Seminar GADS – Intensivseminar Datenmanagement, Integration und KI

Beschreibung

Das Intensivseminar bündelt die datenorientierten GADS-Themen in einem fünftägigen End-to-End-Format. Ausgehend von Automotive-Datenquellen werden Aufnahme, Katalogisierung, semantische Modelle, Datenqualität, Lineage, APIs, Workflows, Datenbereitstellung und KI-Nutzung in einem konsistenten Szenario verbunden.

Seminarziel

Ein Daten- und Integrationskonzept soll als zusammenhängende Lösung geplant werden können: vom ersten Datenereignis über Governance und nachvollziehbare Verarbeitung bis zum qualitätsgesicherten Analyse- oder KI-Ergebnis.

Lernziele

• Den Themenbereich „Datenstrategie und Architekturrahmen“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Aufnahme, Streaming und Transfer“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Katalog, Metadaten und Semantik“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „Datenqualität, Lineage und Traceability“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.
• Den Themenbereich „APIs, Ereignisse und Konnektoren“ fachlich einordnen, strukturiert planen und kontrolliert umsetzen.

Inhaltsübersicht

1. 1. Datenstrategie und Architekturrahmen
2. 2. Aufnahme, Streaming und Transfer
3. 3. Katalog, Metadaten und Semantik
4. 4. Datenqualität, Lineage und Traceability
5. 5. APIs, Ereignisse und Konnektoren
6. 6. Workflow-Orchestrierung und Automatisierung
7. 7. Analytics, KI und digitale Zwillinge
8. 8. Lebenszyklus, Zugriff und Datenaustausch
9. 9. End-to-End-Projekt und Abnahme

Zielgruppe

Datenarchitekten, Data Engineers, Integrationsentwickler, Data Stewards, Analytics- und KI-Teams

Voraussetzungen

Fundierte IT- und Datenkenntnisse; Erfahrung mit APIs, Datenpipelines oder Analytics ist hilfreich

Seminarinhalte

1. Datenstrategie und Architekturrahmen

Kapitelinhaltsverzeichnis: Use Cases und Nutzen; Datenquellen und Verbraucher; Edge-Core-Cloud; Datenprodukte und Owner; Qualität und Schutzbedarf; Zielbild und Messpunkte

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Use Cases und Nutzen erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Datenquellen und Verbraucher festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Edge-Core-Cloud entwerfen.
4. Datenprodukte und Owner schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Qualität und Schutzbedarf prüfen.
6. Ergebnis anhand von Zielbild und Messpunkte verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein gemeinsames Zielbild für ein datenintensives ADAS-Entwicklungsszenario erstellen.

2. Aufnahme, Streaming und Transfer

Kapitelinhaltsverzeichnis: Datei- und Streamingquellen; Pufferung und Backpressure; Chunking und Wiederaufnahme; globale Standortübertragung; Integrität und Quarantäne; Ingest-Monitoring

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Datei- und Streamingquellen erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Pufferung und Backpressure festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Chunking und Wiederaufnahme entwerfen.
4. globale Standortübertragung schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Integrität und Quarantäne prüfen.
6. Ergebnis anhand von Ingest-Monitoring verifizieren und nachvollziehbar dokumentieren.

Praxis: Eine robuste Aufnahmepipeline mit Transfer- und Fehlerpfaden modellieren.

3. Katalog, Metadaten und Semantik

Kapitelinhaltsverzeichnis: Metadatenklassen; Taxonomie und Domänenbegriffe; semantische Entitäten; automatische Extraktion; Suche und Datenproduktansicht; Katalog-Governance

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Metadatenklassen erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Taxonomie und Domänenbegriffe festlegen.
3. Zielmodell, Regeln und technische Umsetzung für semantische Entitäten entwerfen.
4. automatische Extraktion schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Suche und Datenproduktansicht prüfen.
6. Ergebnis anhand von Katalog-Governance verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein Metadaten- und Suchmodell für Mess-, Simulations- und Prüfdaten entwickeln.

4. Datenqualität, Lineage und Traceability

Kapitelinhaltsverzeichnis: Qualitätsdimensionen und Regeln; Prüfzeitpunkte und Severity; Lineage und Verarbeitungsschritte; Digital Thread; Integrität und Nachweis; Abweichungsworkflow

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Qualitätsdimensionen und Regeln erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Prüfzeitpunkte und Severity festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Lineage und Verarbeitungsschritte entwerfen.
4. Digital Thread schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Integrität und Nachweis prüfen.
6. Ergebnis anhand von Abweichungsworkflow verifizieren und nachvollziehbar dokumentieren.

