RomanUnterstögerArtikel
Artikel über KI,
Daten und Entscheidungen.
Ich schreibe über Fragen, die in Enterprise-KI-Projekten schnell praktisch werden: Welche Zahl gilt? Woher kennt das System ihre Bedeutung? Und wann sollte es lieber nachfragen?
Ein Data Product ist kein Dataset mit einem Owner
Warum Zweck, Konsument, Grenze, Vertrag und Lifecycle aus einem technischen Asset ein belastbares Produkt machen.
Unternehmenskontext gehört nicht in den Prompt.
Unternehmenswissen braucht ein explizites, versioniertes und prüfbares Modell — nicht mehr Text im System Prompt.
Das LLM darf antworten. Es darf nicht entscheiden, was wahr ist.
Evidence first. Compose second. Critic last. Eine Architektur für Antworten, die ihre Beleggrundlage zeigen können.
Wie baut man ein echtes Data Product in Databricks?
Wie Unity Catalog, Lakeflow, Metric Views, Quality Expectations, Lineage und Delta Sharing zu einem Produktversprechen werden.
Genie Ontology und Unity Catalog Semantics
Was Glossary, Metrics, Domains und OntoRank leisten — und wo die Grenze zur verantwortbaren Entscheidung bleibt.
Wie ich schreibe
Keine Trendberichte. Konkrete Probleme.
Ausgangspunkt ist meist eine Frage, die sich in einem Projekt nicht sauber beantworten liess. Ich gehe ihr fachlich und technisch nach und halte fest, was sich daraus für die Architektur ableiten lässt.