineage-Lücken und veraltete Metadaten als Unsicherheitssignale behandeln

   Praxis: Für eine Antwort wird ein Provenienz- und Aktualitätsnachweis modelliert.

5. 5. Qualität und Vertrauenssignale für AI

   1. Schritt 1: Datenqualität, Metadatenqualität und Antwortvertrauen unterscheiden
   2. Schritt 2: Zertifizierung, SLOs, Befunde und Verantwortlichkeiten als Signale kombinieren
   3. Schritt 3: Kontextabhängige Eignung und Unsicherheit verständlich darstellen

   Praxis: Ein Trust-Scoring-Modell für kataloggestützte Antworten wird entworfen.

6. 6. MCP-Grundprinzip und Werkzeugdesign

   1. Schritt 1: MCP Server als standardisierte Vermittlung von Ressourcen, Kontext und Werkzeugen einordnen
   2. Schritt 2: Zulässige Katalogabfragen und Aktionen nach Rolle und Use Case begrenzen
   3. Schritt 3: Eingaben, Ausgaben, Fehler und technische Verträge klar definieren

   Praxis: Ein MCP-Werkzeugkatalog mit Zweck, Parametern und Berechtigungen wird modelliert.

7. 7. Retrieval- und Kontextpipeline

   1. Schritt 1: Nutzerfrage, Intent, Katalogsuche, Graphnavigation und Kontextauswahl strukturieren
   2. Schritt 2: Kontextbudget, Ranking, Deduplizierung und Zitierfähigkeit berücksichtigen
   3. Schritt 3: Fallback, Rückfragen und kontrollierte Ablehnung bei unzureichender Evidenz planen

   Praxis: Eine End-to-End-Kontextpipeline wird als Sequenz und Entscheidungslogik entworfen.

8. 8. Berechtigungen, Datenschutz und Mandantentrennung

   1. Schritt 1: Nutzeridentität und Katalogrechte bis in Tool- und Kontextaufrufe fortführen
   2. Schritt 2: Sensible Metadaten, Zweckbindung und minimale Offenlegung berücksichtigen
   3. Schritt 3: Domänen- und Kataloggrenzen in föderierten Strukturen respektieren

   Praxis: Ein Berechtigungsdurchstich für drei Nutzerrollen wird geprüft.

9. 9. Guardrails, Audit und Missbrauchsschutz

   1. Schritt 1: Zulässige Aktionen, read-only Bereiche und Genehmigungen definieren
   2. Schritt 2: Eingaben, Werkzeugaufrufe, Antwortkontext und Entscheidungen protokollieren
   3. Schritt 3: Prompt Injection, exzessive Abfragen und unerlaubte Kontextkombinationen behandeln

   Praxis: Ein Kontrollkatalog für einen kataloggestützten AI-Agenten wird erstellt.

10. 10. Evaluation und Grounding-Tests

    1. Schritt 1: Relevanz, Faktentreue, Vollständigkeit, Provenienz und Berechtigungskonformität messen
    2. Schritt 2: Golden Questions, Negativtests und domänenspezifische Testsets aufbauen
    3. Schritt 3: Fehler nach Retrieval, Metadaten, Modell und Berechtigung unterscheiden

    Praxis: Ein Evaluationsset mit Messkriterien und Fehlerklassifikation wird erstellt.

11. 11. Betrieb und kontinuierliche Verbesserung

    1. Schritt 1: Monitoring für Nutzung, Latenz, Fehlerraten, Kontextqualität und Sicherheitsereignisse definieren
    2. Schritt 2: Metadatenmängel und AI-Fehler in Governance- und Stewardship-Backlogs zurückführen
    3. Schritt 3: Versionen, Änderungen und regelmäßige Risiko-Reviews organisieren

    Praxis: Ein Betriebs- und Verbesserungszyklus wird entworfen.

12. 12. AI-Readiness-Roadmap

    1. Schritt 1: Use Cases, Metadatenreife, Semantik, Lineage, Qualität und Berechtigungen bewerten
    2. Schritt 2: Pilot, Kontrollrahmen, Evaluation und Skalierung in Stufen planen
    3. Schritt 3: Entscheidungspunkte, Verantwortlichkeiten und Erfolgskennzahlen festlegen

    Praxis: Eine 120-Tage-Roadmap für einen sicheren AI-Kontextpiloten wird erstellt.

Praxisübungen

1. Kontextgraph und AI-Use-Case-Steckbrief
2. Semantik- und Provenienzvorbereitung
3. Trust-Scoring für kataloggestützte Antworten
4. MCP-Werkzeugkatalog und Berechtigungsdurchstich
5. Retrieval- und Kontextpipeline
6. Guardrail- und Evaluationskonzept
7. 120-Tage-AI-Readiness-Roadmap

Methodik

Architekturmodelle, Threat- und Governance-Analysen, Retrieval-Design und Evaluationsübungen werden in einem durchgängigen AI-Agentenfall zusammengeführt.