Seminar Tractus-X – Knowledge Agents und AI Services

Föderierte Wissensabfragen und kontrollierte AI Services erschließen verteilte Daten, ohne zentrale Datenkopien vorauszusetzen. Das Seminar verbindet semantische Datenquellen, Knowledge Agents, Skills, Zugriffsregeln und verantwortete AI-Integration.

Inhaltsübersicht

• Zielsetzung
• Zielgruppe
• Voraussetzungen
• Seminarinhalte
• Praxisübungen
• Methodik

Zielsetzung

• Wissensgraphen, föderierte Abfragen und Compute-to-data einordnen
• Datenquellen, Modelle und Abfrage-Skills bereitstellen
• Zugriffsregeln, Verteilung und Fehlerbehandlung beherrschen
• AI Services mit klaren Eingaben und Qualitätskontrollen integrieren

Zielgruppe

Datenarchitektur, Softwareentwicklung, Knowledge-Graph-Teams, Data Science, AI-Engineering, Integrationsarchitektur und technische Governance.

Voraussetzungen

Grundkenntnisse in RDF, Abfragesprachen oder Wissensgraphen sowie APIs und Tractus-X-Konzepten. Programmiererfahrung ist erforderlich.

Seminarinhalte

Schritt 1: Wissensgraph und föderierte Daten

• RDF-Ressourcen, Beziehungen und Vokabulare einordnen
• Lokale Datenquellen von föderierten Sichten unterscheiden
• Anwendungsfragen in Wissensabfragen übersetzen

Schritt 2: Semantisches Mapping

• Gemeinsame Begriffe und Identifikatoren festlegen
• Quellmodelle auf semantische Strukturen abbilden
• Datenqualität und Modellversionen berücksichtigen

Schritt 3: Knowledge-Agent-Architektur

• Agent, Datenquelle, Registry und Skill abgrenzen
• Anfrageplanung und Verteilung nachvollziehen
• Skalierung, Timeout und Teilergebnisse behandeln

Schritt 4: Skills und Abfrageverträge

• Skills mit Eingaben, Ausgaben und Voraussetzungen beschreiben
• Abfragen parametrisieren und absichern
• Versionen, Kompatibilität und Tests pflegen

Schritt 5: Compute-to-data und Zugriffsschutz

• Berechnung am Datenort von Datenübertragung unterscheiden
• Connector-Verträge und Policies einbeziehen
• Ergebnisumfang und Protokollierung begrenzen

Schritt 6: Föderierte Abfragen

• Teilabfragen planen und Ergebnisse zusammenführen
• Unvollständige, langsame oder widersprüchliche Quellen behandeln
• Caching und Aktualität steuern

Schritt 7: AI-Service-Integration

• Geeignete Klassifikations-, Prognose- und Assistenzaufgaben bestimmen
• Eingabedaten, Modellversion und Ausgabeschema vereinbaren
• AI-Ergebnis von fachlicher Freigabe trennen

Schritt 8: Qualität, Sicherheit und Betrieb

• Testdaten, Qualitätsmetriken und Grenzfälle definieren
• Daten- und Modellausgaben auf Risiken prüfen
• Latenz, Fehler, Kosten und Modelländerungen überwachen

Praxisübungen

• Entwurf eines Knowledge-Graph-Mappings
• Definition und Test eines Abfrage-Skills
• Ausführung einer föderierten Anfrage mit Teilfehler
• Integration eines AI Services mit Qualitätsgrenze

Methodik

Strukturierter Fachvortrag, Architektur- und Prozessdarstellungen, geführte Demonstrationen, schrittweise Übungen, gemeinsame Fehleranalyse und Übertragung auf ein durchgängiges Praxisszenario.