Was ist KI-Datenverwaltung?

Sowohl traditionelle, regelbasierte KI als auch fortschrittlichere Modelle der generativen KI können bei der Datenverwaltung helfen.

Moderne Unternehmen verfügen über riesige Datenmengen aus allen Bereichen – von Finanztransaktionen und Produktbeständen bis hin zu Mitarbeiterdaten und Kundenpräferenzen. Unternehmen, die diese Daten zur Entscheidungsfindung und Förderung von Geschäftsinitiativen nutzen, können sich einen erheblichen Wettbewerbsvorteil verschaffen.

Die Herausforderung besteht jedoch darin, diese großen Datensätze so genau, zuverlässig und zugänglich zu machen, dass sie in der Praxis genutzt werden können.

Der IBM Data Differentiator berichtet, dass 82 % der Unternehmen Datensilos haben, die wichtige Workflows behindern. Ganze 68 % der Unternehmensdaten werden nie analysiert, was bedeutet, dass das Unternehmen nie den vollen Nutzen aus diesen Daten zieht.

KI- und ML-Tools können Unternehmen dabei helfen, ihre Daten zu nutzen, indem sie Aufgaben wie die Integration von Datenquellen, die Datenbereinigung und den Datenabruf optimieren. So können Unternehmen vermehrt datengestützte Entscheidungen treffen.

Die KI-Datenverwaltung hilft Unternehmen zusätzlich dabei, die Pipelines mit hochwertigen Daten aufzubauen, die sie benötigen, um ihre eigenen KI-Modelle und Algorithmen für maschinelles Lernen zu trainieren und bereitzustellen.

Viele Typen von Tools zur Datenverwaltung – wie Lösungen für den Datenspeicher, Tools zur Datenintegration, Master Data Management-Tools, Governance-Lösungen und andere – enthalten jetzt ML- und KI-Funktionen. Diese Tools können sowohl traditionelle KI-Algorithmen als auch generative KI-Systeme verwenden.

• Traditionelle KI-Systeme führen spezifische, regelbasierte Aufgaben aus, z. B. ein Datenbankverwaltungssystem, das Daten automatisch anhand vordefinierter Kriterien kategorisiert.

• Generative KI-Systeme wie Microsoft Copilot, Meta's Llama und IBM Granite reagieren auf natürliche Sprache und erstellen Originalinhalte. Ein Datenbankverwaltungssystem mit einem integrierten Large Language Models (LLM) kann beispielsweise Zusammenfassungen von Daten erstellen und Abfragen in einfachem Englisch statt in SQL akzeptieren.

KI und ML können in fast jeden Teil der Datenverwaltung integriert werden, aber einige der häufigsten Anwendungsfälle sind:

• Datenerkennung
• Datenqualität.
• Datenzugriff
• Datensicherheit

Unternehmen arbeiten heute mit einer Vielzahl von Daten, die aus verschiedenen Quellen und in unterschiedlichen Formaten in das Unternehmen gelangen. Diese Daten werden von verschiedenen Benutzern verarbeitet und landen schließlich verstreut in Public und Private Clouds, lokalen Speichersystemen und sogar auf den persönlichen Endgeräten der Mitarbeiter.

Es kann schwierig sein, all diese Daten zentral zu verfolgen und zu verwalten, was zwei Probleme aufwirft.

Erstens kann ein Unternehmen einen Datensatz nicht verwenden, wenn es nicht weiß, dass dieser existiert.

Zweitens stellen diese unentdeckten und nicht verwalteten „Schattendaten“ ein Sicherheitsrisiko dar. Laut dem Cost of a Data Breach Report von IBM sind bei einem Drittel der Datenschutzverletzungen Schattendaten involviert. Diese Verstöße kosten im Durchschnitt 5,27 Millionen US-Dollar, 16 % mehr als die durchschnittlichen Kosten für Datenschutzverletzungen insgesamt.

KI und ML können viele Aspekte der Datenerkennung automatisieren und Unternehmen mehr Transparenz und Kontrolle über all ihre Daten-Assets verschaffen.

Beispiele für KI in der Datenerkennung sind:

• KI-gestützte Tools zur Datenerkennung können Netzwerkgeräte und Datenspeicher automatisch scannen und neue Daten nahezu in Echtzeit indizieren. 

• Automatisierte Tools zur Datenklassifizierung können neue Daten auf der Grundlage vordefinierter Regeln oder maschineller Lernmodelle kennzeichnen. Zum Beispiel könnte das Tool jede beliebige neunstellige Zahl im Format XXX-XX-XXXX als US-Sozialversicherungsnummer klassifizieren. 

