Seminar Monda AI-ready Data Products, RAG und MCP

Datenprodukte für KI-Anwendungen verlangen kontrollierte Semantik, nachvollziehbare Herkunft, geeignete Zuschnitte und verlässliche Bereitstellung. Der Kurs verbindet Monda-basierte Produktisierung mit Retrieval-Augmented Generation, Tool-Anbindung und sicheren Model-Context-Protocol-Architekturen.

Inhaltsübersicht

• Zielsetzung
• Zielgruppe und Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Arbeitsweise

Zielsetzung

Ein KI-taugliches Datenprodukt wird vom Use Case über Qualitäts- und Governance-Anforderungen bis zu Retrieval, Zugriffskontrolle, Evaluation und Betrieb konzipiert.

Zielgruppe und Voraussetzungen

Zielgruppe: Data Engineers, AI Engineers, Data Product Manager, Solution Architects, Governance-Teams und Plattformbetrieb

Voraussetzungen: Grundkenntnisse zu Datenprodukten, APIs und modernen KI-Anwendungen; Basiswissen zu Embeddings, Retrieval oder LLM-Anwendungen ist hilfreich.

Seminarinhalte

1. KI-Use-Case und Qualitätsziel abgrenzen

1. Schritt 1: Fachliche Aufgabe, Nutzergruppe und zulässige Antwortarten beschreiben.
2. Schritt 2: Benötigte Datenquellen und Aktualität bestimmen.
3. Schritt 3: Fehlertoleranz, Nachweisbarkeit und Schutzbedarf festlegen.
4. Schritt 4: Nicht geeignete oder unzulässige Nutzung ausdrücklich abgrenzen.

2. AI-ready Datenprodukt definieren

1. Schritt 1: Datensätze, Dokumente und Metadaten in eine produktfähige Einheit schneiden.
2. Schritt 2: Semantik, Schlüssel, Zeitbezug und Versionsstand dokumentieren.
3. Schritt 3: Qualitätsregeln für Vollständigkeit, Konsistenz und Aktualität festlegen.
4. Schritt 4: Owner, Steward und technische Betreuung zuweisen.

3. Herkunft und Governance sichern

1. Schritt 1: Datenherkunft und Transformationsschritte nachvollziehbar erfassen.
2. Schritt 2: Lizenz-, Zweckbindungs- und Datenschutzanforderungen zuordnen.
3. Schritt 3: Sensible Inhalte klassifizieren und minimieren.
4. Schritt 4: Freigabekriterien für Training, Retrieval und Tool-Nutzung getrennt definieren.

4. Ingestion und Chunking planen

1. Schritt 1: Dokument-, Tabellen- und Ereignistypen nach Zugriffsmuster unterscheiden.
2. Schritt 2: Chunk-Größe, Überlappung und Metadaten anhand konkreter Fragen auswählen.
3. Schritt 3: Struktur- und Versionsinformationen für spätere Filter erhalten.
4. Schritt 4: Stichprobe auf Informationsverlust und Mehrdeutigkeit prüfen.

5. Retrieval-Pipeline aufbauen

1. Schritt 1: Indexierungs- und Aktualisierungsweg vom Datenprodukt zum Retrieval-System festlegen.
2. Schritt 2: Metadatenfilter, Berechtigungen und Mandantentrennung berücksichtigen.
3. Schritt 3: Abfrage, Kandidatenauswahl und Kontextzusammenstellung protokollierbar gestalten.
4. Schritt 4: Fehler auf Daten-, Semantik-, Retrieval- oder Modellebene zurückführen.

6. MCP- und Tool-Zugriff entwerfen

1. Schritt 1: Zulässige Werkzeuge und Datenoperationen pro Anwendungsfall bestimmen.
2. Schritt 2: Authentisierung und Autorisierung zwischen Client, MCP-Server und Datenzugang planen.
3. Schritt 3: Nur notwendige Parameter und Ergebnisse freigeben.
4. Schritt 4: Timeout, Rate Limit, Protokollierung und Fehlerbehandlung definieren.

7. Sicherheit und Prompt-Injection-Risiken behandeln

1. Schritt 1: Vertrauensgrenzen zwischen Benutzerinhalt, Dateninhalt und Systemanweisung markieren.
2. Schritt 2: Manipulative oder ausführbare Inhalte erkennen und isolieren.
3. Schritt 3: Tool-Aufrufe mit Positivlisten, Validierung und minimalen Rechten absichern.
4. Schritt 4: Missbrauchsfälle und kontrolliertes Abbruchverhalten testen.

8. Evaluation und Abnahme durchführen

1. Schritt 1: Repräsentative Fragen, erwartete Quellen und Akzeptanzkriterien sammeln.
2. Schritt 2: Retrieval-Abdeckung, Präzision und Quellenbezug getrennt messen.
3. Schritt 3: Fehlerklassen mit Korrekturmaßnahmen verknüpfen.
4. Schritt 4: Freigabe nur bei erfüllten Qualitäts- und Sicherheitskriterien erteilen.

9. Betrieb und Änderung steuern

1. Schritt 1: Aktualisierungs-, Reindexierungs- und Versionsverfahren festlegen.
2. Schritt 2: Nutzung, Fehler, Kosten und Datenaktualität überwachen.
3. Schritt 3: Schema- oder Inhaltsänderungen vor Produktivsetzung testen.
4. Schritt 4: Rollback und Nachkontrolle in einem Runbook dokumentieren.

Praxisübungen

• Ein AI-ready Data Product Canvas für einen konkreten RAG-Anwendungsfall ausfüllen.
• Eine Chunking- und Metadatenstrategie anhand von Testfragen bewerten.
• Ein MCP-Zugriffsmodell mit minimalen Rechten und Negativtests entwerfen.
• Einen Evaluationssatz mit Fehlerklassen und Abnahmeschwellen erstellen.

Arbeitsweise

Fachliche Einordnung, Demonstrationen, geführte Schritt-für-Schritt-Arbeit, Fallanalysen und kontrollierte Prüfungen werden verbunden. Jede Konfiguration wird mit einem erwarteten Ergebnis, einem Negativfall und einer dokumentierten Nachkontrolle abgeschlossen.