XDM als Data Feeder für LLM, RAG und Agentic AI

Über das Testdatenmanagement hinaus bereitet XDM kontrolliert aufbereitete Datensätze für Analytics und AI vor. XDM stellt maskierte Produktionsdaten und produktionsbasierte synthetische Datensätze für kundenseitig betriebene ML-, LLM- und RAG-Pipelines bereit. Zusätzlich versorgt XDM Enterprise Agentic AI mit regelkonformen Knowledge Bases – kontrolliert, maskiert und für den Einsatz durch Agents vorbereitet.

Klare Abgrenzung: XDM stellt Daten und Knowledge Bases bereit. ML-Modelle, LLMs, RAG-Stack, Vector-Technologie, Agents und Anwendungen verbleiben in der Verantwortung der jeweiligen Organisation.

Fachgespräch vereinbaren XDM-Produkt ansehen

3 Datenansätze für AI

Maskierte Produktionsdaten, produktionsbasierte synthetische Datensätze und gezielte Teilmengen, passend zum jeweiligen Anwendungsfall.

Was XDM bereitstellt

Analytics, Machine Learning, LLM- und RAG-Pipelines sowie Knowledge Bases für Enterprise Agents.

Was in der eigenen Verantwortung bleibt

Auswahl und Training der Modelle, Retrieval-Stack, Vector-Technologie, Agent-Orchestrierung und darauf aufbauende Anwendungen.

Die wichtigsten Antworten

Antworten auf zentrale Fragen von Daten- und Plattform-Teams zur kontrollierten Bereitstellung produktionsbasierter Daten für Enterprise AI.

Warum braucht AI eine kontrollierte Datenbereitstellung?

AI-Vorhaben kommen oft nicht voran, weil realitätsnahe Daten nur in der Produktionsumgebung vorliegen und nicht sicher aus ihr herausgegeben werden können. Eine kontrollierte Bereitstellung macht diese Daten außerhalb der Produktion nutzbar, ohne vertrauliche Werte offenzulegen.

Was stellt XDM konkret bereit?

Maskierte Produktionsdaten, produktionsbasierte synthetische Datensätze und regelkonforme Knowledge Bases. Die Bereitstellung erfolgt wiederholbar in den Pipelines und Umgebungen, in denen die AI-Anwendungen laufen.

Wo endet der Leistungsumfang von XDM?

Bei der Datenbereitstellung. XDM trainiert keine Modelle, betreibt keine RAG-Pipeline, stellt keine Vector Database bereit und orchestriert keine Agents. Diese Aufgaben verbleiben bewusst in kundenseitiger Verantwortung.

So versorgt XDM AI-Pipelines mit Daten

Vom konkreten Datenbedarf einer AI-Anwendung bis zu einer kontrollierten, wiederholbaren Datenbereitstellung.

SCHRITT 1

Datenbedarf der AI-Anwendung festlegen

Festlegen, welche Quellen und Entitäten benötigt werden, wie realitätsnah und umfangreich die Daten sein sollen und in welchem Rhythmus sie aktualisiert werden müssen.

SCHRITT 2

Datenansatz auswählen

Maskierte Produktionsdaten, produktionsbasierte synthetische Datensätze, gezielte Teilmengen oder eine Kombination daraus – abgestimmt auf Datenschutzanforderungen und den benötigten Realitätsgrad.

SCHRITT 3

Daten schützen und bereitstellen

Vertrauliche Werte werden maskiert, bevor Daten die Produktionsumgebung verlassen. Anschließend werden sie als kontrollierter Datensatz oder als regelkonforme Knowledge Base an die jeweilige Pipeline übergeben.

SCHRITT 4

Aktualisierung automatisieren

Der regelbasierte Ablauf wird bei jedem Durchlauf identisch ausgeführt. So bleiben Datensätze und Knowledge Bases aktuell, ohne manuelle Einzel-Exporte.

Funktionen für eine kontrollierte und wiederholbare AI-Datenbereitstellung

Die Bereitstellungsschritte, die anstehen, bevor ein Modell, Retrieval-Stack oder Agent auf Unternehmensdaten zugreift.