• LLMs und andere Tools zur Verarbeitung natürlicher Sprache können strukturierte Daten aus unstrukturierten Datenquellen extrahieren. Dazu gehören beispielsweise Kontaktdaten von Bewerbern und frühere Berufserfahrungen aus Lebensläufen in Textdokumenten mit unterschiedlichen Formaten.

Schlechte Daten können mehr Probleme verursachen als gar keine Daten. Wenn die Daten eines Unternehmens unvollständig oder ungenau sind, sind auch die darauf basierenden Geschäftsinitiativen und KI-Modelle nicht optimal.

KI- und ML-Tools können dabei helfen, Fehler in Unternehmensdaten zu identifizieren und zu korrigieren, sodass Benutzer nicht mehr die zeitaufwändige manuelle Datenbereinigung durchführen müssen. KI kann zudem schneller arbeiten und mehr Fehler erkennen als ein menschlicher Benutzer.

Beispiele für KI bei der Datenbereinigung sind:

• KI-gestützte Tools zur Datenaufbereitung können Validierungsprüfungen durchführen und Fehler wie falsche Formatierung und unregelmäßige Werte markieren oder korrigieren. Einige KI-gestützte Tools zur Datenaufbereitung können Daten auch in das entsprechende Format konvertieren (z. B. unstrukturierte Besprechungsnotizen in strukturierte Tabellen).

• Synthetische Datengeneratoren können fehlende Werte bereitstellen und andere Lücken in Datensätzen schließen. Diese Generatoren können maschinelle Lernmodelle verwenden, um Muster in vorhandenen Daten zu identifizieren und hochpräzise synthetische Datenpunkte zu generieren.

• Einige Master Data Management (MDM)-Tools können KI und ML nutzen, um Fehler und Duplikate in kritischen Datensätzen zu erkennen und zu korrigieren. Zum Beispiel das Zusammenführen von zwei Kundendatensätzen mit demselben Namen, derselben Adresse und denselben Kontaktdaten.

• KI-gestützte Daten-Observability-Tools können automatisch Datenabstammungsaufzeichnungen generieren, sodass Unternehmen nachverfolgen können, wer Daten verwendet und wie sie sich im Laufe der Zeit verändern.

Datensilos hindern viele Unternehmen daran, den vollen Wert ihrer Daten zu realisieren. KI und ML können die Datenintegration optimieren und isolierte Speicher durch einheitliche Data Fabric ersetzen. Benutzer im gesamten Unternehmen können bei Bedarf auf die benötigten Daten-Assets zugreifen.

Beispiele für KI beim Datenzugriff sind:

• KI-gestützte Tools zur Datenintegration können automatisch Beziehungen zwischen verschiedenen Datensätzen erkennen, sodass das Unternehmen diese verbinden oder zusammenführen kann.

• Tools zur Metadatenverwaltung mit KI-Funktionen können die Erstellung von Datenkatalogen automatisieren, indem sie Beschreibungen von Assets auf der Grundlage von Tagging und Klassifizierung generieren.

• Datenbanken und Datenkataloge mit LLM-basierten Schnittstellen können Befehle in natürlicher Sprache akzeptieren und verarbeiten, damit Benutzer Assets und Produkte finden können, ohne benutzerdefinierten Code oder SQL-Abfragen schreiben zu müssen. Einige LLM-gestützte Schnittstellen können Benutzern auch dabei helfen, Abfragen zu verfeinern, Datensätze anzureichern oder verwandte Datenpunkte vorzuschlagen.

• KI-fähige Abfrage-Engines können Algorithmen für maschinelles Lernen verwenden, um die Leistung von Datenbanken zu verbessern, indem sie Muster in Workloads analysieren und die Ausführung von Abfragen optimieren.

Es gibt gute Gründe dafür,der Datensicherheit Priorität einzuräumen. Dem Data Breach Kostenreport zufolge kostet eine durchschnittliche Datenschutzverletzung ein Unternehmen 4,88 Millionen US-Dollar durch entgangene Geschäfte, Systemausfallzeiten, Rufschädigung und Reaktionsmaßnahmen. 

KI und ML können dabei helfen, Sicherheitsrichtlinien durchzusetzen, Verstöße zu erkennen und nicht autorisierte Aktivitäten zu blockieren. Beispiele für KI in der Datensicherheit sind:

• KI-gestützte Tools zur Vermeidung von Datenverlust können personenbezogene Daten (PII) und andere sensible Daten automatisch erkennen, Sicherheitskontrollen anwenden und die unbefugte Nutzung dieser Daten kennzeichnen oder blockieren.

• Anomaliebasierte Tools zur Bedrohungserkennung wie User and Entity Behavior Analytics (UEBA) und Endpoint Detection and Response (EDR) nutzen KI- und ML-Algorithmen zur Überwachung der Netzwerkaktivität. Sie erkennen verdächtige Abweichungen, wie z. B. eine große Menge an Daten, die plötzlich an einen neuen Speicherort verschoben werden.

