Datenaufbereitung für KI-Projekte: Wo Sie beginnen
So bereiten Sie Daten für ein KI-Projekt vor: Bestandsaufnahme, Bereinigung, Zuständigkeit, Zugriff, Testsatz, Datenschutz und häufige Fehler.
rabbitclip-TeamVeröffentlicht: 6 Min. Lesezeit
Kurz gesagt
Datenaufbereitung für ein KI-Projekt bedeutet, vor dem Start zu klären, wo Ihre Daten liegen, wem sie gehören, wie verlässlich sie sind und welche Teile ein KI-System sehen darf, und anschließend zu bereinigen, was bereinigt werden muss. In den meisten Projekten kostet das mehr Zeit als die Wahl des Modells und prägt das Ergebnis stärker. Sind die Daten verstreut, veraltet oder widersprüchlich, repariert die KI sie nicht; sie wiederholt die Fehler in flüssiger Prosa. Sensible Daten werden in dieser Phase getrennt und geschützt, nicht erst danach.
Dieser Beitrag handelt nicht von der Wahl eines Modells oder Werkzeugs; er handelt davon, was bereit sein sollte, egal für welches Werkzeug Sie sich entscheiden. Er führt weder durch den Aufbau einer bestimmten Wissensdatenbank noch durch ein Datenschutzgesetz; er betrachtet die Fragen, die vor Projektbeginn zu stellen sind.
Warum kommt die Datenaufbereitung vor dem Modell?
KI lernt aus den Daten, die man ihr zeigt, oder antwortet, indem sie sich auf sie stützt. Ein Fehler in den Daten kann zu einer dauerhaften Neigung im Verhalten des Systems werden. Wenn ein Bodenhersteller seine Produktangaben in drei Tabellen mit drei verschiedenen Einheiten führt, kann ein Assistent, der damit arbeitet, für dasselbe Produkt unterschiedliche Maße nennen.
Aufbereitung ist deshalb keine Ausgabe zu Beginn, sondern ein Weg, Fehlern vorzubeugen, die sonst später auftauchen würden. Die gemeinsame Ursache vieler gescheiterter Projekte ist nicht das Modell, sondern Daten, denen niemand traut.
Wie erstellt man eine Dateninventur?
Der erste Schritt ist eine Liste dessen, was Sie besitzen: welche Information wo liegt, wer sie aktualisiert, wann sie zuletzt aktualisiert wurde und in welchem Format. Die Liste überrascht oft; dieselbe Kundenangabe kann getrennt in einem Buchhaltungsprogramm, einem E-Mail-Postfach und einer Tabelle leben.
Für jede Quelle beantwortet die Inventur drei Fragen: Ist sie aktuell, ist sie verlässlich, darf ein KI-System sie sehen. Eine Quelle, bei der Sie nicht alle drei Fragen mit Ja beantworten können, wird aus dem Projekt herausgelassen oder zuerst in Ordnung gebracht.
- Quelle: wo die Daten liegen, in welchem System oder welcher Datei
- Verantwortliche Person: wer sie aktualisiert und wer für ihre Richtigkeit einsteht
- Aktualität: wann sie zuletzt geprüft wurde
- Format: strukturierte Tabelle, Freitext oder gescanntes Bild
- Sensibilität: ob sie personenbezogenes, finanzielles oder geschäftlich vertrauliches Material enthält
Wie werden Daten bereinigt?
Bereinigen besteht aus drei Aufgaben: Dubletten zusammenführen, Widersprüche auflösen und Lücken füllen oder markieren. Ein Kunde, der unter drei Schreibweisen erfasst ist, ein Produkt mit zwei Preisen, leer gelassene Felder: Das sind typische Fälle. Automatische Werkzeuge schaffen oft die Hälfte, und jemand, der das Geschäft kennt, erledigt den Rest.
Auch hier kann KI helfen, etwa indem sie ähnliche Datensätze gruppiert und Zusammenführungen vorschlägt; ihr Vorschlag kann aber falsch sein, und zwei Kundendatensätze irrtümlich zusammenzuführen lässt sich nur schwer rückgängig machen. Zusammenführungen werden zuerst an einer kleinen Stichprobe von Hand geprüft und dann ausgeweitet.
Wie werden sensible Daten getrennt und geschützt?
Nicht alle Daten müssen der KI gezeigt werden. Ausweisnummern, Gesundheitsangaben, Bankverbindungen und private Korrespondenz mit Kunden bleiben außen vor oder werden maskiert, wenn die Aufgabe sie nicht wirklich braucht. Die sichersten Daten sind Daten, die nie gezeigt werden.
