Daten für KI vorbereiten: Welche Qualität und Menge ein Projekt braucht
Kurz gesagt
Für ein KI-Projekt brauchen Sie selten riesige Datenmengen, aber die richtigen Daten in brauchbarer Qualität. Am Anfang steht eine Bestandsaufnahme: Welche Daten gibt es, wo liegen sie, wer ist verantwortlich und dürfen sie genutzt werden? Danach folgen Qualitätsprüfung und, wo nötig, Labeling durch Fachleute. Zur Orientierung: Für Anomalieerkennung in Bildern genügen oft einige hundert Bilder guter Teile, ein Wissensassistent mit RAG braucht kein Training, sondern bereinigte Dokumente und 50 bis 200 Testfragen.
Warum die Daten über ein KI-Projekt entscheiden
Ein KI-Modell lernt aus Beispielen. Sind die Beispiele lückenhaft, falsch beschriftet oder nicht repräsentativ, lernt das Modell genau diese Fehler. Daran ändert auch das beste Verfahren nichts. Umgekehrt erreichen einfache Modelle mit sauberen, gut ausgewählten Daten oft bessere Ergebnisse als aufwendige Modelle mit schlechten Daten.
Das Marktforschungsunternehmen Gartner nannte 2024 schlechte Datenqualität als einen der Hauptgründe, warum Projekte mit generativer KI nach dem Proof of Concept eingestellt werden. Bei klassischen KI-Projekten wie Bildverarbeitung oder Prognosen sehen wir dasselbe. Die Datenlage gehört deshalb in die ersten Wochen, nicht in den dritten Monat. Wer Daten früh prüft, weiß früh, ob ein Vorhaben machbar ist, und baut keinen Prototyp, der an fehlenden Informationen scheitert.
Schritt 1: die Datenbestandsaufnahme
Bevor jemand Daten bereinigt, braucht es einen Überblick. Für jeden Anwendungsfall sollten Sie diese Fragen beantworten:
- Welche Daten gibt es? Tabellen aus ERP und MES, Sensordaten, Bilder, Dokumente, E-Mails, Tickets oder Gesprächsaufzeichnungen.
- Wo liegen sie und wie kommt man heran? Datenbank, Dateiablage, Cloud-Dienst, Maschinensteuerung oder Papierarchiv. Gibt es Schnittstellen oder nur manuelle Exporte?
- Welcher Zeitraum ist abgedeckt? Und gab es in diesem Zeitraum Brüche, etwa ein neues System, geänderte Artikelnummern oder eine andere Art der Erfassung?
- Wer ist verantwortlich? Für jede Quelle braucht es eine fachliche Ansprechperson, die Inhalte erklären und Fehler beurteilen kann.
- Darf das genutzt werden? Personenbezug, Verträge mit Kunden oder Lieferanten, Geschäftsgeheimnisse und Zweckbindung.
- Passt das Ziel zu den Daten? Steckt die Information, die das Modell vorhersagen soll, überhaupt in den Daten? Wenn Ausschuss nie mit Ursache erfasst wurde, kann kein Modell die Ursache lernen.
Das Ergebnis ist eine kurze Übersicht je Quelle mit Umfang, Zugriff, Qualität und offenen Fragen. Eine Seite pro Quelle reicht. Diese Übersicht ist oft wertvoller als der erste Prototyp, weil sie zeigt, welche Anwendungsfälle mit den vorhandenen Daten überhaupt möglich sind.
Schritt 2: Datenqualität prüfen
Datenqualität lässt sich in wenige, prüfbare Merkmale zerlegen. Die seit 2024 erscheinende Normenreihe ISO/IEC 5259 beschreibt Datenqualität speziell für Analytik und maschinelles Lernen. Für den Projektalltag reichen die folgenden Prüfungen:
| Merkmal | Prüffrage | Typischer Fehler | So prüfen Sie |
|---|---|---|---|
| Vollständigkeit | Fehlen Werte, Zeiträume oder ganze Gruppen? | Sensor fiel zwei Wochen aus, Nachtschicht nie erfasst | Anteil fehlender Werte je Feld und Zeitraum |
| Richtigkeit | Stimmen die Werte mit der Wirklichkeit überein? | falsche Einheit, vertauschte Spalten, Tippfehler | Stichproben mit Fachleuten, Plausibilitätsregeln |
| Konsistenz | Bedeuten gleiche Felder überall dasselbe? | Werk A erfasst Minuten, Werk B Stunden | Abgleich zwischen Quellen und Standorten |
| Aktualität | Sind die Daten aktuell genug für die Aufgabe? | veraltetes Handbuch im Wissensassistenten | Änderungsdatum und Gültigkeit prüfen |
| Eindeutigkeit | Gibt es Dubletten? | dasselbe Dokument in drei Versionen | Duplikaterkennung |
| Repräsentativität | Bilden die Daten alle relevanten Situationen ab? | nur Sommerdaten, nur ein Produkt, nur gute Teile | Verteilung nach Produkt, Saison, Schicht und Standort |
| Label-Qualität | Sind Beschriftungen korrekt und einheitlich? | zwei Prüfer bewerten denselben Fehler unterschiedlich | doppelte Bewertung einer Stichprobe |
Nicht jeder Fehler muss vor dem Start behoben sein. Sie sollten ihn aber kennen und entscheiden, ob er das Ergebnis verfälscht. Ein fehlender Monat in fünf Jahren Verkaufsdaten ist meist harmlos, ein fehlender Produkttyp in den Trainingsbildern nicht.
