Horizons Voice: Dr. Konstantin Jonas | 007 an 001 – wenn der Agent Klartext mit den Daten spricht

00:00:07: Herzlich willkommen beim zehnten Horizons-Beheise online Meetup.

00:00:11: Du bist

00:00:12: kurz davor, dir die Aufzeichnung anzuschauen.

00:00:15: Da schon mal ganz viel Spaß dabei!

00:00:16: Vorab ein zwei Informationen.

00:00:19: Ein herzliches Dankeschön geht an die sponsorende Detail Mindset, die das dieses Format hier möglich macht.

00:00:24: Und jetzt zum eigentlichen Thema!

00:00:26: Das mich heute wirklich wirklich neugierig macht... Was passiert wenn KI nicht einfach nur net formuliert viel mehr wirklich verlässliche Fakten liefert?

00:00:35: Es geht um Ownership es geht um Verantwortung es geht über souverämes Datenmanagement

00:00:40: und um

00:00:40: Rollen.

00:00:41: Um die Frage wie man Datenzugang wirklich demokratisieren kann Sicher, präzise und ohne IT-Ticket.

00:00:48: Dafür habe ich einen Gast mitgebracht, der das nicht nur theoretisch denkt sondern bei einem der komplexesten Datenunternehmen Deutschlands arbeitet nämlich der Deutschen Bahn!

00:00:58: Ein wirklich großartiges Gespräch wie ich finde mit dem Head of DB, Dr.

00:01:03: Konstantin Jonas.

00:01:05: Viel Spaß beim Reinschauen und wir sehen uns auf der Konferenz im September.

00:01:08: Ja vielen Dank Christina.

00:01:10: erstmal ein tolles Format.

00:01:11: Ich freue mich hier zu sein.

00:01:14: Das ist ein komischer, schöner Versprecher.

00:01:17: Ich bin Head of DB three sixty.

00:01:18: das ist ein Projekt was wir vor vier vor fünf Jahren gestartet haben.

00:01:23: es war die Frage im Grunde aus dem Konzernleitungsbereich und wie.

00:01:28: wir haben so viele verschiedene Assets und Züge und Werkstätten usw.

00:01:35: Wir brauchen Übersicht über die Daten, wir brauchen Über Sicht als Konzernen dieses Unternehmen steuern zu können.

00:01:41: Und es gibt halt sehr viele gerade in solchen Unternehmen, die historisch gewachsen sind auch und historisch in die Digitalisierung reingewachsen sind.

00:01:48: Extrem viele heterogene Systeme und Data Lakes usw.

00:01:54: Das zusammenzuführen also jetzt nicht ein Lake für alles sondern die Möglichkeit haben auf alle diese Daten zugreifend zu können.

00:02:00: Daraus ist DW-DreiSechzig entstanden und im Grunde das ist ein sehr großes Framework wo wir Also die Möglichkeiten haben, Daten zu analysieren.

00:02:09: Methoden haben sehr viel Fachwissen, sehr viele Menschen, die daran beteiligt sind und wissen entwickeln und aus den Daten ableiten können.

00:02:19: Und das Ganze in einem sehr kolaborativen Prozess.

00:02:21: Das ist ein Thema was wir eigentlich seit zwei Jahren produktiv haben und immer weiter quasi ja in die Analyse, in die produktiven Einsätze gehen und wir mit ganz vielen verschiedenen Use-Cases die auf db.debbernertsächzig laufen.

00:02:38: Ich finde es super spannend natürlich nicht, das wäre also wär cool wenn das so wäre aber ich glaube du bist damit schon ganz gut ausgelastet db drahnt sechzig je voran zu bringen.

00:02:49: ein super spannendes Projekt kann man ja fast gar nicht mal sagen, es ist ja eine Instanz die Deutsche Bahn wirklich voran bringt so wie ich das wahrgenommen habe.

00:03:02: Fangen wir nochmal ganz kurz ein bisschen.

00:03:05: bevor wir jetzt weiter tiefe eintauchen wollen wir dich noch mal ganz kurz etwas näher kennenlernen.

00:03:09: Konstantin was ist denn so dein KI-Tool?

00:03:11: Was du am häufigsten nutzt?

00:03:13: im Alltag

00:03:16: verschiedenst.

00:03:16: also wenn ich code kohle relativ wenig leider nur noch irgendwie, aber dann klar den Co-Pilot mit verschiedenen Modellen.

00:03:24: Da gibt es ja verschiedene Möglichkeiten wenn ich nachdenke oder so.

00:03:28: Also erst mal denke ich natürlich selber gerne selber nach irgendwie aber ein bisschen zum Challenge und anderes.

00:03:33: da gibt's ja ganz viele verschiedene Sachen.

00:03:34: Da probiere ich halt auch viel aus ändert sich eigentlich fast täglich.

00:03:39: Und sonst wenn man so wirklich tiefes Unternehmensmissen braucht, dann gibts halt eben nichts.

00:03:44: deswegen haben wir selber was gebaut das zeigen wir nachher.

00:03:46: auch Ich wundere mich davon, dass ich auch gerne mal die BIA nutze.

00:03:51: Also wie ein Anruf für die biologische Intelligenz.

00:03:53: Das ist natürlich auch sehr hilfreich manchmal um Probleme besser zu verstehen.

00:03:57: Ja, das kann ich bestätigen!

00:04:01: Es ist auch sehr, sehr hilfreich im Alltag auf diese Ressourcen, auf die menschlichen Ressoursen zurückzugreifen.

00:04:08: Wenn du dir jetzt deinen Arbeitsalltag anschaust, welche typischen Fragen würdest du denn heute einem KI-Agent direkt?

00:04:16: Stellen, ohne jetzt zu sagen ich gehe da immer neu ran.

00:04:22: Also wenn nicht, wenn ich interne im Interen gucke, dann haben wir Fragestellungen die man immer mit großer Fachexpertise lösen kann zum Beispiel also in unserem Bereich.

00:04:33: Wir sind sehr stark im Instandhaltung und es ist Management unterwegs Und da geht's dann immer so drum wie haben Jetzt hier vor ein paar jahre eine Maßnahme eingeführt?

00:04:41: irgendwie hat das denn was gebracht oder nicht?

00:04:42: Das ist natürlich dass es wissen dass in ganz vielen verschiedene Daten versteckt ist.

00:04:46: zum Beispiel Ich weiß nicht als Beispiel haben sich die Kosten der Entstandhaltung bei diesen Komponenten verringert.

00:04:52: Oder sind die Verspätungsminuten niedriger oder höher geworden in diesen Abhängigkeiten und so was?

00:04:57: Und das sind ja viele Daten, die auch in unterschiedliche Datentöpfen- oder Datasets verborgen sind.

00:05:02: Das abzufragen erstmal muss man wissen wo diese Informationen sind, in welchen Dataset sind sie versteckt?

