KI-Modelle sind Mimosen Das Vernachlässigen des Datenbank-Change-Managements hat unschöne Folgen

Anbieter zum Thema

Redgate Software

Stäubli TEC-Systems GmbH Connectors

Fujitsu Technology Solutions GmbH

Data Center Group – Büro Köln

Wenn Unternehmen auf Künstliche Intelligenz (KI) setzen, um zukunfts- und wettbewerbsfähig zu bleiben, denken sie allerdings viel zu selten daran, ihre Datenbankinfrastruktur für kontrollierte Änderungen aufzusetzen - ein Fehler.

Künstliche Intelligenz avanciert mehr und mehr vom experimentellen Werkzeug zum essenziellen Bestandteil digitaler Wertschöpfung. Insbesondere für die Anwendungsentwicklung (Development) und den IT-Betrieb (Operations) ergeben sich durch die zunehmende Integration der Technologie in die Prozesse der jeweiligen Teams einige Vorteile.

In Entwicklungsteams kann KI Routine-Aufgaben wie die Dokumentation, die Generierung von Code oder das Erstellen von Testszenarien beschleunigen und wird auf diese Weise sozusagen zum „Junior Developer“. Gerade große und verteilt arbeitende Teams profitieren von diesem digitalen Mitarbeitenden, da KI repetitive Aufgaben übernimmt und für die menschlichen Kolleginnen und Kollegen somit mehr Raum für konzeptionelle und kreative Tätigkeiten schafft.

Im Operations-Bereich kann künstliche Intelligenz die Automatisierung vorantreiben und Teams bei Analyse und Qualitätskontrollen unterstützen. IT-Infrastrukturen werden zunehmend komplexer, deren Betrieb anspruchsvoller, gleichzeitig werden Budgets enger und Mitarbeiterressourcen knapper. KI hilft dabei dennoch, alles ohne Einbußen in Sachen Sicherheit und Performance am Laufen zu halten.

Ohne skalierbare Dateninfrastrukturen geht nichts

Je intensiver IT-Teams allerdings KI nutzen, desto wichtiger ist auch eine belastbare und sinnvolle Dateninfrastruktur. Sie muss vier zent-rale Anforderungen erfüllen:

• Skalierbarkeit: KI-Workloads steigern die Rechen- und Speicheranforderungen.

• Datenbereitschaft: Daten müssen strukturiert, zuverlässig verfügbar und über robuste Pipelines angebunden sein, denn KI-Anwendungen sind extrem datenhungrig.

• Sicherheit und Compliance: Regulatorische Vorgaben, etwa zur Nutzung sensibler Daten, müssen eingehalten werden und den obligatorischen Audits standhalten.

• Kosten-Management: Unternehmen müssen ihre Innovationsgeschwindigkeit mit langfristiger Wirtschaftlichkeit ausbalancieren.

Richtig umgesetzt verschafft eine nach diesen Kernprinzipien aufgesetzte Dateninfrastruktur Unternehmen langfristig Resilienz und nachhaltige Wettbewerbsvorteile.

Stabilität des Datenbankschemas

Über Erfolg und Misserfolg der Dateninfrastruktur entscheidet am Ende des Tages die Datenbank. Denn um zuverlässig zu arbeiten, benötigen KI-Anwendungen und -Workloads korrekte, konsistente Daten, die leicht zugänglich sind. Auch die Sicherheit muss gewährleistet sein, was jedoch nicht nur die Daten selbst betrifft, sondern auch die Systeme, die sie speichern, verarbeiten und weiterentwickeln.

Besonders kritisch ist in diesem Zusammenhang die Stabilität des Datenbankschemas. KI-Modelle reagieren nämlich höchst empfindlich auf strukturelle Änderungen. Dabei ist es egal, ob es sich um Large Language Models oder Small Language Models, regelbasierte oder statistische Ansätze, Machine-Learning-Algorithmen oder neuronale Netze handelt. Instabile oder inkonsistente Datenstrukturen unter-brechen Trainingsprozesse, beeinträchtigen die Modell-Performance, führen Analysen ad absurdum und können im schlimmsten Fall sogar Produktionsausfälle verursachen.

Das Problem an der Sache: Änderungen am Datenbankschema sind in modernen Unternehmen unvermeidbar, da neue Geschäfts- oder Datenmodelle auch in der Datenbank abgebildet werden müssen. KI-Anwendungen sind ein Paradebeispiel und erfordern zum Beispiel oft neue Strukturen wie Vektordaten oder Feature Stores.

Das richtige Datenbank-Change-Management

Genau an dieser Stelle setzt ein strukturiertes Datenbank-Change-Management an. Es ermöglicht, Datenbankschemata mit derselben Sorgfalt zu behandeln wie Programmcode. Teams können so Änderungen kontrolliert, versioniert, getestet und nachvollziehbar pflegen. So reduziert sich die Chance auf negative Nebeneffekte.