Wie viele Daten braucht welches KI-Projekt?
Die ehrliche Antwort lautet: Es hängt von der Aufgabe, der Vielfalt in den Daten und dem gewünschten Ergebnis ab. Die folgende Tabelle zeigt Erfahrungswerte für den Start mit heute üblichen, vortrainierten Modellen. Sie ersetzt keinen Test mit Ihren Daten.
| Anwendungsfall | Was gebraucht wird | Orientierung für den Start |
|---|---|---|
| Anomalieerkennung in Bildern | Bilder guter Teile, wenige Fehlerbilder zum Testen | einige hundert Bilder guter Teile, dazu einige Dutzend Fehlerbilder zur Bewertung |
| Fehlerklassifikation in Bildern | beschriftete Bilder je Fehlerklasse | einige hundert Beispiele je Klasse, bei feinen Unterschieden mehr |
| Predictive Maintenance mit Anomalieerkennung | Sensordaten aus dem Normalbetrieb | einige Wochen bis wenige Monate mit allen üblichen Betriebszuständen |
| Bedarfs- und Absatzprognose | Zeitreihen mit Einflussgrößen | mindestens zwei Jahre, damit Saisonmuster erkennbar sind |
| Textklassifikation, etwa E-Mails oder Tickets | beschriftete Beispiele je Kategorie | einige hundert Beispiele je Kategorie, mit Sprachmodellen für den Start oft deutlich weniger |
| Wissensassistent mit RAG | vorhandene Dokumente, kein Training | aktuelle, bereinigte Dokumente und 50 bis 200 echte Testfragen mit erwarteten Antworten |
| Feinabstimmung eines Sprachmodells | Paare aus Eingabe und gewünschter Ausgabe | einige hundert bis wenige tausend sorgfältig geprüfte Beispiele |
Zwei Faustregeln helfen. Erstens: Vielfalt schlägt Menge. Zehntausend fast identische Bilder vom selben Tag helfen weniger als tausend Bilder aus verschiedenen Schichten, Chargen und Lichtverhältnissen. Zweitens: Für die Bewertung brauchen Sie Daten, die das Modell nie gesehen hat. Legen Sie einen Teil als Testmenge beiseite, die erst am Ende genutzt wird.
Mehr zu den einzelnen Anwendungsfällen lesen Sie in den Ratgebern KI in der Qualitätskontrolle, Predictive Maintenance mit KI und KI-Wissensmanagement mit RAG.
Labeling: Wer beschriftet die Daten?
Viele Verfahren brauchen beschriftete Beispiele: Dieses Bild zeigt einen Kratzer, diese E-Mail ist eine Reklamation, dieser Messverlauf endete mit einem Lagerschaden. Labeling ist eine Fachaufgabe, keine Hilfstätigkeit. Ob ein Oberflächenfehler noch akzeptabel ist, wissen die Prüferinnen und Prüfer an der Linie am besten. Bewährt haben sich:
- Ein kurzer Leitfaden mit Beispielbildern oder Beispieltexten für jede Klasse, einschließlich der Grenzfälle.
- Eine Stichprobe, die zwei Personen unabhängig beschriften. Weichen sie oft voneinander ab, ist die Klassendefinition unklar, nicht das Modell schlecht.
- Einfache Beschriftungswerkzeuge im Browser statt Tabellen und Dateinamen.
- Vorbeschriftung: Ein erstes Modell schlägt Labels vor, Fachleute bestätigen oder korrigieren. Das beschleunigt vor allem große Mengen.
- Eine Rückmeldeschleife im Betrieb, denn jede Korrektur ist ein neues Label.
Bei der Anomalieerkennung entfällt ein Großteil des Labelings, weil das Modell nur den Normalzustand lernt. Das ist ein Grund, warum sie oft der schnellere Einstieg ist.