00:05:10: Ich muss die Daten anziehen, ich muss sie miteinander verknüpfen und so weiter.

00:05:13: Kann man alles machen?

00:05:14: Kann man Alles manuell

00:05:15: machen?".

00:05:15: Ich kann es aber auch tatsächlich solchen Agenten diese Frage stellen, die genau dieses Wissen dann haben.

00:05:22: Aber Unternehmensinter, das ist also ganz wichtig, dass noch was nicht ein Chatchi Bedi hat.

00:05:26: Das muss halt irgendwie ein in dem Fall bahninternes Tooling sein oder Bahnintern an den Informationscreen angeschlossen

00:05:32: sein.

00:05:34: Jetzt hast du gesagt ihr habt ja auch selber gebaut weil das ist so nicht möglich.

00:05:41: Andere sagen, wir haben ja Kopal und das kann man auch irgendwie intern begrenzen.

00:05:46: Wo siehst du denn gerade bevor wir jetzt noch mal tiefer in eure Lösung eintachen?

00:05:51: Wo sießt ihr dann da so den Unterschied oder den Knackpunkt die Grenzen?

00:05:56: Naja also selber gebaut Wir haben kein large language Modell trainiert Sondern wir nutzen natürlich diese diese Komponenten auch um Kontext Verständnis herzustellen.

00:06:05: aber dass Unternehmens interne wissen Da steckt halt eben nicht in großen Modellen sondern Das ist halt dann genau vielleicht auch der Excelling Point von solchen Unternehmen oder auch das Wettbewerbs differenzierende Merkmal, dass diese Daten eben intern sind und auch nur intern verarbeitet und genutzt werden können.

00:06:21: Deswegen nützt der Co-Pilot jetzt nicht unbedingt weil er eben nicht Zugriff auf solche internen Daten haben sollte sag ich mal oder hat bei uns.

00:06:32: Ja da kommen wir zu einem Thema was wir nachher nochmal ansteigen werden.

00:06:36: Wie wichtig ist hier auch die Begrenzung von solchen Datasets und die Rollenverteilung darauf, den Zugriff, den wir so ermöglichen?

00:06:42: Weil da kommen wir ja schon irgendwo an eine Limitation, die wir selber irgendwie gestalten können.

00:06:51: Und gucken wir da auch noch mal rein, wo das notwendig ist.

00:06:55: Wenn du jetzt für die Teilnehmenden im Call einmal ... Datenlandschaft bei der deutschen Bahn beschreiben würdest.

00:07:04: Wie wie sehr das ausmach uns mein Bild im Kopf?

00:07:09: Also an alle die in großen Unternehmen sind würde ich sagen ganz normal so wie ein Großunternehmen, dass ist bei kleinen Unternehmen oder die frisch gestartet sind wir sagen extrem heterogen also kann man noch ein bisschen voneinander lernen.

00:07:22: es ist halt ein unternehmen was seit vielen, vielen Jahren existieren.

00:07:26: Es gibt auch seinen vielen Jahren das Thema Digitalisierung und Daten-Datenanalysen usw.

00:07:31: Und es ist natürlich ein riesengroßes Unternehmen mit ganz, ganz vielen verschiedenen... Erstmal man kennt die großen Geschäftsfelder, man kennt aber auch vielleicht kleinere Abteilungen, Bereiche, eigene Unternehmen

00:07:41: usw.,

00:07:42: alle wollen ja und müssen mit Daten arbeiten.

00:07:45: deswegen ist es sehr heterogen und dann gibt's halt immer Themen, die man konzernübergreifend lösen kann.

00:07:50: Und für diese Themen ist natürlich sinnvoll, wenn man diese ganzen Daten zusammenführen kann.

00:07:56: Nicht muss aber man kann sie halt zusammenfühlen für solche wertschöpfende Analysen.

00:08:00: und das ist eigentlich die Schwierigkeit.

00:08:02: also wir haben sehr heterogene Datenlandschaft wie unterschiedliche Formate.

00:08:07: es ist ja auch eigentlich klar systemisch bedingt auch alleine weil wir als Deutsche Bahn verschiedene Persteller auch einbinden.

00:08:15: Wir haben Züge, die halten als Tom Siemens und wie auch immer.

00:08:18: also alle möglichen will jetzt keine vergessen Sehr sehr viele und sie haben alle ihre eigenen.

00:08:23: Wo liegen die Daten?

00:08:24: Wie kommen die Daten zu uns usw.

00:08:25: Und selbst das ist ja Systemisch bedingt dass wir hier unterschiedliche Möglichkeiten haben wo Daten liegen und wo sie und wie sie zu uns kommen.

00:08:37: Jetzt hast du schon die Heterogenität der Daten angesprochen, dass es sehr viele Daten gibt.

00:08:42: Sehr unterschiedliche Daten.

00:08:45: Man könnte jetzt vielleicht mal ganzer Lob von so einem Flickenteppich sprechen?

00:08:49: Wie kann man denn jetzt von einem Flicken-Teppich von Daten zu einem wirklich strukturierten Ansatz kommen?

00:08:56: Wie geht das?

00:08:57: Wie habt ihr das gemacht?

00:08:59: Ja also... Die ursprüngliche Idee war Konstantin als ich zur Bahn kam.

00:09:04: Konstantint Baumi mal einen oder ein Cockpit auf.

00:09:07: Ein Cockpit, ja was soll das?

00:09:08: Ich muss alle Daten zugreifen können und da meine ich dass es nicht funktioniert.

00:09:14: also ich glaube nicht, dass man in solchen Großunternehmen einen Data Lake hat wo alle Daten drin sind.

00:09:19: Da kann man jetzt über Datamesh nachdenken sowas.

00:09:21: Also genau solche richtigen Ansätze.

00:09:23: Das wichtigste aber aus meiner Sicht ist, dass Man eine Ownership, ich benutze diesen Begriff irgendwie weil er irgendwie im Englischen irgendwie ganz gut beschreibt, was das ist.

00:09:35: Also wenn ich Daten anbinde dann gehören ja diese Daten irgendwie.

00:09:39: aber wenn sie in meinem System sind da muss sich irgendwie selber dafür Verantwortung haben dass diese Daten täglich kommen, dass die richtig sind und dass wenn Sie analysiert werden vielleicht mit einem anderen Dataset verknüpft werden, dass auch das funktioniert eine Art Betriebsführung.

00:09:56: Ich kann das natürlich nicht alles selber machen.

00:09:57: Deswegen muss im Grunde, dass Projekt oder der Use Case diese Daten benötigt.

00:10:02: Der muss dafür quasi eine Ownership übernehmen und das ist natürlich eigentlich wiederum nicht eine Konzernleitung so was sondern es sind wiederum die Leute und die Menschen, die wirklich in den Werken sitzen oder in den Prozessen involviert sind, die solche Instandhaltungssachen zum Beispiel optimieren usw.

