KI-taugliche Daten — Qualität, Semantik und Herkunftsnachweis

Was Sie lernen

• Erklären, warum sich „KI-tauglich“ in vier prüfbare Eigenschaften auflöst — Qualität, Semantik, Herkunftsnachweis, Berechtigung — und „wir haben es durch die KI laufen lassen“ als Qualitätskontrolle zurückweisen
• Reale SAP-Datenqualitätsmechanismen benennen (SAP Data Quality Management, Microservices für Standortdaten; Reltio-basierte Stammdatenharmonisierung in der Business Data Cloud) und den jeweils adressierten Fehlermodus
• Auf dem Catalog-Reiter Semantic Enrichment prüfen, dass jede Kennzahl, die ein Agent zitiert, eine Beschreibung, einen Glossarbegriff und bei einem KPI eine Formel trägt
• Die Impact and Lineage Analysis von SAP Datasphere nutzen, Data Analysis von Dependency Analysis unterscheiden, um eine Spalte bis zu ihren Quellsystemen zurückzuverfolgen
• Begründen, warum der Datenzugriff eines Agenten die Space-Berechtigung eines menschlichen Nutzers erben muss statt einer weiter reichenden Serviceidentität

Modulüberblick

Für wen dieses Modul gedacht ist. Sie wissen, wie man einen Datasphere-Space oder einen BW/4HANA-InfoProvider modelliert; jetzt will ein Lenkungsausschuss wissen, ob diese Daten „KI-tauglich“ sind, bevor Joule oder ein Agent daran heran darf. Dieses Modul gibt diesem Wort eine Definition, die sich verteidigen lässt: kein Feature-Schalter, sondern drei prüfbare Eigenschaften — Qualität, Semantik und Herkunftsnachweis (Lineage) — plus die Berechtigungsgrenze, die entscheidet, wer, Mensch oder Agent, was lesen darf. Es baut auf KI- und LLM-Grundlagen auf und führt direkt zu die Semantikschicht als LLM-Kontext, Abfrage in natürlicher Sprache und Vektorsuche auf analytischen Daten.

Voraussetzungen

• KI- und LLM-Grundlagen für SAP-Berater oder gleichwertiges Arbeitswissen zu Grounding und RAG
• Praktische Kenntnis mindestens eines SAP-Datenprodukts (Datasphere-Space, BW/4HANA-InfoProvider oder S/4HANA Embedded Analytics)
• Vertrautheit mit dem Datasphere Catalog und der Space-basierten Berechtigung, oder Bereitschaft, einen Test-Tenant zu erkunden

Lernergebnisse

• Ein reales Datenprodukt anhand einer vierteiligen KI-Bereitschafts-Checkliste (Qualität, Semantik, Herkunftsnachweis, Berechtigung) bewerten und jede Bewertung begründen.
• Die Herkunft einer Spalte über die Impact and Lineage Analysis von Datasphere nachvollziehen und erklären, was Dependency Analysis zeigen würde und was nicht.
• Einen Business-Glossarbegriff (Name, Definition, Formel, Synonym) schreiben und an die richtige Spalte des analytischen Modells hängen, sodass er unter Related Objects erscheint.
• Einem Kunden ohne Schönfärberei erklären, warum ein ungesteuertes Datenprodukt selbstsicher falsche Agentenantworten erzeugt.