• LLMs können Unternehmen bei der Erstellung und Umsetzung von Data-Governance-Richtlinien zur unterstützen. In einem System mit rollenbasierter Zugriffskontrolle (RBAC) kann ein LLM beispielsweise dem Sicherheitsteam dabei helfen, die verschiedenen Arten von Rollen und ihre Berechtigungen zu beschreiben. Der LLM könnte auch dabei helfen, diese Rollenbeschreibungen in Regeln für ein Identity und Access Management-System umzuwandeln.

• KI-fähige Betrugserkennungstools können KI und ML nutzen, um Muster zu analysieren und ungewöhnliche Transaktionen zu erkennen.

KI kann dabei helfen, die Datenverwaltung zu transformieren, indem mühsame Aufgaben (z. B. die Erkennung, Bereinigung und Katalogisierung von Daten) automatisiert werden, während die Datenabfrage und -analyse optimiert wird. Unternehmen können effizientere Prozesse zur Datenverwaltung aufbauen, die weniger fehleranfällig sind und Data Science, KI-Initiativen und Datenschutz besser unterstützen.

Laut dem AI and Information Management Report von AvePoint verwalten 64 % der befragten Unternehmen mindestens ein Petabyte an Daten.¹ Das entspricht einer Datenmenge von etwa 9 Billiarden Bits. Und vieles davon stammt aus unstrukturierten Formaten wie Textdateien, Bildern und Videos.

All diese Daten können für Data Scientists ein Segen sein, aber es ist unmöglich, solch komplexe Daten in solch großen Mengen manuell zu verwalten. KI- und ML-Tools können diese Daten nutzbar machen, indem sie kritische Aufgaben wie die Erkennung, Integration und Bereinigung automatisieren.

Wenn Daten bereinigt und zugänglich sind, können Unternehmen sie für fortgeschrittene Datenanalyseprojekte verwenden – z. B. eine Initiative zur vorausschauenden Analyse, die historische Daten verwendet, um zukünftige Trends bei den Verbraucherausgaben vorherzusagen.

KI-Technologien können auch Daten für Benutzer ohne Erfahrungen im Bereich Data Science zugänglicher machen. Benutzerfreundliche Datenkataloge mit LLM-gestützten Datenbank-Schnittstellen und automatisierten Visualisierungen ermöglichen es mehr Benutzern im gesamten Unternehmen, Daten zur Entscheidungsfindung zu nutzen.

59 % der vom IBM Institute for Business Value befragten CEOs sind der Meinung, dass der Wettbewerbsvorteil eines Unternehmens in Zukunft von der fortschrittlichsten generativen KI abhängt. Um diese KI-Modelle zu erstellen und bereitzustellen, benötigen Unternehmen einen stetigen Strom guter, sauberer Daten.

Durch die Optimierung der Datenverwaltung helfen KI-Tools beim Aufbau vertrauenswürdiger, hochwertiger Datenpipelines, die Unternehmen benötigen, um ihre eigenen KI- und ML-Modelle zu trainieren. Und da diese Modelle mit den Daten des Unternehmens trainiert werden können, können sie darauf trainiert werden, Aufgaben auszuführen und Probleme zu lösen, die für das Unternehmen und seine Kunden spezifisch sind.

KI-gestützte Sicherheits- und Governance-Tools helfen bei der Abwehr von kostspieligen Cyberangriffen und Datenschutzverletzungen. Sie ermöglichen es Unternehmen auch, ihre vorhandenen Daten zu nutzen und gleichzeitig Vorschriften zum Schutz personenbezogener Daten wie die DSGVO und den Payment Card Industry Data Security Standard (PCI-DSS) einzuhalten.

Laut dem Institute for Business Value geben 57 % der CEOs an, dass die Datensicherheit ein Hindernis für die Einführung generativer KI darstellt. 45 % sagen, dass auch der Datenschutz ein Hindernis darstellt. Diese Hindernisse können in stark regulierten Branchen wie dem Gesundheits- und Finanzwesen besonders herausfordernd sein.

KI-gestützte Datenverwaltung kann durch die automatische Anwendung geeigneter Schutzmaßnahmen und Richtlinien zur Datennutzung helfen. Auf diese Weise erhalten nur autorisierte Benutzer Zugriff auf die Daten und können diese nur in einer Weise verwenden, die den Branchenvorschriften und Unternehmensrichtlinien entspricht.

Generatoren für synthetische Daten können ebenfalls hilfreich sein, indem sie Datensätze generieren, die allgemeine Trends genau widerspiegeln, während sensible personenbezogene Daten entfernt werden, die ein Unternehmen möglicherweise nicht auf bestimmte Weise verwenden darf.