00:10:22: Also das ist ganz wichtig, Daten an solchen auch Fähigkeiten im Weckeln gezogen wird, dass das nicht jemand von vorne rein von oben nach unten drückt und wir müssen es jetzt so machen.

00:10:33: Sondern dass immer jemand dabei ist ja dann auch eine Verantwortung oder auch eine gewisse Verantwortlichkeit für das was dort gemacht wird übernimmt.

00:10:43: Das ist total wichtig.

00:10:44: deswegen haben wir zum Beispiel in db-dreisächzig nicht alle Daten in deutschen Bahnen.

00:10:49: Und davon glaube ich auch technologisch wirklich ganz schwierig wäre.

00:10:53: aber wir haben alle Daten die im Moment gebraucht werden.

00:10:56: Das ist auch, finde ich relativ straight forward irgendwie ... Projekte, die Folge Daten brauchen haben diese Daten.

00:11:02: man kann diese Daten dann mit anderen Projekten auch teilen wenn sie diesen Daten benötigen.

00:11:06: aber wenn ein Projekt beendet ist Dann gibt es auch keinen mehr der sich drum kümmert würde ja nur Kosten erzeugen und dann wären diese Daten Daten Pipelines wieder abgerissen Und dann bleiben die in dem ursprünglichen System wo immer.

00:11:17: dann auch die nenn das mal Single Point of Choose wo die dann liegt

00:11:22: D.h.,

00:11:23: DB-drahnundsechzig ist das Single Point of Truth für die Fachbereiche?

00:11:28: Oder wie kann ich mir das vorstellen?

00:11:30: Eigentlich nicht, denn eigentlich liegen die Daten immer in dem Quellsystem.

00:11:34: Also wenn wir Daten von der Regel benutzen – von der S-Bahn in Hamburg zum Beispiel -, dann liegen diese Daten eigentlich in den Systemen.

00:11:43: Wir ziehen sie nur an zum Anziehen, also wir bauen eine Pipeline, dass die bei uns im System liegen und wir verknüpfen mit anderen.

00:11:50: Jetzt ist so ein bisschen die Frage, wenn man halt einen und wir bauen dann zum Beispiel Datprodukte.

00:11:56: Digital Twin Explorer

00:11:57: z.B.,

00:11:58: das ist quasi auch unser Frontend wo wir dann den KI-Ergäten gleich sehen dort liegen sehr viele angereichte Daten.

00:12:06: Und das sollte man natürlich jetzt nicht zwei oder dreimal machen unternehmen Wenn man halt Diagnose-Daten mit Wetterdaten und mit Instandhaltungsdaten kombinieren will.

00:12:14: Das sollte man einmal machen und nicht zwanzigmal irgendwie oder wie auch immer weil jeder S-Bahn Jede weiß ich nicht, andere Baureihe irgendwie hat vielleicht ihre ebenlichen Bedingungen oder auch Anforderung und sowas.

00:12:27: versuchen wir denn db.

00:12:28: Dreihundertsechzig auch zu vereinheitlichen dass man sagt das ist einmal gemacht worden Das kann man aber übertragen auf viele vieler andere.

00:12:34: deswegen hier ist unser Ich sag mal unser boilerplate unser unser unser Regal wo wir ganz viele Kotbausteine haben Und die können wir dann nutzen um alles das was wir einmal gemacht haben für viele quasi wiederverwertbar zu nutzen und das ist ein riesen Vorteil, weil wir damit ganz viel Synergie nehmen.

00:12:53: Jetzt stellt ich mir die Frage wer übernimmt denn konkret Ownership?

00:12:58: Das ist vor dem so präsent gemacht was sich sehr passend finde.

00:13:02: ich kann mir darunter gut etwas vorstellen diese Verantwortung zu haben wenn jetzt ein bestimmtes Datenset von oder bestimmte Daten eine Suchanfrage von unterschiedlichen Menschen genutzt wird.

00:13:16: Also die Nutzung dessen, was ich da suche... Die Nutzungen der Daten ist auf mehrere Menschen verteilt.

00:13:25: Wie identifiziere ich denn jetzt die Person, die wirklich Ownership für diese Daten hat?

00:13:31: Oder für dieses Datenset?

00:13:33: Genau also da gibt es ja dieses Konzept der Data Owner.

00:13:36: das finde ich total super!

00:13:37: Es gibt tatsächlich wirklich eine Person, Wo muss man sich das vorstellen, dass die Person oft nicht nur Data Owner von einem Datenset ist.

00:13:47: Zum Beispiel die Diagnose-Daten dieser einen Baureihe sondern das sind dann halt viele andere technischen Daten wo auch eine Data Ownership bei der Person liegt und das ist natürlich eigentlich nicht machbar wenn man dafür nicht technische Hilfsmittel hat.

00:14:03: Wir entwickeln ja auch Lösungen für zum Beispiel dass man halt automatisiert.

00:14:07: Also erstmal natürlich weiß, wann kommen die Daten an.

00:14:11: Sind sie da?

00:14:11: Sind sie nicht da und wie groß sind die?

00:14:13: Sind Sie heute in einem anderen Schema gekommen als gestern?

00:14:15: Sowas kann man hervorragend automatisieren.

00:14:18: aber wir müssen auch innerlich in den Daten gucken denn nichts ist schlimmer als ich sage mal Dashboards wo ganz tolle Informationen dargestellt werden.

00:14:26: genau das was ich brauche.

00:14:27: aber keiner sagt mir sind die Daten die Grundlage für diese Dashboard sind?

00:14:30: sind die denen heute auch erinnerlich richtig oder stehen lauter neuneinneuen Werte drin oder null, weil das halt die Eingabemaske erfordert.

00:14:39: Aber zum Schluss ist diese Fachlichkeit dieser Daten nicht richtig.

00:14:42: und zum schluss ist immer der Die oder der Data Owner dafür verantwortlich.

00:14:47: aber er und sie braucht glaube ich Hilfsmittel dafür dass man das halt wirklich automatisieren kann.

00:14:52: Er oder Sie aber immer noch quasi ich sage mal das letzte Wort hat also human in the loop ganz wichtig solche Geschichten Das würde jetzt nie komplett einem Agenten überlassen da die Datenqualität zum Beispiel zu messen.

00:15:05: Das muss man immer quasi als Hilfsmittel nutzen, aber dann das letzte Wort hat immer der oder die Data

00:15:11: Owner?

00:15:14: Ich kann mir jetzt vorstellen, ihr habt da Data Owner drinsitzen, die sich um die Datenpflege kümmern auch und dass die Daten in einer souveränen Basis zur Verfügung stehen damit die agentische KI da eben drüber laufen können.

00:15:27: wir kommen ja gleich nochmal zu dem ganzen agentiker i-Thema Auf dem Weg dorthin?

