Die Evolution des Datenmanagements | Data Researchers #38

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Wie hat sich das Datenmanagement über die vergangenen Jahrzehnte entwickelt? Von den ersten Datenbanksystemen bis hin zu intelligenten Datenökosystemen hat sich der Umgang mit Daten grundlegend verändert. In dieser Folge der Data Researchers werfen wir einen Blick auf drei zentrale Entwicklungsphasen des Datenmanagements. Den Anfang bilden klassische Datenbanksysteme, Mainframe-Architekturen und ERP-Systeme, die insbesondere die strukturierte Speicherung und Verarbeitung von Unternehmensdaten ermöglichten. Mit dem Aufkommen des Internets begann eine zweite Phase: Neue Datentypen, Big Data, Cloud Computing und das Internet der Dinge erweiterten die Möglichkeiten der Datennutzung und -analyse erheblich. Heute steht das Datenmanagement zunehmend im Zeichen vernetzter Datenökosysteme. Datenräume, digitale Zwillinge und generative sowie agentische KI schaffen neue Möglichkeiten für den organisationsübergreifenden Datenaustausch und autonome Systeme. Die Folge zeigt, dass technologische Innovationen selten isoliert entstehen, sondern häufig das Ergebnis einer langfristigen Entwicklung und des Zusammenspiels unterschiedlicher Technologien sind.

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Wie sieht die technische Grundlage für Smart Data Ecosystems aus? Darum geht es beim Edge-Cloud-Continuum. Es verbindet unterschiedliche Rechen- und Speicherressourcen, von großen Cloud-Rechenzentren über mittlere Infrastrukturen bis hin zu Edge-Geräten wie Industriekameras, Fahrzeugen oder Maschinen. Diese verteilte Infrastruktur ermöglicht es, Daten und KI-Anwendungen dort zu nutzen, wo sie gebraucht werden. So können KI-Modelle beispielsweise direkt auf einer Industriekamera ausgeführt werden, wenn geringe Latenzen und schnelle Reaktionen erforderlich sind. Größere Modelle oder datenintensive Prozesse benötigen dagegen leistungsfähige Cloud-Ressourcen.Damit das Edge-Cloud-Continuum als Grundlage für Smart Data Ecosystems funktionieren kann, sind vor allem drei Punkte entscheidend: Vertrauen, Interoperabilität sowie die Koordination und das Management der verteilten Ressourcen. Akteure müssen sicher identifiziert und autorisiert werden, Dienste unterschiedlicher Anbieter müssen zusammenarbeiten können und Rechenlasten müssen passend zu Kapazitäten, Ressourcenbeschränkungen und Latenzen verteilt werden. Das Edge-Cloud-Continuum bildet damit die infrastrukturelle Basis, um Daten und KI in Smart Data Ecosystems zuverlässig und anbieterübergreifend nutzen zu können.

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Wie kann KI in der Industrie vorausschauende Wartung ermöglichen und automatisch wirksame Prozesse anstoßen? Darum geht es bei Smart Data Ecosystems. Sie basieren nicht auf KI-Modellen, die mit breit verfügbaren Daten trainiert werden können, sondern auf industriellen Anwendungsfällen künstlicher Intelligenz. Wenn KI hier ihr gesamtes Potenzial entfalten soll, braucht sie qualitativ hochwertige und domänenspezifische Daten aus Produktions- und Wartungsprozessen, spezifisches Fachwissen und eine ausreichende Datenmenge, um beispielsweise Wartungsprozesse automatisch anstoßen zu können (Agentic AI). Eine zentrale Herausforderung dabei ist die sogenannte Data Scarcity: Fehlerfälle und Anomalien treten in industriellen Prozessen vergleichsweise selten auf, sind für das Training von industriellen KI-Systemen jedoch besonders wertvoll. Um robuste und zuverlässige KI-Modelle zu entwickeln, müssen daher Daten aus unterschiedlichen Anwendungsszenarien und Unternehmen zusammengeführt werden. Kurz gesagt: Unternehmen müssen ihre sensiblen Daten teilen. Hier kommen Datenräume (Dataspaces) ins Spiel: Sie ermöglichen Vertrauen, Datensouveränität, Interoperabilität und klare Regeln für die Datennutzung. Zusammen mit einer hohen Datenqualität sind das die Grundlagen, um wertschöpfende KI-Systeme in der Industrie aufsetzen zu können. Denn gerade für KI gilt: »Garbage in, garbage out«. Datenräume bilden damit einen wichtigen Baustein für den europäischen Weg in die industrielle KI-Nutzung.

