Viele industrielle KI-Initiativen scheitern nicht an der Modellgüte, sondern an den eigenen Daten. Dieser Beitrag stellt das DATOVA-Framework vor, das Datenmanagement-Anforderungen in der industriellen Produktion systematisch in den KI-Lebenszyklus integriert.

Zielpublikum: Industrieexperten, Datenmanager, Data Engineers, Data Scientists
Voraussetzungen: Kenntnisse der typischen Arbeitsschritte bei KI-Projekten (idealerweise nach CRISP-DM) sowie der besonderen Anforderungen der industriellen Produktion
Level: Advanced

Extended Abstract:
Viele industrielle KI-Initiativen scheitern nicht an der Modellgüte, sondern an den eigenen Daten. Eine Rolle spielen dabei bestehende Vorgehensmodelle wie CRISP-DM, MLOps oder DMBOK, die jeweils nur Teilbereiche des Datenmanagements abdecken und kaum die zugrundeliegenden Wertschöpfungsprozesse fokussieren. Ohne enge Integration mit der Domäne laufen einzelne Methoden ins Leere, Bürokratie entsteht, aber der erhoffte Mehrwert bleibt aus.

Dieser Beitrag schließt diese Lücke und präsentiert das DATOVA-Framework, das erfolgskritische Herausforderungen im gesamten KI-Lebenszyklus in Produktionsumgebungen einfängt und in einen Anforderungsrahmen integriert – von Business Understanding über Governance und Modellierung bis hin zur Wertschöpfung.

Basierend auf aktuellen Studien zu KI in der Produktion bündelt das DATOVA-Framework erstmals KI-Entwicklung, das umgebende Datenmanagement, den tatsächlichen Betrieb sowie Compliance mit Fokus auf wertschöpfende Prozesse. 

Der Beitrag zeigt, wie Industrieunternehmen Analytics- und KI-Projekte zuverlässiger skalieren, robuste Daten- und Governance-Strukturen aufbauen und echten geschäftlichen Mehrwert durch KI realisieren können. Ideal für alle, die KI in der Produktion endlich ganzheitlich, steuerbar und wirksam gestalten wollen.