00:15:34: Du hast gesagt, du bist zur deutschen Bahn gekommen um letztendlich ein Cockpit zu bauen oder das zu bauen wo ihr jetzt irgendwo gelandet seid.

00:15:41: Was hat euch am meisten überrascht auf den Weg dahin?

00:15:44: Waren es jetzt eher so technische Hürden oder war es eher was organisatorisches?

00:15:52: Es gibt diesen Spruch von dieser Baumarkette geht nicht, gibt es nicht irgendwie und das ist auch so.

00:15:57: Also man findet ja wirklich alles und also wir haben jetzt auch nicht das Rad neue Fund sondern sehr viele Sachen quasi zusammengeschlossen zu einem Ende-zu-Ende Ansatz.

00:16:05: da gehört auch das Arbeitsmodell zusammen.

00:16:07: wie arbeitet man mit Fachbereich zusammen?

00:16:12: Eigentlich eher dieses organisatorische, dass man halt auch in großen Unternehmen immer Menschen und Leute findet die so was schon mal gemacht haben.

00:16:20: Wie bildet man solche KollegInnen ein?

00:16:22: Damit man nicht alles noch einmal neu und doppelt und dreifach macht.

00:16:25: Und wie bietet man diese Prozesse ein?

00:16:27: Wie schafft man auch Vertrauen das da jetzt einen DW-DreiSechzig kommt und irgendwas macht, was ich als Fachbereicher eigentlich selber... hätte machen können oder schon gemacht habe und so weiter.

00:16:37: Also das ist da es ganz viel, also man arbeitet vor allem mit Menschen und das ist total wichtig dass man das aus meiner Sicht gut hinkriegt.

00:16:44: Aus meiner Sicht nicht so technisch eher das organisatorische menschliche was da im Vordergrund steht.

00:16:51: Jetzt kommen wir aber zur Technik wollen mal ein bisschen gucken Was den KI-Agenten, dass er ausmacht.

00:16:58: Debedraner'n-Sechzig ist ja letztendlich eine ... sorgt für solide Datenbasis.

00:17:04: Aber ihr baut das auch damit ihr schneller an diese Daten kommt.

00:17:07: Arbeitet viel mit Agentik AI und der KI-agenten, denen ihr da gebaut habt.

00:17:12: für was unterscheidet den Fundamentallix von anderen LLMs die eher generisch unterwegs sind?

00:17:20: Abgesehen von dem, wir sind im Unternehmenskosmos unterwegs.

00:17:24: Das ist natürlich eine große

00:17:25: Instanz.".

00:17:26: Naja aber das ist eigentlich wirklich der große Unterschied.

00:17:29: also zum Schluss ein LLM kann mit dir kommunizieren sprechen und hat auch sehr viel Wissen, aber das LLm zum Schluss kann halt... Also ich meine es jetzt einen Agenten, denn der Agent hat Hände ja und er kann Sachen machen.

00:17:44: Er kann

00:17:44: z.B.,

00:17:45: wenn er im Unternehmen eingebunden ist, kann wie die sagen welche Daten haben wir, was steckt in den Daten drin?

00:17:51: und so weiter.

00:17:51: Und ich habe es schon erwähnt die Daten ohne die Daten und dass die Daten beschrieben sind

00:17:56: usw.,

00:17:56: funktioniert das halt auch alles nicht.

00:17:58: also es gehört viel mehr zu dem, ich sage mal dem KI-Agenten oder ein Lasch-English-Modell was man dann agentisch erweitert.

00:18:06: Das reicht doch nicht!

00:18:07: Man muss halt viel mehr machen und das hat sich auch seit den letzten zehn, zwanzig Jahren nicht geändert.

00:18:11: ohne richtige Daten, richtige Datenqualität Beschreibung der Daten sowas nützt das alles nichts.

00:18:17: Und was wir halt gemacht haben, wir haben so ein hybrides System gebaut.

00:18:19: Das habe ich nicht gebraucht.

00:18:22: Da sind dann ganz tolle Kollegen... Der Friedrich zum Beispiel, der ganz eng beteiligt war.

00:18:28: Das ist halt ein hybrides System, da ist ganz viel Unternehmens-Knowledge drin und auch verschiedene Tabellenstammdaten

00:18:36: usw.,

00:18:37: die eine Fachfrage von einem Nutzenden übersetzt in einen SQL Statement.

00:18:46: dieses SQL-Statement.

00:18:48: Ja, also zum Beispiel ich will wissen wie viele Fahrzeuge die Baureine vierhundertdreißig hat ja?

00:18:52: Also was jetzt wirklich ganz einfach ist.

00:18:55: irgendwie aber kann ja sein dass diese Frage existiert das kann ich gleich auch mal live demonstrieren wie viel Fahrzeuger die Baura in den vierhund dreißig.

00:19:03: dann könnte ich als der das wissen möchte, könnte ich jetzt halt in Bahnenkonzernen rumtelefonieren fragen.

00:19:09: Hey wo steht denn das eigentlich drin?

00:19:11: Welcher Tabelle?

00:19:11: und dann könnt man überlegen ja an der oder der Und kann man eine SQL Frage selber schreiben und dann kann man diese Daten analysieren.

00:19:19: Oder ich mache es als sag mal wirklich Fachexperte der gar nicht SQL beherrscht Schreibt diese diese Frage in den Agenten findet selber heraus, weil er halt Stammdaten hat.

00:19:30: Weil da verschiedene andere Informationen hast.

00:19:32: was heißt eigentlich BR?

00:19:33: Ja, BR steht dann in dem Fall für Baureihe, weil ich als Fachexperte jetzt BR four drei null geschrieben.

00:19:39: Was heißt überhaupt vier drei Null?

00:19:40: Aha dass die Baureit wo muss sich denn nachgucken?

00:19:42: In welcher Tabelle steckt denn genau dieses Informat diese Information drin und sowas?

00:19:47: Und entweder weiß ich das oder ich rufe ihn an der s weiß Oder mein Agent weist es und mein Agent Weiß ist weil ich ihm quasi durch diese ganzen informationen dich im quasi ange baut habe, weil diese Information nur möglich.

00:20:01: Und dann kann ich halt die Frage ab, also Frage dort eingeben und er stellt eine SQL-App-Frage und dann wird es halt spannend, weil er nicht mehr hallucinieren kann.

00:20:10: Die SQL-Abfrage ist zum Schluss ein einfacheres SQL-State und das kann ich mir auch angucken lassen.

00:20:15: Es kann mich dann bewerten lassen vielleicht von wirklich einem der es beherrscht um ihr Vertrauen zu geben.

00:20:20: ja das war richtig was sie da gemacht hat.

00:20:22: aber dann ist es einfach nur wieder einen Ein Tool, ein Handwerkszeug was diese Agent hat.

