Seminar MID Innovator – KI-Modellabfrage mit MIRA, Web und MCP

Das Seminar zeigt, wie Modellwissen per natürlicher Sprache zugänglich wird, ohne die fachliche Kontrolle aufzugeben. Modellqualität, Zugriffsweg, Fragenmuster, Quellenbezug im Modell, Ergebnisprüfung und Governance werden zu einem sicheren Nutzungskonzept verbunden.

Inhaltsübersicht

• Lernziele und fachliche Einordnung
• Schrittweise Seminarinhalte
• Praxisübungen und Laborszenarien
• Zielgruppe und Voraussetzungen
• Didaktik und Arbeitsweise

Lernziele

• KI-Zugriffswege über MIRA, Weboberfläche und MCP anhand des Einsatzfalls auswählen.
• Innovator-Modelle auf Vollständigkeit, Beziehungen, Benennung und Berechtigungen vorbereiten.
• Präzise Fragen für Suche, Abhängigkeit, Auswirkung, Qualität und Compliance formulieren.
• Antworten gegen Modellinhalte prüfen und Unsicherheiten systematisch behandeln.
• Datenschutz, Rollen, Protokollierung, Freigabe und kontinuierliche Qualitätssicherung definieren.

Schrittweise Seminarinhalte

1. KI-Einsatzbild und Zugriffsvarianten

Schwerpunkt: MIRA-Plug-in, Webchat, MCP-Server, Zielgruppen, LLM-Auswahl, Einsatzgrenzen und Lizenzvoraussetzungen.

1. Nutzungsfälle nach interner Modellierungsunterstützung, Unternehmenssuche und externer LLM-Integration ordnen.
2. Geeigneten Zugriffsweg anhand von Benutzergruppe, Clientbedarf und Integrationsziel auswählen.
3. Erlaubte Datenbereiche, Rollen und Sicherheitsgrenzen festlegen.
4. Erwartete Antwortqualität und messbare Erfolgskriterien definieren.

Arbeitsergebnis: Abgestimmtes KI-Nutzungs- und Zugriffskonzept.

2. Modellvorbereitung und AI Readiness

Schwerpunkt: Benennungen, Beschreibungen, Beziehungen, Modellstruktur, Owner, Version, Vollständigkeit und Zugriff.

1. Priorisierte Modellbereiche auf verständliche Namen und belastbare Definitionen prüfen.
2. Fehlende Beziehungen und verwaiste Elemente mit Qualitätsabfragen identifizieren.
3. Owner, Status, Gültigkeit und Freigabestand für relevante Inhalte ergänzen.
4. Berechtigungen mit Testrollen kontrollieren, damit nur zulässiges Wissen erreichbar ist.

Arbeitsergebnis: KI-fähiger und qualitätsgeprüfter Modellbereich.

3. Fragenmuster für Suche und Orientierung

Schwerpunkt: Begriffe, Objekte, Zuständigkeiten, Modelleinstieg, Synonyme und kontextbezogene Suche.

1. Frage mit eindeutigem Fachkontext, Modellbereich und gewünschter Antwortform formulieren.
2. Synonyme und alternative Bezeichnungen bei unvollständigen Treffern ergänzen.
3. Antwort bis zu den zugrunde liegenden Modellelementen zurückverfolgen.
4. Unklare oder mehrdeutige Ergebnisse durch präzisierende Folgefragen eingrenzen.

Arbeitsergebnis: Wiederverwendbarer Fragenkatalog für Modellorientierung.

4. Fragenmuster für Abhängigkeit und Auswirkung

Schwerpunkt: Mehrstufige Beziehungen, Prozesse, Anwendungen, Daten, Technologien, Änderungen und Szenarien.

1. Startobjekt und betrachtete Änderungsart eindeutig benennen.
2. Gewünschte Beziehungstiefe, Domänen und Ausschlüsse in der Frage festlegen.
3. Antwortpfade mit Impact-Analyse und Diagrammen im Modell gegenprüfen.
4. Nicht belegte Schlussfolgerungen von modellgestützten Aussagen trennen.

Arbeitsergebnis: Geprüfter KI-gestützter Impact-Analyseablauf.

5. Qualitäts-, Governance- und Compliance-Fragen

Schwerpunkt: Lücken, Inkonsistenzen, Pflichtangaben, Rollen, Standards, Risiken, Kontrollen und Nachweise.

1. Prüfziel und zugrunde liegende Modellkonvention oder Richtlinie konkretisieren.
2. KI-Abfrage mit vorhandenen Verifikationen und Berichten kombinieren.
3. Gefundene Auffälligkeiten priorisieren und direkt am Modellelement verifizieren.
4. Korrektur, Freigabe und erneute Prüfung nachvollziehbar dokumentieren.

Arbeitsergebnis: Kontrollierter KI-gestützter Qualitätsprozess.

6. Sicherheit, Ergebnisprüfung und Betriebsregeln

Schwerpunkt: Zugriff, Datenschutz, Promptdaten, Protokollierung, Halluzinationen, Freigabe, Monitoring und Nutzungsschulung.

1. Zulässige und unzulässige Daten- sowie Fragetypen verbindlich festlegen.
2. Vierstufige Ergebnisprüfung aus Plausibilität, Modellbeleg, Aktualität und Verantwortungsfreigabe anwenden.
3. Fehlerhafte oder unvollständige Antworten als Qualitätsfeedback erfassen.
4. Nutzungskennzahlen, Reviewrhythmus und Abschaltkriterien für den Betrieb definieren.

Arbeitsergebnis: Freigegebene KI-Governance und Prüfroutine.

Praxisübungen und Laborszenarien

• Bewertung eines Modellbereichs auf AI Readiness.
• Formulierung und Verbesserung mehrerer Such- und Orientierungsfragen.
• KI-gestützte Impact-Analyse mit Rückprüfung im Modell.
• Qualitätsabfrage für fehlende Beziehungen und Pflichtangaben.
• Entwurf einer KI-Nutzungsrichtlinie mit Rollen und Prüfschritten.

Zielgruppe und Voraussetzungen

Zielgruppe: Enterprise Architects, Business Analysts, Data Architects, Prozessmanagement, Innovator-Administration, Wissensmanagement, Informationssicherheit und KI-Governance.

Voraussetzungen: Sichere Innovator-Grundkenntnisse und Verständnis der verwendeten Modelle; spezielle Programmierkenntnisse sind nicht erforderlich.

Didaktik und Arbeitsweise

Kompakte Fachimpulse werden unmittelbar durch Demonstrationen und kurze, klar abgegrenzte Übungen vertieft. Jeder Arbeitsschritt wird mit einem Prüfkriterium abgeschlossen, damit der erstellte Modellstand reproduzierbar bleibt.