Vom Monatsreport zur Data-&-AI-Plattform: Immobilien-Daten auf Databricks

Die Plattformentscheidung fiel anhand konkreter Anforderungen: heterogene Datenquellen (strukturiert, semi-strukturiert, unstrukturiert) in einer Umgebung integrieren, Governance ab Tag 1, ein Fundament, das Analytics und KI-Use-Cases von Anfang an mitträgt. Databricks bringt Lakehouse-Architektur, Unity Catalog, ein SQL Warehouse für BI-Konsum sowie Mosaic AI und Genie in einer Plattform zusammen. Für ein kleines Team war das die Entscheidung gegen Fragmentierung.

Nein. Self-Service über Genie und die RAG-Unternehmenswissensbank setzen auf demselben governance-geführten Gold-Layer auf wie das Reporting. Es gibt keine zweite Datenhaltung und keine eigene KI-Insel: dieselben Objekt-, Vertrags- und Dokumentdaten, dieselben KPI-Definitionen, dieselben Zugriffsrechte über Unity Catalog. Die KI-Use-Cases sind eine Erweiterung der Plattform, kein Parallelaufbau.

Genie ist eine natürlichsprachliche Schnittstelle auf die kuratierten Datenobjekte der Plattform. Fachbereiche stellen Fragen in normaler Sprache, etwa zu Objektauslastung, auslaufenden Mietverträgen oder Instandhaltungskosten, und Genie übersetzt sie in Abfragen gegen die freigegebenen Daten. So werden Auswertungen möglich, ohne SQL-Kenntnisse und ohne für jede Frage eine IT-Anfrage auszulösen.

Retrieval-Augmented Generation (RAG) verbindet eine Suche über die Unternehmensdaten mit einem Sprachmodell: Zu einer Frage werden zuerst die passenden Objekt-, Vertrags- und Dokumentinhalte gefunden, dann formuliert das Modell daraus eine Antwort, mit Beleg aus der jeweiligen Quelle. Die Wissensbank umfasst alle Objekte und Properties mit ihren Verträgen, Dokumenten, Zuständigkeiten und Verbrauchsdaten. Vector Search liefert die semantische Suche, Mosaic AI die Modellschicht, Unity Catalog die Governance.

Ja. Genie und die RAG-Wissensbank greifen ausschließlich über Unity Catalog auf die Daten zu. Eine Antwort nutzt nur die Daten, die die fragende Rolle ohnehin sehen darf. Berechtigungen, Ownership und Lineage gelten für die KI-Abfragen genauso wie für Reports und Dashboards, es gibt keinen Umgehungspfad an der Governance vorbei.

Die Antworten der Wissensbank sind an die realen Unternehmensdaten gebunden, nicht frei erzeugt: RAG holt die relevanten Quellen und belegt die Antwort mit dem jeweiligen Ausschnitt. So bleibt nachvollziehbar, worauf eine Aussage beruht, und Nutzer können am Beleg prüfen. Zusammen mit der Lineage über Unity Catalog ist jederzeit sichtbar, aus welchen Daten eine Antwort entsteht.

RAG ist ein Verfahren, bei dem ein Sprachmodell seine Antworten aus einer gezielten Suche über eigene Daten ableitet, statt allein aus dem Trainingswissen. Zuerst werden die passenden Inhalte gefunden (Retrieval), dann daraus eine Antwort erzeugt (Generation). Der Vorteil: Antworten fußen auf den aktuellen, unternehmensspezifischen Daten und lassen sich mit Quellen belegen.

Mosaic AI ist die KI- und ML-Schicht der Databricks-Plattform, um Modelle zu bauen, zu betreiben und in Anwendungen einzubinden. Vector Search ist der zugehörige Vektorindex, der Inhalte semantisch durchsuchbar macht und damit die Grundlage für die RAG-Wissensbank bildet. Beide arbeiten mit Unity Catalog zusammen, sodass KI-Anwendungen auf derselben governance-geführten Datenbasis laufen wie Reporting und Analytik.

Die Medallion-Architektur gliedert Daten in drei Schichten: Bronze für Rohdaten, Silver für bereinigte und angereicherte Daten und Gold für business-nahe, konsumierbare Datensätze. Dieses Modell sorgt für Nachvollziehbarkeit, Datenqualität und klare Verantwortlichkeiten.