00:20:27: Nämlich er wirft oder er macht eine SQL-Abfrage auf diese Daten und das ist halluzinationssicher weil er das ja nicht mehr interpretiert sondern dass es dann genau das Ergebnis was in die Daten drinsteckt.

00:20:39: Und komme ich wieder zu dem Anfang wenn die Daten nicht richtig sind, dann benutzt auch der Career Agent nix.

00:20:44: aber Wenn die Daten richtig sind dann ist das ein super Hilfsmittel rumtelefonieren muss und vielleicht ein, zwei Tage verliere.

00:20:50: Sondern ich habe innerhalb von zwei Minuten die Antwort auf und jetzt eben auch extrem komplexe Anfragen, die man dann wirklich nicht mehr einfach mal selber schreibt.

00:21:00: Und wie sondern?

00:21:00: da muss man denn wirklich vielleicht auch mal eine Woche recherchieren, weil man halt die Daten nicht hat, nicht angebunden hat usw.

00:21:06: Das ist ein riesen Vorteil.

00:21:08: wenn totaler Zeitgewinnis und auch so ein bisschen die... Ich hab das mal genannt, die Daten demokratisiert, weil plötzlich alle mit diesen Daten selber arbeiten können.

00:21:17: Es ist ja eigentlich nicht schlimmer, als wenn ich... Ich bin der Fachexperte.

00:21:21: Ich habe tolle Daten irgendwie aber ich weiß nicht wie ich damit umgehen soll also brauche ich immer wen anders irgendwie und es ist natürlich viel cooler wenn ich selber irgendwie vertrauensvoll, ich weiß was ich dort mache, ich weiss was diese SQL-Abfrage da steckt in den Daten und ich hab selber das Ergebnis für mich selber hier geleitet und hab vielleicht sogar auch wirklich mehr Vertrauen in dieses Ergebnis weil ich nicht abhängig bin von anderen.

00:21:46: Jetzt hast du gerade schon Demokratisierung von Daten angesprochen.

00:21:50: Was heißt das für dich ganz konkret?

00:21:54: Wir haben viele Daten und den Datenzugriff, die Expertise mit diesen Daten zu arbeiten ist aus meiner Sicht im Moment sehr eingeschränkt nämlich an die wenigen Menschen sind vielleicht auch viele in unserem Unternehmen sind sehr viele.

00:22:09: wir haben sehr viele schlaue smarte Leute aber die quasi Zugriff auf die Systeme haben Ja, in dem Fall irgendwie SQL oder vielleicht auch mit Python irgendwie programmieren können die auch eine Entwicklungsumgebung haben.

00:22:21: Die Zugriff auf die Daten haben und so weiter.

00:22:23: Und wenn ich das jetzt demokratisiere nenne sage ich halt wir können halt diesen diesen eingeschränkten Kreis an Menschen, die mit den Daten arbeiten erweitern.

00:22:33: Nämlich an die Leute, die eigentlich mit den Daten ja arbeiten sollten, nämlich die Leute die eine Instandhaltung optimieren oder die bei den Dispositionen ändern oder die weiß ich die Wartung oder die die Instandhalte von unseren Gleisen und sowas.

00:22:45: also es ist ja wahnsinnig viel zu tun in so einem großen Unternehmen.

00:22:48: das erleben wir auch tagtäglich.

00:22:50: Und da können wir glaube ich sehr sehr viel mehr Leute inkludieren in diese Analysen.

00:22:58: D.h.,

00:22:58: Demokratisierung von Daten heißt für dich Inklusion von Menschen?

00:23:03: Zum Schluss, wenn man es ja zu nennen will, genau.

00:23:09: Wo siehst du denn inklusiv also Zugang und wo siehst Du aber auch Grenzen bei der Demokratisierung?

00:23:14: Also heißt Demokratisierung wie inkludieren alle?

00:23:20: Ich glaube das ist nicht Zielführend weil das kennt man auch als Gegenbeispiel ist dann Wenn alle Daten sehen sehr, sehr viele Leute die sagen auch im positivem helfen wollen irgendwie und dann aber die leute dies fachlich beurteilen irgendwie überfluten mit tollen ideen.

00:23:36: das kann es auch nicht sein.

00:23:37: also muss schon immer noch deswegen diese data owner geschicht ist total super und da gibt's auch noch weitere rollen ich jetzt aber nicht unbedingt ausführen.

00:23:46: die müssen dann.

00:23:47: Zum Schluss entscheiden, wer darf die Daten entsehen.

00:23:49: Also es muss immer noch irgendwie ein Kreis sein von Menschen.

00:23:52: aber ich will den nicht aus technischer Sicht eingrenzen weil ich halt nicht SQL kann, kann sich die Daten nicht sehen sondern... Ich muss fachlich begründet sein.

00:24:00: das ist auch in so einem Unternehmen wie bei uns, dass es halt immer... Es muss immer fachlicht getrieben sein.

00:24:05: wenn halt die Leute, die die Instandhaltung optimieren dann sollen sie auch mit den Daten selber arbeiten können und nicht immer abhängig sein von der, ich sag mal der IT-Abteilung oder wie auch

00:24:13: immer Ja, okay.

00:24:16: Das macht Sinn für mich.

00:24:18: Wenn ihr Fragen habt übrigens an Konstantin dann nutzt gerne den Chat oder meldet euch.

00:24:23: Wir sind eine kleine Runde.

00:24:24: Dann stellt diese Frage super gern das nur noch mal ganz kurz erwähnt.

00:24:29: ich habe aber auch eine bevor du uns das vielleicht ein bisschen anschaulich machen kannst.

00:24:33: Ihr habt ja auch einen Rollenkonzept integriert.

00:24:35: hattest du im Vorgespräch mal kurz erwänt wer darf denn welche Daten sehen bei euch?

00:24:41: Kannst du es kurz erklären wie das funktioniert?

00:24:42: Genau das entscheidet tatsächlich der Data Owner.

00:24:45: Also es ist so, dass halt alles was wir natürlich immer die Daten die Grundlage sind und jedes Dataset gehört quasi einem DataOwner.

00:24:54: dann haben wir so Rollen angelegt.

00:24:55: diese Rollen kann ich beantragen oder nicht?

00:24:59: Und wenn ich jetzt ein Experte in der Disposition ist und sowas Dann würde ich die vier fünf Datasets benötigen.

00:25:07: Das steckt in dieser Rolle.

00:25:08: Ich beantrage diese Rolle verantwortlicher, der gibt mir diese Rolle frei.

00:25:14: Das ist aber auch total wichtig weil zum Beispiel wir sind ja so eine Scherdplattform, wir haben wirklich sehr viele Use Cases, sehr viele Daten.

00:25:20: das kann nicht sein dass jeder alle Daten sehen darf.

