Datenmodellierung im KI-Kontext umfasst in der Praxis eine Vielzahl von Aufgaben - von der konzeptionellen Strukturierung von Datenbankmodellen bis zur Aufbereitung von Rohdaten für den Einsatz in KI-Systemen. Wer KI-Anwendungen sinnvoll unterstützen will, braucht ein fundiertes Verständnis dafür, wie Daten strukturiert, repräsentiert und verarbeitet werden müssen. Dieser Kurs behandelt diese Grundlagen aus einer KI-orientierten Perspektive.

Kursinhalt
1. Konzepte der Datenmodellierung für KI-Anwendungen
  • Relationale vs. nicht-relationale Datenstrukturen
  • Anforderungen an Datenmodelle für maschinelles Lernen
  • Modellierung von Feature-Strukturen und Zielgrößen

2. Datenaufbereitung und -transformation
  • Normalisierung, Skalierung und Encoding von Datenpunkten
  • Umgang mit Zeitreihendaten, Textdaten und Bilddaten
  • Pipelines zur automatisierten Datenaufbereitung

3. Qualitätsanforderungen an Daten im KI-Einsatz
  • Kriterien für vollständige, konsistente und repräsentative Datensätze
  • Methoden zur Datenanreicherung und -bereinigung
  • Dokumentation von Datenmodellen und Datenherkunft

4. Schnittstellen zwischen Datenbankdesign und KI-Systemen
  • Technische Anbindung von Datenbankstrukturen an KI-Modelle
  • Aufbau von Feature Stores und Datenpipelines
  • Monitoring der Datenqualität im laufenden KI-Betrieb

Berufliche Relevanz
  • Fachkräfte in KI-Projekten verstehen die Datenmodellierungs-Anforderungen für KI-Systeme
  • Strukturierte Datenaufbereitung verbessert die Qualität von KI-Modell-Outputs
  • Qualitätsbewusstsein für Daten schützt vor fehlerhaften KI-Ergebnissen