Maskierte Produktionsdaten bereitstellen

Realitätsnahe, produktionsbasierte Daten bereitstellen; vertrauliche Werte werden maskiert, bevor die Daten ihre Quellumgebung verlassen.

Anwendungsfall besprechen

Synthetische Datensätze erzeugen

Produktionsbasierte synthetische Daten erzeugen, wenn produktive Inhalte die ursprüngliche Sicherheitsgrenze nicht verlassen dürfen.

Datenansätze vergleichen

Auf den tatsächlichen Bedarf begrenzen

Datenvolumen und Aktualisierungszyklen mit gezielten Teilmengen überschaubar halten und gleichzeitig benötigte Beziehungen bewahren.

Datenbereitstellung planen

Regelkonforme Knowledge Bases erstellen

Kontrollierte, maskierte Knowledge Bases bereitstellen, auf die Enterprise Agents zugreifen können – nach einem wiederholbaren Verfahren.

Agentic-AI-Anwendungsfall ansehen

Bereitstellung und Aktualisierung automatisieren

Manuelle Exporte durch wiederholbare Abläufe ersetzen. So bleiben AI-Datensätze und Knowledge Bases aktuell.

Abläufe automatisieren

Den gesamten Datenlebenszyklus steuern

Dieselben Regeln, Maskierungsverfahren und Kontrollen für Testdaten und AI-Daten anwenden. So gilt ein gemeinsames Governance-Modell für beide Einsatzbereiche.

XDM kennenlernen

DEN PASSENDEN ANSATZ FESTLEGEN

Den Datenansatz auf die Anforderungen der AI-Anwendung abstimmen.

Training, Retrieval und Knowledge Bases für Agents erfordern jeweils eine andere Balance aus Realitätsnähe, Datenschutz und Datenvolumen. XDM ermöglicht eine bewusste Auswahl, statt eine undifferenzierte Produktionskopie an jede Pipeline zu übergeben.

Maskierte Produktionsdaten

Realistische Strukturen und Beziehungen bleiben erhalten; vertrauliche Werte werden maskiert, bevor die Daten außerhalb der Produktionsumgebung verwendet werden.

Produktionsbasierte synthetische Daten

Datensätze bilden die Eigenschaften von Produktionsdaten nach – für Fälle, in denen produktive Inhalte die ursprüngliche Sicherheitsgrenze nicht verlassen dürfen.

Gezielte Teilmengen

Kleinere, relevante Datenausschnitte halten Bereitstellungskosten und Aktualisierungszyklen überschaubar und enthalten zugleich die benötigten Informationen.

Drei Einsatzbereiche für XDM in Enterprise AI

Eine Bereitstellungsplattform versorgt drei Abnehmer. Für jeden ist klar abgegrenzt, welche Daten XDM steuert und welche Komponenten in der jeweiligen Umgebung betrieben werden.

ANALYTICS & MACHINE LEARNING

ML-Pipelines

XDM bereitet kontrollierte Datensätze für Analytics und Machine Learning vor. Maskierte Produktionsdaten und produktionsbasierte synthetische Datensätze werden nach einem wiederholbaren Zeitplan bereitgestellt.

Feature Engineering, Model Training und Evaluation verbleiben in der Verantwortung des jeweiligen Teams.

ML-Daten besprechen

LLM & RAG

LLM- und RAG-Pipelines

Dieselben kontrollierten Datensätze fließen in kundenseitig betriebene LLM- und RAG-Pipelines. Die Inhalte sind bereits an der Quelle maskiert und nach festgelegten Regeln bereitgestellt.

LLMs, Chunking, Embeddings, Vector-Technologie und Retrieval verbleiben in der Verantwortung des jeweiligen Teams.

RAG-Quelldaten besprechen

AGENTIC AI

Knowledge Bases für Agents

XDM stellt regelkonforme Knowledge Bases für Enterprise Agentic AI bereit. Sie sind kontrolliert, maskiert und für den Einsatz durch Agents vorbereitet.

Agents, Orchestrierung, Tools und Anwendungen verbleiben in der Verantwortung des jeweiligen Teams.

Agent-Daten besprechen

AI-Programme mit zulässigen Daten versorgen.