00:25:23: also das hatte ich erwähnt gesagt man muss es irgendwie ein bisschen einschränken dass mich jetzt mal als Beispiel wie Leute von Cargo die Daten vom Fernverkehr sehen analysieren und dann kann natürlich auch sinnvoll sein, wenn man Erfahrung und Austausch haben will irgendwie.

00:25:39: Aber es kann auch eben nicht gewollt sein, auch so finanzielle Daten usw.

00:25:44: Und das machen wir mit diesem Rollenkonzept, dass eben in einer Scherdplattform eben trotzdem nicht jeder jeden Datensatz sehen kann sondern jeder quasi seinen Bereich hat und das wirklich individuell.

00:25:53: also wenn man das gleiche in der Demo sieht irgendwie da gibt's sehr viele Rollen.

00:25:56: ich habe Im Grunde jetzt für diese Demo genau eine Rolle, die ich annehme und da kann ich halt ganz viele Datentabellen nicht sehen.

00:26:02: Das heißt der KI-Agent kann für ihre Daten auch nicht sehen weil der quasi meine Rolle einfach einnimmt.

00:26:08: ja gleich

00:26:09: Ja Da bin ich sehr gespannt drauf.

00:26:11: Wir hatten jetzt kürzlich mal die Diskussion, dass das ja auch nicht so schön wäre bei Mitarbeiter-Daten zum Beispiel von einem führungskräftigen Gespräch dann auf einmal zu finden sind weil die Rollenverteilungen noch nicht sogar uns klar sind im Unternehmen und es ist de facto schon vorgekommen, dass es dann doch solche Daten und Texte doch frei zu irgendwie sind wenn die Rolleverteilungen eben nicht korrekt abgelegt ist und entschieden worden ist von bestimmten Data-Ownern wie du das ja gerade so... ... ja, bestimmt gesagt hast.

00:26:43: Konstantin, nehm' uns doch mal mit in die Demo!

00:26:46: Ich bin ganz gespannt wie das aussieht bei euch.

00:26:49: Das mach ich mal... Ihr wisst der Demoteufel ist immer aktiv.

00:26:54: wahrscheinlich klappt's nicht.

00:26:55: Na ja, wir sehen, ob es klappt.

00:26:57: Dingsen

00:26:57: wärs nicht.

00:26:58: Gerade eben hat's funktioniert.

00:27:00: Ich würde euch bitten jetzt vielleicht nicht um eine Screenshot zu machen oder das mitzufilmen und so weiter.

00:27:06: Weil sonst könntest du dich nicht zeigen?

00:27:09: extrem gefeim Daten, sondern aber ich zeige trotzdem hier ein Live-Bild.

00:27:15: Man muss sich kurz gucken... Ich muss einmal auf freigeben.

00:27:22: Ich gehe hier auf diesen Bildschirm zwei.

00:27:28: Jetzt sieht man den Digital Editor richtig genau so.

00:27:31: Hier gibt es verschiedene Module.

00:27:33: Ich geh jetzt hier mal auf den KI Agent.

00:27:36: Der KI Agent wird geladen und jetzt sage ich wie viele Ah, Zeuge hat die und das ist genau was sie vorhin gesagt hatte.

00:27:46: Das ist jetzt also auch kein Unternehmenskritische Information.

00:27:50: man sieht hier unten übrigens die Rolle Data Access Digital Twin, dass hier Digital Twin Explorer, das ist also die Rolle mit der ich quasi diese Frage jetzt... Also ich gehe jetzt in die Rolle eines Menschen der den digitalen Zwilling bearbeitet.

00:28:09: Was macht jetzt dieser Agent, der versucht den Kontext zu verstehen?

00:28:14: Man kann halt den Denkprozess nachvollziehen.

00:28:16: Da gehe ich gleich noch mal ein bisschen drauf ein.

00:28:18: Also er guckt sich erst dann was ist das für eine Frage?

00:28:20: Was bedeutet denn was?

00:28:22: und hier zum Beispiel haben wir schon das Ergebnis.

00:28:27: Zwei-hundertfünfzig Fahrzeuge.

00:28:31: Er sagt mir auch die Selectabfrage, Select Baureihe von Fahrzeugnummer S Anzahl Fahrzeug usw.. Und das habe ich ausprobiert.

00:28:43: Ich hab das auch mit einer anderen Rolle ausprobieren, dann hat da vielleicht eine andere Datentabelle abgefragt.

00:28:47: Es ist jetzt immer unterschiedlich was er macht.

00:28:50: Also ganz wichtig noch mal zu sehen wir haben diese SQL-Abfrage und dieser SQL-Freie kann nicht nachvollziehen und wenn man hier so ein bisschen SQL... Er guckt die Baureihe, da steckt halt irgendwie anscheinend eine Spalte in einer Tabelle.

00:29:05: Hier gibt es irgendwie eine Tabelle, die so heiß ist und BR-Vierdreißig.

00:29:09: Das macht ja ... Verstanden?

00:29:11: Er hat das sogar aufgespalten nach quasi Unterkategorien oder sowas Und diese Nummer müsste man jetzt so oder ähnlich.

00:29:19: Die Frage basiert auf Fahrzeugen, die mindestens einen IH-Eintrag in der Datenbank haben, also die mind.

00:29:24: einmal wahrscheinlich dann im letzten Jahr repariert worden sind.

00:29:28: Und das ist halt eine Zahl, die hoffe ich würde man jetzt im Wikipedia genauso finden.

00:29:33: Weil es halt im Grunde ... Das ist kein geheimnisvolles Fahrzeug, den die Bauern finanzreich hat.

00:29:38: So und das ist eigentlich total spannend.

00:29:41: wie gesagt Ich könnte jetzt extrem komplexe Sachen hier abfragen mache nicht weil das ist dann doch ein bisschen Unternehmensintern was sich nicht gerne öffentlich sein möchte aber einfach nun mal zu sehen irgendwie Das funktioniert.

00:29:54: Es ist ein Live-System, es nutzen sehr viele Leute jetzt schon und das bringt wirklich mehr Wert weil ich einfach viel schneller bin in irgendwelchen Hauptfragen.

00:30:05: Danke, die Konstantin für den einen Blick.

00:30:08: Wir haben direkt eine Frage aus dem Chat.

00:30:10: Arbeitest du auch eng mit Cyber Security Experten zusammen?

00:30:14: Weil Asa sagt jetzt so ein Projekt entwickelt sich stetig weiter und Cyber Security Leute können ja quasi in echt Zeit neue Angriffsflächen identifizieren und entsprechende Sicherheitskonzepte zeitnah integrieren.

00:30:24: hat auch ein Beispiel dargelegt Daten Pipelines bauen andere Daten Pipelins wieder abbauen Wie sieht es da mit APIs aus und Co?

00:30:33: Vielleicht nehmen wir uns dann mal mit rein.

00:30:37: Genau, das ist eine super Frage.