Praxis: Eine prüfbare Lineage-Kette mit Qualitätskontrollen und Freigabe aufbauen.

5. APIs, Ereignisse und Konnektoren

Kapitelinhaltsverzeichnis: API-Verträge und Ressourcen; Ereignisschema und Zustellung; Servicekonten und Scopes; Mapping und Transformation; Idempotenz und Fehlerbehandlung; Contract- und Integrationstests

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für API-Verträge und Ressourcen erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Ereignisschema und Zustellung festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Servicekonten und Scopes entwerfen.
4. Mapping und Transformation schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Idempotenz und Fehlerbehandlung prüfen.
6. Ergebnis anhand von Contract- und Integrationstests verifizieren und nachvollziehbar dokumentieren.

Praxis: Eine Schnittstellenarchitektur für Engineering-Quelle und Analyseplattform entwerfen.

6. Workflow-Orchestrierung und Automatisierung

Kapitelinhaltsverzeichnis: Prozesszustände und Übergänge; Timeout, Retry und Kompensation; manuelle Freigaben; CI/CD und Versionierung; Monitoring und Korrelation; Betriebsübergabe

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Prozesszustände und Übergänge erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Timeout, Retry und Kompensation festlegen.
3. Zielmodell, Regeln und technische Umsetzung für manuelle Freigaben entwerfen.
4. CI/CD und Versionierung schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Monitoring und Korrelation prüfen.
6. Ergebnis anhand von Betriebsübergabe verifizieren und nachvollziehbar dokumentieren.

Praxis: Einen langlebigen Datenworkflow mit Deployment- und Runbook-Konzept ausarbeiten.

7. Analytics, KI und digitale Zwillinge

Kapitelinhaltsverzeichnis: Analysefrage und Zielvariable; Feature- und Trainingsdaten; Datenversion und Reproduzierbarkeit; Modell- und Ergebnisbezug; digitaler Zwilling und Kontext; Freigabe und Überwachung

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Analysefrage und Zielvariable erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Feature- und Trainingsdaten festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Datenversion und Reproduzierbarkeit entwerfen.
4. Modell- und Ergebnisbezug schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für digitaler Zwilling und Kontext prüfen.
6. Ergebnis anhand von Freigabe und Überwachung verifizieren und nachvollziehbar dokumentieren.

Praxis: Eine Datenbereitstellung für einen KI-Anwendungsfall mit Nachweis- und Rückfallkriterien planen.

8. Lebenszyklus, Zugriff und Datenaustausch

Kapitelinhaltsverzeichnis: Datenklassen und Tiering; Retention und Löschung; Rollen und Policy-Zugriff; Partnergrenzen und Zweckbindung; Datenvertrag und Qualität; Audit und Rezertifizierung

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Datenklassen und Tiering erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Retention und Löschung festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Rollen und Policy-Zugriff entwerfen.
4. Partnergrenzen und Zweckbindung schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Datenvertrag und Qualität prüfen.
6. Ergebnis anhand von Audit und Rezertifizierung verifizieren und nachvollziehbar dokumentieren.

Praxis: Eine kombinierte Policy für Speicherung, Zugriff und Partnerfreigabe formulieren.

9. End-to-End-Projekt und Abnahme

Kapitelinhaltsverzeichnis: Pilotumfang und Referenzdaten; Architekturentscheidungen; Test- und Lastszenarien; Qualitäts- und Sicherheitsnachweise; Betriebs- und Supportmodell; Roadmap und offene Risiken

1. Ausgangslage, Datenquellen und Verantwortlichkeiten für Pilotumfang und Referenzdaten erfassen.
2. Anforderungen, Abhängigkeiten und Qualitätskriterien für Architekturentscheidungen festlegen.
3. Zielmodell, Regeln und technische Umsetzung für Test- und Lastszenarien entwerfen.
4. Qualitäts- und Sicherheitsnachweise schrittweise konfigurieren oder anhand eines Referenzablaufs modellieren.
5. Normalbetrieb, Fehlerfälle und Grenzbedingungen für Betriebs- und Supportmodell prüfen.
6. Ergebnis anhand von Roadmap und offene Risiken verifizieren und nachvollziehbar dokumentieren.

Praxis: Ein vollständiges Lösungs- und Abnahmepaket für den Referenz-Use-Case erstellen.

Praxisanteile

Die Übungen bauen auf einem konsistenten Automotive-Datenszenario auf. Konfigurationen, Architekturentscheidungen, Prüfprotokolle und Betriebsmaßnahmen werden so dokumentiert, dass sie in ein eigenes Einführungs- oder Betriebskonzept übertragen werden können.