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Digitale Zwillinge sind ein digitales Abbild aller Objekte der realen Welt, mit denen wir uns umgeben. Die Idee eines baugleichen Modells entstand in der Raumfahrt: Bei Mondmissionen sollte sich ein identisches Raumschiff für Tests und Fehleranalysen auf der Erde befinden. Digitale Zwillinge sind ein nächster Schritt: Sie bilden das Produkt nicht mehr physisch, sondern digital von der Konstruktion bis zur Nutzung ab. Doch digitale Zwillinge können noch viel mehr: Sie stellen nicht nur Daten aus der realen Welt zur Verfügung (z.B. Routen, Ladezyklen u.ä. bei einem E-Auto), sondern ermöglichen bidirektionale Kommunikation. So können sie Aktionen in der realen Welt anstoßen. In diesem Video der »Data Researchers«-Reihe erläutert Boris Otto, was digitale Zwillinge in smarten Datenökosystemen der Zukunft leisten: Sie schaffen Transparenz über den Zustand der Welt und ermöglichen Simulationen bei Veränderungen in der Realwelt (z.B. bei einer Veränderung der Medikation eines Patienten). Dadurch können Digitale Zwillinge Vorschläge machen oder warnen, wenn Probleme drohen. Neu ist, dass sie auch autonom anstelle realer Objekte Entscheidungen für die reale Welt treffen. Sie verschmelzen in smarten Datenökosystemen mit KI-Agenten. Daraus ergeben sich spannende Forschungsfragen: Wie vertraue ich den Entscheidungen digitaler Zwillinge? Wie vertraue ich ihren Datenquellen? Wie fließen ihre Daten in (dezentrale) KI-Modelle ein? Kapitel 00:00 Einführung & Bedeutung digitaler Zwillinge 00:29 Smart Data Ecosystems – Grundidee 02:01 Was ist ein digitaler Zwilling und woher kommt die Idee? 04:03 Zentrale Eigenschaft: Bidirektionale Kommunikation 05:20 Praxisbeispiel Logistik 07:35 Anwendung im Gesundheitsbereich 08:29 Funktionen digitaler Zwillinge & Rolle von KI 11:32 Herausforderungen: Vertrauen, Daten & Systeme

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Next Level-Wertschöpfung mit Ökosystemlogik, Digitalen Zwillingen und KI-Agenten Smart Data Ecosystems sind der nächste Evolutionsschritt auf Basis von Datenökosystemen. Was daran smart ist? Smart Data Ecosystems verbinden Ökosystemlogik, Digitale Zwillinge und KI zu einem neuen Modell intelligenter, datengetriebener Wertschöpfung. Denn während klassische Datenökosysteme den vertrauensvollen Austausch und die gemeinsame Nutzung von Daten ermöglichen, geht es nun um deren intelligente und zunehmend autonome Nutzung durch Künstliche Intelligenz. In diesem Video der »Data Researchers«-Reihe erläutert Boris Otto die drei zentralen Bausteine, die Smart Data Ecosystems ausmachen: - Ökosysteme als Organisationsmodell: Dynamische Netzwerke mit gemeinsamer Innovationsausrichtung bilden die Grundlage verteilter Wertschöpfung. - Digitale Zwillinge & Datenräume: Vertrauenswürdiges Datenteilen schafft eine gemeinsame, lebenszyklusübergreifende Datenbasis. - KI-Agenten: Auf Basis dieser Daten ermöglichen KI-Agenten autonome Entscheidungen – von prädiktiver Wartung bis zur flexiblen Produktionssteuerung.