00:30:38: Vor allen Dingen durch... Das ist ja auch so ein Fluch von den immer besseren Larsch-Language Modellen

00:30:45: usw.,

00:30:46: dass halt eigentlich im Grunde so ein Kampf ist, wie er schneller, wer entdeckt zuerst die Sicherheitslücke Verwendet sie gegen uns oder sind wir die, die wir vorher wissen und vorher abstellen?

00:30:59: Das ist wirklich fast ein bisschen wie früher bei den Doping-Tests.

00:31:03: So was wird das bessere Doping?

00:31:05: ja oder ist die Kontrolle besser?

00:31:07: Das is total spannend!

00:31:08: Wir sind natürlich da genau wie alle anderen sehr eng in Abstimmung.

00:31:12: Wir machen auch regelmäßige Penetration-Test usw.. In dem Fall ist es natürlich, wir sind halt ein System was intern und quasi geschützt ist.

00:31:20: Also nur intern erreichbar.

00:31:23: Wir sind geschütz durch natürlich einen ganz riesen Framework, das die Bahn auch sehr professionell macht.

00:31:28: also wir sind jetzt zum Beispiel nicht verbunden mit den externen zugänglichen APIs usw.

00:31:32: Das ist schon hilfreich.

00:31:33: aber klar, das ist ein Riesenthema aus meiner Sicht.

00:31:39: Ich hoffe dass beantwortet deine Frage erstmal.

00:31:41: wenn nicht dann... springen gerne noch mal rein, wenn du noch eine Anschlussfrage hast.

00:31:45: Ich hoffe deine Frage wurde damit beantwortet was Konstantin gerade schon angeschlossen hat super nochmal darauf eingegangen.

00:31:53: sehr gut.

00:31:53: dann würde ich nochmal eine frage anschließen die mich nochmal brennt interessiert.

00:32:01: wir sprechen heute viel über digitale souveränität.

00:32:04: Also das ist glaube ich so, dass Basu etwas für die Dekker geschossen ist.

00:32:10: Aber es hat ja auch eine Basis in dem wenn wir nicht nur digitalen und generell einfach souveräne Daten haben dann haben wir auch eine technologien Lutzung im Sinne von KI.

00:32:26: Wie verhindert ihr denn Abhängigkeit von US Tools?

00:32:29: oder wie baut ihr gleichzeitig interne Kompetenz auf, sodass ihr nicht abgehängt werdet von all dem?

00:32:35: also so schnell wie sich die ganzen LMS gerade entwickeln.

00:32:38: Nicht nur LMS sondern auch andere Technologien auf Basis von KI gerade entwickeln und aus den Boden sprießen kommt ihr da so hinterher wenn ihr euch komplett unabhängig davon

00:32:47: macht?

00:32:49: Wir machen uns ja nicht unabhänglich.

00:32:50: Also erstmal wir haben Erstmal hatte ich schon gesagt, wir haben wirklich richtig gute Leute bei uns und in der Bahn.

00:32:56: das macht wirklich toll Spaß mit denen zu arbeiten.

00:33:01: Zum Schluss, wir nutzen ja auch die... Wir sind auf dem Hyperscaler unterwegs, wir benutzen halt auch ein Latschwängesmodell was wir quasi eingebunden haben, dass ist aber zum Schluss auch austauschbar also DW-DreiSechzig an sich und auch das wir es hier entwickelt haben Das ist mehr oder weniger cloudagnostisch.

00:33:16: Also man könnte quasi auch auf einem anderen Stack irgendwie dann unterwegs sein und wenn vielleicht der europäische Hyperscaler da ist, dann kann man es auch dort integrieren.

00:33:26: Das versuchen wir schon, möglichst cloud-agnostisch unterwegs zu sein.

00:33:30: Aber das finde ich eigentlich noch viel wichtiger.

00:33:32: Wir müssen als Unternehmen selber wissen was wir machen.

00:33:34: also wir dürfen nicht quasi jetzt Die sind meine persönliche Meinung.

00:33:38: Wir dürfen jetzt nicht einen KI-Agenten irgendwie entwickeln lassen, einbauen und zum Schluss sind wir wirklich abhängig.

00:33:43: Das ist nämlich gehört aus meiner Sicht für die Souveränität dazu.

00:33:46: Nicht nur immer die Diskussion über den Hyperscaler – es geht auch um ganz andere Sachen!

00:33:50: Wir müssen die Daten verstehen, wir müssen sie selber verstehen, selbst analysieren können.

00:33:54: Wir müssen selber Methoden entwickeln und selber solche Entwicklungen machen.

00:33:58: Dafür haben hat ich gesagt, viele gute Leute.

00:34:02: Und das gehört aus meiner Sicht zu einer Souveränität in Europa auch dazu dass wir vieles von dem gerade vielleicht auch diese Methodeentwicklung selber beherrschen

00:34:12: war jetzt ein bisschen prokant.

00:34:13: die Frage.

00:34:14: Ich weiß ja aus so einem Vorgeschrieb, dass ihr da sehr gut aufgestellt seid ist immer gerade die Diskussion auch in vielen Kommunen wenn wir jetzt mal so ja auch politisch unterwegs sind einfach eine große Diskussion extra Strategie und Co und unabhängig sein.

00:34:30: Mir fällt noch einen Halbsatz dazu ein also weil du fragst es irgendwie wie wir auch das Wissen intern halten sowas.

00:34:37: Das war auch von Anfang an so, dass wir als dvd.

00:34:39: Sechzig eben nicht so eine Siloentwicklung haben das wie alle Menschen die bei uns arbeiten irgendwie in einem Bereich arbeiten sondern es ist eigentlich Konzern weit gestreut also trotz Funktionales Matrix-Organisationen mehr oder weniger.

00:34:52: und die Leute, Menschen, die mitarbeiten sitzen überall im Unternehmen.

00:34:55: Das ist auch total super weil man zwar sehr eng zusammenarbeitet wissen austauscht aber auch Wissen aufbaut konzernweit ja und das ist halt super dass es nicht db three sixty hat dieses ganze wissen.

00:35:05: nein das ist in grunde die geschäftsfelder die eigenen Unternehmens töchter und so weiter.

00:35:10: dort sind sorgt sitzt das ganze wissen was wir Stück für Stück gemeinsam miteinander aufbauen und da gibt's natürlich auch immer externe partner die das unterstützen.

00:35:19: Es ist nie so, dass wenn der eine wegbricht dann ist das Wissen weg.

00:35:22: Sondern es ist halt in so einem Community-Ansatz ganz wichtig, dass dieses Unternehmen dieses Wissen teilt aufnimmt und ja weiterverbreiten.

00:35:31: Das funktioniert glaube ich auch sehr gut bei unserem Ansatz.

00:35:35: Noch eine Frage aus dem Chat.