Umgekehrt bitet ein sinnvoller Ansatz zur Verwaltung von Datenbankänderungen zahlreiche Vorteile, darunter:

• 1. Versionierte, reproduzierbare Änderungen am Datenbankschema: Datenbankobjekte sind komplexe Strukturen, die IT-Teams nicht einfach als Flatfiles (also in einer zweidimensionalen Datenbank) speichern können; denn ohne sauber versionierte Änderungen verlieren sie schnell den Überblick. Eine konsequente Versionierung schafft in dieser Hinsicht Abhilfe und ermöglicht eine klare Historie aller Datenbankzustände.
  Sie sorgt zudem für Rückverfolgbarkeit der Änderungen, was besonders bei der Fehleranalyse wichtig ist, und stellt sicher, dass Entwicklungs- und Produktionsumgebungen konsistent bleiben. Darüber hinaus unterstützt diese die zuverlässige Zusammenarbeit auch großer, verteilter Entwicklungsteams, da alle zu jeder Zeit auf dem gleichen Stand operieren und alle Mitglieder Änderungen jederzeit lückenlos nachvollziehen können – egal von wo aus und in welcher Zeitzone sie arbeiten.

• 2. Schnelle und sichere Iterationen durch CI/CD: Viele Unternehmen tun sich bei der Einbindung von Datenbanken in CI (Continuous Integration)- und CD (Continuous Deployment)-Pipelines nach wie vor schwer. Während herkömmlicher Anwendungs-Code längst automatisiert getestet und bereitgestellt wird, basieren Datenbankänderungen häufig noch auf manuellen und damit fehleranfälligen Prozessen.
  Ein automatisiertes Vorgehen hat hingegen deutliche Vorteile: Problematische Änderungen des Datenbankschemas lassen sich frühzeitig erkennen und Deployments erfolgen ohne riskante „Hotfixes“, die direkt in die Produktivdatenbank integriert werden. Die Integration von Datenbanken in CI/CD-Pipelines beschleunigt zudem die Weiterentwicklung von Datenmo-dellen. Besonders KI-getriebene Systeme profitieren von dieser höheren Anpassungsfähigkeit, da IT-Teams ihre Modelle so leichter iterativ anpassen und neue Datenstrukturen kontinuierlich integrieren können.

• 3. Nachvollziehbarkeit und Compliance: In regulierten Branchen wie dem Finanzwesen oder dem Healthcare-Sektor ist die lückenlose Auditierbarkeit von Datenbankänderungen von zentraler Bedeutung. Tools für ein professionelles Datenbank-Change-Management stellen zu diesem Zweck vollständige Änderungshistorien bereit, während Teams Verantwortlichkeiten klar definieren und kontrollierte Freigabeprozesse durchsetzen müssen. Dadurch sinkt das Risiko nicht autorisierter Eingriffe erheblich und es entsteht Vertrauen in die Datenbasis, auf der KI-Prozesse aufbauen.

• 4. Optimierte Datenstrukturen für KI-Workloads: Eine saubere und logisch aufgebaute Datenbasis ist die zentrale Voraussetzung für präzise Analysen, eine stabile Performance von KI-Modellen und eine insgesamt geringere Fehleranfälligkeit entsprechender Systeme. Das gilt insbesondere für Schema-empfindliche KI-Technologien wie Vektor-Embeddings, also die Übersetzung von Texten, Bildern und anderen Informationen in numerische Vektoren. Solche Prozesse erfordern strukturierte Erweiterungen der Datenbank und funktionieren nur in Verbindung mit konsistenten, klar definierten Datenstrukturen zuverlässig.

• 5. Unterstützung von KI-spezifischen Formaten: KI-Anwendungen erfordern häufig spezielle Datenstrukturen wie Vektordatenbanken, Feature Stores, semantische Datenstrukturen oder hybride Speicherformen. Eine agile und kontrollierte Datenbankentwicklung ermöglicht die reibungslose Integration dieser neuen Datentypen, ohne dass es zu Betriebsausfällen oder Inkonsistenzen kommt.

Der Baustein Testdaten-Management

Neben dem operativen Datenbank-Change-Management spielt auch das Testdaten-Management (TDM) eine wichtige Rolle. Gerade in Deutschland und der EU ist der Umgang mit sensiblen, personenbezogenen Daten ein zentraler Compliance-Faktor.

Ein ausgereiftes TDM umfasst die Klassifizierung sensibler Daten sowie deren Anonymisierung oder Pseudonymisierung vor der Nutzung in Tests oder im KI-Training. Außerdem ist die Bereitstellung sicherer, repräsentativer Testdaten für Entwicklungsteams Teil des Testdaten-Managements. Auf diese Weise verhindern Unternehmen, dass personenbezogene Informationen aus Versehen in Trainingsdaten gelangen oder in Entwicklungsprozessen offengelegt werden.

(ID:50797685)