So lassen sich manuelle Einzel-Exporte und blockierter Zugriff auf Produktionsdaten durch eine kontrollierte, maskierte und wiederholbare Bereitstellung in bestehenden ML-, LLM-, RAG- und Agentic-AI-Pipelines ersetzen.

Fachgespräch vereinbaren

HÄUFIGE FRAGEN ZU AI DATA PROVISIONING

Fragen zur kontrollierten AI-Datenbereitstellung

Häufige Fragen und Antworten.

Wie UBS Hainer XDM kontrolliert bereitgestellte Daten und regelkonforme Knowledge Bases für kundenseitig betriebene ML-, LLM-, RAG- und Agentic-AI-Anwendungen bereitstellt.

Experten fragen

XDM bereitet die kontrolliert bereitgestellten Daten vor, auf denen AI-Vorhaben basieren, und liefert sie an die entsprechenden Pipelines. XDM stellt maskierte Produktionsdaten, produktionsbasierte synthetische Datensätze und regelkonforme Knowledge Bases für die von der Organisation betriebenen ML-, LLM-, RAG- und Agentic-AI-Pipelines bereit. XDM liefert und steuert die Daten; die Verantwortung für Modelle, Retrieval-Stack und Anwendungen bleibt bei der jeweiligen Organisation.

Nein. XDM trainiert keine Modelle und nimmt auch kein Fine-Tuning vor. XDM stellt Datensätze und Knowledge Bases für kundenseitig betriebene Abläufe bereit – etwa für Training, Fine-Tuning, Evaluation und Inference. Modell, Framework und Hosting werden unabhängig davon festgelegt.

Nein. XDM betreibt weder eine Retrieval-Augmented-Generation-Pipeline noch Embeddings oder eine Vector Database. XDM stellt kontrollierte, maskierte Quelldaten für einen kundenseitig betriebenen RAG-Stack bereit. Chunking, Embedding und Indexierung erfolgen dort mit der ausgewählten Vector-Technologie.

Nein. Agent-Orchestrierung, Tool-Routing und Anwendungslogik werden kundenseitig betrieben. XDM stellt die regelkonformen Knowledge Bases für Enterprise Agentic AI bereit – kontrolliert, maskiert und für den Einsatz durch Agents vorbereitet. So unterliegen die Daten, auf die ein Agent zugreift, bereits den Datenschutz- und Governance-Vorgaben der Organisation.

XDM stellt maskierte Produktionsdaten mit realistischen Strukturen und Beziehungen, produktionsbasierte synthetische Datensätze für Fälle ohne Freigabe produktiver Inhalte sowie gezielte Teilmengen für überschaubare Datenvolumen und Aktualisierungszyklen bereit. Diese Ansätze lassen sich in einem Bereitstellungsablauf kombinieren.

Vertrauliche Werte werden maskiert, bevor Daten die Produktionsumgebung verlassen. Bei jeder Aktualisierung gelten dieselben kontrollierten Bereitstellungsregeln. Da der Ablauf regelbasiert und wiederholbar statt fallweise erfolgt, lässt sich nachvollziehen, wie ein AI-Datensatz entstanden ist und welche Schutzmaßnahmen angewendet wurden.

Es ist dieselbe Bereitstellungsplattform für einen anderen Einsatzbereich. Beim Testdatenmanagement gelangen passende Daten in Entwicklungs-, QA- und CI/CD-Umgebungen. AI Data Provisioning stellt kontrollierte Datensätze und Knowledge Bases für Analytics-, Machine-Learning-, LLM-, RAG- und Agentic-AI-Pipelines bereit. Maskierung, Teilmengen, synthetische Daten und Automatisierung kommen in beiden Bereichen zum Einsatz.

XDM ist eine Plattform zur Orchestrierung von Daten in verteilten Datenbanken, darunter Oracle, SQL Server, PostgreSQL und Cloud-Ziele. Die Bereitstellung erfolgt in den Umgebungen, in denen die AI-Anwendungen laufen. Welche Plattformen für ein konkretes Vorhaben unterstützt werden, lässt sich mit UBS Hainer klären.