00:35:36: Muss man den Agenten auf die Datenbank anlernen?

00:35:39: Feldnamenbedeutung

00:35:40: usw.?

00:35:42: Anlernen nicht!

00:35:46: Man muss halt wissen was... das Feld bedeutet.

00:35:50: Wenn da steht FZGNR irgendwie, dann ist jetzt schon erstmal zu interpretieren was bedeutet denn das?

00:35:56: und das gehört aus meiner Sicht zu einem guten Datenqualität dazu dass quasi eine Tabelle eine Datentabelle jeder Feldname beschrieben.

00:36:03: ist ja das eine Fahrzeugnummer gleich eine USC-Nummer gleich weiß ich die Baureihe dar und da versteckt es usw.

00:36:10: Das muss man halt einmal machen.

00:36:12: Aufgabe der Data Owner eigentlich.

00:36:14: oder das ist bei uns im Entwicklungsprozess drin, weil wir diese Tabellen meistens nie so bekommen.

00:36:19: Wir beschreiben die Daten ja ohne dass die Daten beschrieben sind.

00:36:23: Braucht die Karriere gar nicht mehr anfangen, weil sie weiß ja nicht wo Sie nachsuchen sollen.

00:36:26: Das ist schon deswegen super Frage haben wir so gelösten, wie wir quasi die Daten wirklich alle von vorn bis hinten beschreiben?

00:36:34: Das ist einmal Aufwand aber es halt nur einmal aufwand und nicht für jedes Ladschmengenmodell neu trainieren.

00:36:41: Gucken

00:36:42: wir mal kurz in die Zukunft.

00:36:44: Ihr arbeitet ja einen drei Wochen Sprints.

00:36:46: Was sind die nächsten konkreten Schritte für Db-Berane-Sechzig?

00:36:54: Okay, da reißen mir jetzt alle meine Entwickler im Kopf ab wenn ich sage es ausentwickelt.

00:37:00: also was will ich damit sagen?

00:37:01: das ist halt ein System was produktiv ist.

00:37:03: fast zweitausend Nutzende im gesamten Konzern mit ganz vielen verschiedenen Fragestellungen.

00:37:08: Da sind halt Disponenten oder Leute, die die Infrastruktur monitoren und Leute in Hamburg bei der Instandhaltung sitzen usw.

00:37:16: Also es ist wirklich sehr viele funktioniert das Betrieb geführt Alles da.

00:37:21: Ist ganz toll, aber natürlich entwickeln wir weiter an Features und ein Sieher Feature ist zum Beispiel der KI Agent, der auch Produktives funktioniert, aber Stück für Stück ausgerollt wird, auch in weitere Bereiche, weitere Daten angebunden werden usw.

00:37:34: Und dann haben wir das große Thema Datenqualität.

00:37:37: was ich vorhin sagte jedes Dashboard ist nur so gut wie die Daten drin sind.

00:37:41: Aber wenn ich gar nicht weiß wie gut die Daten sind muss ich im Moment zum Dashboard vertrauen weil ich würde gerne jeden Dashboard irgendwie eine Art Qualitäts-KPI mitgeben, wo man draufdrücken kann.

00:37:53: Hier die Datenlieferung von gestern war so und so gut und vorgestern war es so und zu gut und damit kann jeder selber dann beurteilen ob er dem Ergebnis des Dashboards vertraut oder nicht?

00:38:04: Das ist ganz wichtig und Data Lineage ist immer ein Thema.

00:38:08: im Moment sind wir da dran das irgendwie auch noch besser visuell darzustellen, dass man halt zum Beispiel was ich gerade gezeigt habe.

00:38:15: Welche beiden Tabellen sind da?

00:38:17: Wem gehören die Tabellen und wie wen kann man fragen wenn da Fehler drin sind?

00:38:20: soweit das ist man auch so wirklich auch wirklich ein visuell ganz einfach im Überblick hat über alle Daten.

00:38:25: dann gibt es aber auch schon verschiedene Tools dieser Socken Unternehmen machen.

00:38:29: Noch eine Frage aus dem Chat Dann kommen wir so langsam zum Ende Wie habt ihr die Mitarbeiter dazu befähigt die Agenten zu nutzen?

00:38:35: also Was war da eine Herausforderung bei der Implementierung?

00:38:41: Also, wir nehmen die gerne und sehr gerne an die Hand.

00:38:44: Und wir arbeiten auch wirklich sehr stark immer so userzentriert.

00:38:47: Das heißt, na hat ich vorhin auch gesagt... Wir bauen nix wo wir dann denken soll das braucht ihr jetzt sondern es ist schon eher die Fragen kommen quasi aus der Anwendung.

00:38:57: Wenn wir eine neue Datentabelle meistens aus einem Fachbereich angebunden haben irgendwie binden wir die so ein, indem wir sagen ihr müsst eigentlich am besten die Ticket schreiben.

00:39:08: Ja also es klappt nicht immer irgendwie aber ihr müsst auf jeden Fall diesen Fachinput uns geben.

00:39:13: und wie damit wir das System entsprechend auch validieren können.

00:39:17: und quasi also die Fragen dreimal stellen irgendwie und dreimal dasselbe Ergebnis, dass man validiert was da rauskommt.

00:39:24: Und dann wie arbeitet man mit KI-Agenden?

00:39:28: Es steht zum Schluss immer der Disclaimer, KI-Agent kann Fehler machen.

00:39:31: Das habt ihr vielleicht auch gesehen.

00:39:32: überprüfen sie wichtige Informationen.

00:39:34: das ist auch vielleicht ein bisschen eine Kommunzenz und die Bahn selber intern hat auch viele Programme wie man in der neuen Welt mit KI-agenten, Agentschaerei usw.

00:39:43: umgehen kann.

00:39:43: da wird viel intern nicht nur bei uns also übergreifend gemacht.

00:39:49: Liebe, liebe.

00:39:50: Dank Konstantin.

00:39:51: Die letzte Frage würde ich Ihnen mal mitnehmen und die an den Nachgang noch mal stellen.

00:39:55: Und Rainer, ich melde mich dann einfach nochmal bei dir aufgrund von Zeit.

00:40:00: Deswegen hier einmal so ein bisschen zusammenfassen wollen.

00:40:03: Konstantin, du hast uns einen großartigen Einblick gegeben in das was du machst und das was ihr vorhabt?

00:40:10: Und wie das Ganze aussieht und was man da auch konkret umsetzen kann.

00:40:13: also ich hoffe ihr habt im Publikum hier einige Dinge für euch mitnehmen können Vor allem auch wenn es darum geht Ownership anzunehmen und Verantwortung zu übernehmen Für die Daten denn dass ist die Grundlage für KI.

00:40:26: Also heute ging's so viel um Daten als Grundlage für das, was ihr damit machen könnt und die Verantwortung da zu übernehmen.