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Die Industrialisierung der Künstlichen Intelligenz: So gelingt der Sprung vom Pilotprojekt zur produktiven KI-Nutzung. Europa diskutiert intensiv über große Sprachmodelle und generative KI – doch in der Praxis zeigt sich ein klarer Trend: Unternehmen betrachten diese Modelle zunehmend als austauschbare Basis, während der echte Mehrwert entsteht, wenn eigene Daten intelligent integriert werden. Methoden wie Retrieval-Augmented Generation (RAG) ermöglichen es, KI-Modelle gezielt mit domänenspezifischen Informationen anzureichern und so kontextrelevante Ergebnisse zu liefern. Studien zeigen enormies Potenzial, doch viele Unternehmen stecken noch im »Tal der Piloten«: spannende Demos und Proof-of-Concepts, aber keine flächendeckende Umsetzung. In diesem Video seiner »Data Researchers«-Videoreihe zeigt Boris Otto drei zentrale Erfolgsfaktoren auf, die es braucht, um KI wirklich zu industrialisieren: 1. Architekturmanagement: Ein klarer Ordnungsrahmen verhindert ein Chaos aus einzelnen Tools und Anwendungen. Nur wer KI sinnvoll in Geschäftsprozesse und IT-/Fertigungssysteme integriert, kann sie breit nutzbar machen. 2. Datenintegration: Ohne eine durchgängige Daten- und KI-Pipeline bleiben Potenziale ungenutzt. Boris Otto erklärt, wie Unternehmen Daten aufbereiten, indexieren und in KI-Modelle einbinden können, um echte Effizienzgewinne zu erzielen. 3. Mitarbeiterkompetenz: KI ersetzt nicht den Menschen. Erfolgreiche Unternehmen fördern Generalisten, die Domänenwissen mit KI- und Datenkompetenz verbinden – das neue Rollenprofil des Business & Industrial Engineers. Für die Industriealisierung der KI gilt also der Dreiklang: Enabled by architecture, fueled by data, powered by expertise.

Diese Podcast-Episode ist auch als Video auf YouTube verfügbar. Die Datenräume (Data Spaces) feiern Geburtstag: Vor 10 Jahren, am 23. September 2015 fand in Berlin das dritte Spitzengespräch zum »Industrial Data Space« statt. Ein Meilenstein, denn an diesem Tag übergab das Bundesforschungsministerium den ersten Förderbescheid für einen Industrial Data Space an Fraunhofer. Was ist bisher passiert und welche Forschungsfragen sind noch offen? Boris Otto reflektiert in diesem Video seiner »Data Researchers«-Reihe, wo die Datenraumentwicklung heute steht und welche Aufgaben die Zukunft bringt. Er erklärt auch, was ein Data Space eigentlich ist: eine verteilte Datenintegrations-Architektur, die Standards zum Aufrufen und Speichern von Daten beinhaltet und Datensouveränität für die Datengebenden ermöglicht. Damit bilden Data Spaces die Grundlage für einen vertrauensvollen Datenaustausch innerhalb einer Community. Vorangetrieben wurde das Konzept von der International Data Spaces Association (IDSA), inzwischen ist es auch in Open-Source-Software umgesetzt und befindet sich im Standardisierungsprozess. Zahlreiche Data-Sharing-Initiativen, wie etwa Catena-X für die Automobilindustrie, setzen bereits auf dieses Modell – mit großem internationalen Erfolg. Was ist jetzt noch zu tun? Wir müssen eine faire Datenökonomie schaffen, Datentransaktionen manipulationssicher erfassen und definieren, welche Daten wir über Datenräume verfügbar machen wollen. Eine Vision von Boris Otto: ein vollständiges digitales Abbild des europäischen Binnenmarktes. Die Reise der Datenräume geht weiter!

