Online-Training – Künstliche Intelligenz Datenqualität als Compliance-Anforderung

Zu den Terminen springen Datenqualität ist eine zentrale Voraussetzung für zuverlässige, sichere und regelkonforme KI-Systeme. Fehlerhafte, unvollständige oder nicht repräsentative Daten können zu Fehlentscheidungen, Diskriminierung und erheblichen Haftungsrisiken führen. Deshalb fordern sowohl die EU-KI-Verordnung als auch ISO/IEC 42001 eine systematische Daten-Governance, die ISO/IEC 27001 ergänzt dazu die Forderung nach Integrität der Daten und die ISO 9001 nachweisbare Richtigkeit und Rückverfolgbarkeit. Das praxisorientierte Training vermittelt die Methoden, mit denen Organisationen diese Anforderungen wirksam, auditierbar und regelwerksübergreifend umsetzen können. 

Was versteht man unter Daten Governance?

Data Governance bezeichnet den organisatorischen Rahmen für den verantwortungsvollen Umgang mit Daten. Sie legt Rollen, Zuständigkeiten, Regeln und Kontrollmechanismen für Erhebung, Beschaffung, Aufbereitung, Nutzung und Dokumentation fest. Ziel ist es, Daten über ihren gesamten Lebenszyklus hinweg nachvollziehbar, sicher, regelkonform und für den vorgesehenen Zweck geeignet zu verwalten. 

Was ist der Unterschied zwischen Governance und Compliance?

Governance legt fest, wie eine Organisation Daten steuert: durch Rollen, Verantwortlichkeiten, Regeln, Prozesse und Kontrollen. Compliance beschreibt dagegen die Einhaltung gesetzlicher, regulatorischer und normativer Anforderungen. Gute Daten Governance schafft damit die organisatorischen Voraussetzungen, um Datenqualität systematisch sicherzustellen und Compliance-Anforderungen nachweisbar zu erfüllen. 

Warum ist eine hohe Datenqualität beim Einsatz von KI-Systemen für Daten Governance besonders wichtig?

Eine hohe Datenqualität ist ein zentrales Ziel wirksamer Data Governance. Sie stellt sicher, dass Daten vollständig, korrekt, konsistent, aktuell und nachvollziehbar sind. Gerade bei KI-Systemen ist dies entscheidend, weil mangelhafte Daten zu fehlerhaften oder verzerrten Ergebnissen führen können. Data Governance schafft dafür klare Verantwortlichkeiten, Regeln und Kontrollmechanismen. 

Was sind die fünf wichtigsten Inhalte dieses Trainings?

  • Datenqualität als Querschnittsanforderung
  • Gesetzliche Anforderungen: KI-Verordnung und DSGVO
  • Normative Anforderungen und ihre Integration: ISO 9001, ISO/IEC 27001 und ISO/IEC 42001
  • Auswirkungen auf die betrieblichen Prozesse
  • Methodenbaukasten für die Praxis

Ihr Nutzen

  • Datenqualität als Querschnitts- und Pflichtanforderung verstehen.
  • Anforderungen der KI-Verordnung an Daten und Daten-Governance einordnen können.
  • Datenbezogene Maßnahmen der ISO/IEC 42001 im Zusammenspiel mit Risiko- und Folgenabschätzung anwenden können.
  • Datenqualitätsanforderungen der ISO 9001 kennen und nutzen.
  • Beitrag der ISO/IEC 27001 zur Datenqualität verstehen
  • Wissen, wie Datenqualitätsanforderungen der Regelwerke gebündelt werden
  • Datenqualitäts-Risikoanalyse und -Folgenabschätzung methodisch durchführen können
  • Wissen, wie Datenqualitäts-Kennzahlen definiert und dokumentiert werden
  • Auswirkungen der Datenqualitäts- und Compliance-Anforderungen erkennen

Teilnahmevoraussetzungen

Kenntnisse der EU-KI-Verordnung sowie der Managementnormen ISO 9001, ISO/IEC 27001 und ISO/IEC 42001 sind hilfreich.

Teilnehmer

  • Qualitäts-, Informationssicherheits- und KI-Beauftragte sowie Managementsystem-Verantwortliche.
  • Interne und externe Auditor:innen sowie Compliance-, Risiko- und Datenschutzverantwortliche.
  • Projektverantwortliche und Führungskräfte, die KI-Vorhaben regelkonform und nachweisbar aufstellen müssen.
  • Prozessverantwortliche und Prozessmanager:innen, die Datenqualitätsanforderungen in betriebliche Abläufe integrieren, steuern und nachweisen.
  • Data Scientists, KI-/Data-Engineers und Produktverantwortliche, die regulatorische und normative Anforderungen in der Praxis umsetzen – als Brücke zwischen Compliance und technischer Umsetzung.