Für die Daten, die gezeigt werden, ist der Zugriff eng gefasst: Nur die Personen im Projekt sehen sie, jeder Zugriff wird protokolliert, und vorab wird geklärt, an welchen Dienst die Daten gehen, ob sie dort gespeichert werden und ob sie zum Training des Modells verwendet werden. Zu rechtlichen Pflichten lässt sich hier keine verbindliche Aussage treffen; vor einem Projekt, das personenbezogene Daten berührt, lassen Sie sich von einer Juristin oder einem Juristen beraten, auch im Hinblick auf die DSGVO.
Wie bereitet man einen Testsatz vor, um den Erfolg zu messen?
Der am häufigsten übersprungene Teil der Vorbereitung ist der Testsatz: eine kurze Liste echter Fragen, die das System richtig beantworten soll, samt den richtigen Antworten. Jemand, der die Arbeit kennt, schreibt ihn, unabhängig vom System. Rund hundert Fragen genügen für die meisten Unternehmen als Anfang.
Ohne Testsatz ist die Frage, ob das System gut funktioniert, nur ein Eindruck. Jedes Mal, wenn Sie die Daten aktualisieren oder das Werkzeug wechseln, lassen Sie dieselbe Liste erneut laufen und sehen, ob es besser oder schlechter geworden ist. KI antwortet manchmal falsch; der Testsatz zeigt, wie oft und bei welchen Themen.
Wann ist Datenaufbereitung überflüssig oder verfrüht?
Wenn Sie KI nur nutzen, um Rechtschreibung zu korrigieren, Besprechungen zusammenzufassen oder allgemeine Texte zu entwerfen, brauchen Sie keine eigenen Daten, und eine detaillierte Aufbereitung wäre übertrieben. Das eigentliche Thema ist dort eine einfache Regel darüber, was nie in das Werkzeug getippt werden darf.
Verfrüht ist die Aufbereitung auch dann, wenn der Zweck des Projekts noch vage ist. Daten zu bereinigen, bevor Sie wissen, was Sie lösen wollen, birgt das Risiko, das Falsche in Ordnung zu bringen. Wählen Sie zuerst eine kleine, klare Frage und bereiten Sie dann die Daten auf, die ihr dienen.
Welche Fehler werden am häufigsten gemacht?
Der häufigste Fehler ist der Versuch, alle Daten auf einmal aufzubereiten. Eine Bereinigung, die monatelang läuft, zermürbt die Beteiligten, bevor ein Ergebnis erscheint. Wer klein anfängt, mit den Daten zu einem einzigen Thema, erhält schnell ein Ergebnis und sieht, was funktioniert.
Der zweite ist die verwaiste Datenquelle: Eine Quelle ohne klar benannte Person, die sie aktualisiert, veraltet nach einer Weile wieder. Der dritte ist, dass sensible Daten bei der Aufbereitung vergessen und so, wie sie sind, in eine Tabelle hochgeladen werden. Die Trennung geschieht während der Aufbereitung der Daten, nicht erst später.
Der Erfolg eines KI-Projekts hängt weitgehend davon ab, wie die Daten aufbereitet sind: was vorhanden ist, wem es gehört, wie verlässlich es ist, welcher Teil gezeigt werden darf und ob das System richtig antwortet. Wer mit einem kleinen Thema beginnt und Inventur, Bereinigung, Trennung sensibler Daten und Testsatz nacheinander aufbaut, senkt Risiko und Kosten. Wenn Sie gemeinsam prüfen möchten, wie bereit Ihre Daten für KI sind, vereinbaren Sie gern ein Erstgespräch mit rabbitclip.
Häufige Fragen
Wie viele Daten braucht ein KI-Projekt?
Das hängt stark von der Aufgabe ab. Wenn Sie einen Assistenten auf Ihre eigenen Dokumente stützen, zählen Aktualität und Einheitlichkeit mehr als Menge; ein kleiner sauberer Bestand schneidet oft besser ab als ein großer unordentlicher.
Kann ich beginnen, wenn meine Daten verstreut sind?
Ja, mit einem Thema. Sammeln und bereinigen Sie zuerst die Daten für dieses Thema und weiten Sie dann aus; der Versuch, alles auf einmal in Ordnung zu bringen, zermürbt ein Projekt erfahrungsgemäß.
Ist es sicher, einer KI Kundendaten zu zeigen?
Sie nicht zu zeigen, solange es nicht nötig ist, ist der sicherste Weg. Wenn es nötig ist, maskieren Sie sie, begrenzen Sie den Zugriff und klären Sie, ob der Dienst sie speichert. Zur DSGVO fragen Sie eine Juristin oder einen Juristen.
Warum braucht man einen Testsatz?
Er lässt Sie messen, ob das System funktioniert, indem Sie immer wieder dieselben Fragen stellen, statt sich auf einen Eindruck zu verlassen. Wenn Sie die Daten oder das Werkzeug ändern, werden Verbesserung oder Verschlechterung sichtbar.