Wie sieht die nächste Stufe von Industrie 4.0 aus? Dieser Frage sind das Fraunhofer ISST und das Fraunhofer IAO in einer empirischen Studie nachgegangen. Boris Otto präsentiert in diesem Video seiner »Data Researchers«-Reihe die wesentlichen Ergebnisse der Studie: 1. Erweitertes Leistungsangebot: Ökosysteme sind die Zukunft. Unternehmen werden um einen Kunden herum dynamische Netzwerke bilden und nicht nur Produkte und Services anbieten, sondern auch die Orchestrierung von Kundenökosystemen übernehmen. 2. Klares Bekenntnis zur Kreislaufwirtschaft: Ein maximales Wiederverwenden von Ressourcen, das schon beim Design der Komponenten anfängt, ist für die Unternehmen selbstverständlich – nicht nur aus Gründen der Nachhaltigkeit, sondern auch der Versorgungssicherheit. 3. KI und Daten als Fundament: Die IT muss mit Blick auf generative KI und eine bessere Datennutzung auf ein nächstes Produktivitätslevel gebracht werden. 4. Die Rolle des Menschen: Welche Kompetenzen müssen Mitarbeitende mitbringen und wie dynamisch können sich diese Kompetenzen entwickeln? Was braucht es für ein gutes Zusammenspiel zwischen menschlicher und künstlicher Intelligenz? Die Studie ist zum Download unter www.isst.fraunhofer.de/publikationen verfügbar.

Die Europäische Kommission will Europa zum KI-Kontent zu machen. In einem gerade veröffentlichten Aktionsplan zeigt sie fünf Schwerpunkte auf – vom eigenen Bau von KI-Modellen über den Aufbau von stärkeren Kompetenzen und einer leistungsfähigen Infrastruktur bis hin zur Diskussion über eine faire und ethische Nutzung von KI. Besonders interessant aus Sicht der Forschung ist die fünfte Säule: Next Generation Data Management. Boris Otto plädiert in diesem Video seiner »Data Researchers«-Reihe für einen ausbalancierten Fokus auf die Innovation, die diese Technologie möglich macht. Er sieht beispielsweise folgende Forschungsfelder: • Daten- und KI-Wertschöpfungskette als integriertes Ganzes • RAG-Technologien als »Betriebsmittel« für KI-Modelle • Datenqualität und Datenaufbereitung • Ökonomische Anreize für (private) Datengebende • »Data-as-a-Service«-Dienste für das Trainieren von KI • Vertrauen bei der Datennutzung (z.B. mit Data Space Technologien)

In industriellen Datenökosystemen arbeiten mehrere Unternehmen zusammen in einem System, weil sie ein Ziel erreichen wollen, dass sie alleine nicht erreichen können – zum Beispiel den Einstieg in die Kreislaufwirtschaft oder die Nachverfolgbarkeit von Bauteilen und deren Einsatz im Lebenszyklus eines Produkts. Damit das gelingen kann, müssen die Unternehmen Produkt- und Organisationsdaten austauschen. Letztere sind Gegenstand dieser Folge. Die Organisationsdaten gilt es zu identifizieren und zu authentifizieren, um dann im dritten Schritt bestimmte Dateneingaben und -abfragen zu erlauben. Ein solches Identitätsmanagement ist beispielsweise Gegenstand von Gaia-X. Solche Datenverifizierungen sind auch ein wichtiger Aspekt der Cybersecurity und des Datenqualitätsmanagements. Beide Aspekte – Identitätsmanagement und Datenqualitätsmanagement – müssen in der Forschung und Entwicklung zu einem Trusted Organizational Data Model zusammengebracht werden, um eine integrierte Sicht auf die Mitglieder eines Ökosystems zu erhalten. Organisationsstammdaten braucht in einem Ökosystem jeder. Sie haben also ein hohes Skalierungspotenzial. Daher ist es wichtig, Dienste zu entwickeln, die es erleichtern, derartige Informationen in Datenökosystemen besser zu bewirtschaften. Gar nicht öde, sondern wirtschaftlich hoch relevant.