Inhalte

Das Training gliedert sich in fünf Module und eine abschließende geführte Übung.

Modul 1 – Datenqualität als Querschnittsanforderung
Dimensionen der Datenqualität; „Garbage in, garbage out": Folgen von Datenqualitätsmängeln; Bezug zu etablierten Referenzmodellen; Einordnung in die EU-Datenregulierung

Modul 2 – Gesetzliche Anforderungen: KI-Verordnung und DSGVO
  • Risikobasierter Ansatz und Risikoklassen; Daten und Daten-Governance; Risikomanagementsystem; Genauigkeit, Robustheit und Cybersicherheit; Grundrechte-Folgenabschätzung (FRIA) und Abgrenzung/Ergänzung zur Datenschutz-Folgenabschätzung; Technische Dokumentation
  • Leitbeispiel: Fehlklassifikation durch schlechte Inputdaten und ihre rechtlichen wie betrieblichen Folgen.
  • Fristenlage
  • Verzahnung mit der DSGVO: Datenqualität ist auch datenschutzrechtlich verpflichtend; Datenqualität als Schutz vor diskriminierenden Fehlentscheidungen

Modul 3 – Normative Anforderungen und ihre Integration
ISO 9001:2015 (Qualitätsmanagement)

  • Grundsatz „faktengestützte Entscheidungsfindung"
  • Datenqualität als Voraussetzung valider Kennzahlen
  • Nachweisführung und Rückverfolgbarkeit
  • Prozessorientierter Ansatz und kontinuierliche Verbesserung (PDCA), angewandt auf Datenqualität

ISO/IEC 27001:2022 (Informationssicherheit):

  • Schutzziel Integrität
  • Relevante Maßnahmen aus Anhang A
  • Schnittstelle Informationssicherheit ↔ Datenqualität

ISO/IEC 42001:2023 (KI-Managementsystem):

  • Aufbau und Logik des KI-Managementsystems; Datenqualität im KI-Lebenszyklus
  • Daten für KI-Systeme: Daten für Entwicklung, Datenbeschaffung, Qualität der Daten, Datenprovenienz/Herkunft, Datenaufbereitung
  • KI-Risikobeurteilung und KI-Folgenabschätzung
  • Verknüpfung zu den Pflichten der KI-Verordnung
Integriertes Managementsystem:
  • Mapping der Datenqualitätsanforderungen der Regelwerke
  • gemeinsame Nachweise und Dokumente.
  • Harmonized Structure als Integrationsrahmen.
Modul 4 – Auswirkungen auf die betrieblichen Prozesse (aus Sicht der Prozessverantwortlichen)
  • Datenqualität wird Teil der Prozesslandschaft
  • Erweiterte Rollen und Verantwortlichkeiten
  • Eingebaute Kontrollpunkte („Quality Gates")
  • Schnittstellen, Datenflüsse und Lieferanten
  • Steuerung über Kennzahlen
  • Dokumentation und Nachweisführung
  • Abweichungs- und Vorfallmanagement
  • Veränderungsmanagement und Befähigung
  • Ressourcen und Priorisierung
Modul 5 – Methodenbaukasten für die Praxis
  • Datenqualitäts-Risikoanalyse und -Folgenabschätzung
  • Datenqualitäts-Assessment
  • Daten-Governance
  • Datenqualitäts-Kennzahlen (KPIs)
  • Audit-Vorbereitung
Übung und Fallstudien (Abschluss)
  • Hochrisiko-Anwendungen
  • Geführte Kurzübung: beispielhafte Datenqualitäts-Risikofolgenabschätzung und Ableitung erster, regelwerksübergreifender Maßnahmen an einem realistischen Fall.

Besondere Hinweise

Für dieses Training können Sie individuelle Förderung beantragen. Weitere Informationen zu den DGQ-Förderprogrammen finden Sie hier.

Für Online-Trainings gilt:
Fragen zu unseren Online-Trainings und den Technischen Voraussetzungen für die Teilnahme an dem Online-Training finden Sie hier in unseren FAQs.
Termin(e) Informationen Preis Aktionen
  1. 23.11.2026
Online
ET AIDG2601
820,– €
  1. 22.03.2027
Online
ET AIDG2701
820,– €
  1. 14.06.2027
Online
ET AIDG2702
820,– €
  1. 12.10.2027
Online
ET AIDG2703
820,– €
  1. 13.12.2027
Online
ET AIDG2704
820,– €

Das könnte Sie auch interessieren