RomanUnterstögerWriting
Writing on AI,
data and decisions.
I write about questions that quickly become practical in Enterprise AI projects: Which number applies? How does the system know what it means? And when should it ask instead of answer?
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.
How I write
No trend reports. Concrete problems.
Most essays begin with a question that a project could not answer cleanly. I examine it from both the business and technical side, then work out what it means for the architecture.