Datenschutz und Rechte an den Daten
Sobald Daten einen Personenbezug haben, gilt die DSGVO, auch für Trainings- und Testdaten. Das betrifft Kundendaten, aber ebenso Namen in Tickets, Gesichter auf Kamerabildern oder Personalnummern in Maschinenprotokollen. Bewährte Maßnahmen sind:
- Datenminimierung: nur Felder übernehmen, die für die Aufgabe nötig sind. Für eine Ausschussprognose braucht es keine Namen.
- Pseudonymisierung: personenbezogene Kennungen durch Schlüssel ersetzen, die nur eine berechtigte Stelle auflösen kann.
- Anonymisierung, wo möglich: Sie ist schwieriger als oft angenommen, weil Kombinationen von Merkmalen Personen wieder erkennbar machen können.
- Zweck prüfen: Daten, die für einen anderen Zweck erhoben wurden, dürfen nur weiterverwendet werden, wenn der neue Zweck vereinbar ist oder eine eigene Rechtsgrundlage besteht (Art. 6 Abs. 4 DSGVO).
- Verarbeitungsort: Wenn Daten das Haus nicht verlassen sollen, laufen Aufbereitung und Training auf eigener Hardware.
Neben dem Datenschutz zählen Verträge: Gehören Konstruktionsdaten einem Kunden, oder hat ein Lieferant Rechte an den Messdaten seiner Maschine? Klären Sie das, bevor Daten in ein Modell fließen. Einen Überblick über die rechtlichen Fragen gibt der Ratgeber KI und DSGVO.
So unterstützen wir Sie
Wir beginnen jedes KI-Projekt mit einem Daten-Check: Wir sehen uns Quellen, Umfang und Qualität an, prüfen mit Stichproben, ob die gesuchte Information in den Daten steckt, und sagen offen, wenn die Datenlage nicht reicht. Oft ergibt sich daraus ein klarer Plan, welche Daten ab sofort zusätzlich erfasst werden sollten, damit ein Projekt in einigen Monaten möglich wird. Wo der Daten-Check im Gesamtablauf steht, zeigt die Seite Ablauf eines KI-Projekts. Wie es danach mit einem ersten Test weitergeht, beschreibt der Ratgeber KI-Proof-of-Concept.
Häufige Fragen
Wie viele Daten braucht man für KI?
Weniger als oft gedacht, wenn vortrainierte Modelle genutzt werden. Für Anomalieerkennung in Bildern reichen oft einige hundert Bilder guter Teile, für eine Fehlerklassifikation einige hundert Beispiele je Klasse, für Prognosen mindestens zwei Jahre Historie. Ein Wissensassistent mit RAG braucht kein Training, sondern bereinigte Dokumente und Testfragen. Wichtiger als die Menge ist, dass die Daten alle relevanten Situationen abdecken.
Was ist Data Labeling?
Labeling bedeutet, Beispiele mit der richtigen Antwort zu versehen: Dieses Bild zeigt einen Kratzer, diese Anfrage ist eine Reklamation. Ein Modell lernt aus diesen Beispielen. Weil die Qualität der Labels die Qualität des Modells bestimmt, sollten Fachleute aus dem Betrieb beschriften, nach klaren Regeln und mit einer doppelt bewerteten Stichprobe zur Kontrolle.
Können wir mit Excel-Daten in ein KI-Projekt starten?
Ja, für einen ersten Test oft problemlos. Viele Projekte beginnen mit Exporten aus ERP, MES oder Zeiterfassung. Für den Betrieb sollten die Daten später automatisch über Schnittstellen kommen, damit das Modell aktuell bleibt und niemand von Hand exportieren muss. Achten Sie bei Excel besonders auf einheitliche Formate, Einheiten und Spaltenbedeutungen.
Was tun, wenn unsere Daten für KI nicht reichen?
Es gibt mehrere Wege: gezielt zusätzliche Daten erfassen, etwa mit einer Kamera oder einem Sensor, ein Verfahren wählen, das weniger Beispiele braucht, wie die Anomalieerkennung, oder mit vortrainierten Modellen arbeiten. Manchmal ist die ehrliche Antwort, einige Monate gezielt Daten zu sammeln und dann zu starten. Das ist besser als ein Projekt, das an der Datenlage scheitert.
Dürfen personenbezogene Daten für KI genutzt werden?
Ja, wenn eine Rechtsgrundlage besteht, der Zweck klar ist und die Grundsätze der DSGVO eingehalten werden. Oft lässt sich der Personenbezug durch Pseudonymisierung oder das Weglassen von Feldern stark verringern. Bei Daten, die für einen anderen Zweck erhoben wurden, ist zu prüfen, ob die Weiterverwendung vereinbar ist. Binden Sie Ihren Datenschutzbeauftragten früh ein.
