Schluss mit den Silos
In modernen Cloud-Umgebungen hilft das Zusammenspiel von Microsoft Purview, Azure Policy und Defender for Cloud dabei, Sicherheits-, Compliance- und Governance-Anforderungen zentral und ohne isolierte Silos umzusetzen.
Künstliche Intelligenz & Data Science
Big Data, Machine Learning, Deep Learning, Sprachmodelle – die Themen rund um KI und Data Science verändern heute fast jede Branche. In dieser Kategorie beleuchten wir, wie Daten zu wertvollen Erkenntnissen werden, wie KI-Anwendungen strategisch geplant und verantwortungsvoll betrieben werden können und welche Kompetenzen in der Praxis wirklich zählen. Hier findest du fachlich fundierte Impulse für Fach- und Führungskräfte, die KI-Potenziale nicht nur erkennen, sondern erfolgreich umsetzen möchten.
Einführung generativer KI im Unternehmen
Hohe Erwartungen, ernüchternde Ergebnisse: Viele Unternehmen investieren in generative KI, ohne messbare Effekte zu erzielen. Wir zeigen die typischen Stolperfallen und entscheidenden Erfolgsfaktoren bei der Einführung von KI im Unternehmen auf.
So wird deine Fabric-Datenplattform zur Festung
Mit Security by Design sorgst du für eine Verteidigung, die nicht nur den heutigen, sondern auch zukünftigen Bedrohungen und Compliance-Anforderungen gewachsen ist.
So schaffst du eine sichere Datenkultur
Immer mehr Daten, immer mehr Compliance. Wer das bewältigen möchte, braucht eine dynamische, intelligente und skalierbare Data Governance. Die automatisierte Klassifizierung mit Purview hilft weiter.
Fabric und Purview: Das Dream-Team für deine Datenplattform
Verbinde Microsoft Fabric & Purview, um dein Datenwirrwar in eine Goldmine zu verwandeln, denn Data Governance ist das Rückgrat eines erfolgreichen datengetriebenen Unternehmens.
Fabric Databases kann mehr
Mit wenigen Klicks erhalten wir einen SQL-Server mit vollständiger Funktionalität. Wie gewohnt gibt es Tabellen, Views, Stored Procedures, Functions und vieles mehr. Damit schließt sich die letzte große Lücke in Microsoft Fabric.
Python in Excel: die Zukunft der Datenanalyse
Die Integration der Sprache Python eröffnet neue Möglichkeiten: Von einfachen Datenanalysen bis erweiterter Visualisierung oder Machine Learning kann der Anwender Excel nun einfacher und effektiver nutzen.
Microsoft Copilot in Excel: Daten effizienter verarbeiten
Der Copilot übernimmt Aufgaben in Excel, die bisher aufwändig von Hand erledigt werden mussten. Als leistungsfähiger Assistent könnte er die Arbeit von Data Scientists auf den Kopf stellen. Doch hält der Copilot, was er verspricht?
Wenn aus einem Hype die Zukunft entsteht
Die digitale Transformation durch Künstliche Intelligenz ermöglicht es Unternehmen, effizienter zu arbeiten, neue Geschäftsfelder zu erschließen und sich zukunftssicher aufzustellen.
Neue Co-Piloten steuern in Zukunft mit
Entscheider in Unternehmen sehen in Künstlicher Intelligenz ein Meer von Chancen und wollen Abläufe optimieren. Mit der Qualifikation "KI-Management" hat Experte Andreas Moring ein Webinar-Programm für jene entwickelt, die diese Prozesse professionell steuern wollen.
Schneller und effizienter in Power BI
Die inkrementelle Aktualisierung ist eine Funktion in Power BI, die es ermöglicht, nur die neuen oder geänderten Daten in einem Datensatz zu aktualisieren. Dies ist besonders nützlich, wenn du mit großen Datenmengen arbeitest. Die Aktualisierungszeit wird dadurch erheblich verkürzt.
Künstliches Wissen, das Probleme löst
Je nach Anwendung des maschinellen Lernens kommen unterschiedliche Methoden zum Einsatz. Diese unterscheiden sich sowohl in ihrem Ansatz als auch in ihrer Funktionsweise. Dieser Artikel gibt einen Überblick über die vier Methoden des Machine Learning.
So punktet Apache Kafka bei Big Data
Datenbanken sind cool, das ist eine Tatsache. Aber wie man IT-Architekturen so gestaltet, dass alles gut zusammenarbeitet, das ist nicht so einfach. Apache Kafka könnte eine Lösung sein. Ein Interview mit IT-Experte Anatoly Zelenin über die Zukunft des Datenmanagements in Unternehmen.
Datenwelten verstehen – drei Modelle im Überblick
Wer große Datenmengen analysieren will, muss sich vorher Gedanken machen, wie diese für die weitere Verarbeitung effizient gespeichert werden können. Ein Data Warehouse, Data Lake oder Lakehouse sind verschiedene Ansätze. Doch worin unterscheiden sie sich und wo liegen ihre Vor- und Nachteile?