- Startseite
- Podcasts
- [antifragile data] Podcast
![[antifragile data]](https://cdn.podcastcms.de/images/podcasts/315/3752782/antifragile-data.png)
Episoden
35 Minuten
Dr. Artus Krohn-Grimberghe hat einen medizinischen KI-Benchmark geprüft und festgestellt, dass er vor allem Formelwissen und Rechengenauigkeit misst. Über eigene Messlatten, KI-Projekte, die an unternehmensinternen Hürden scheitern, und die Daten, die Daten, die Daten.
Kennengelernt haben wir uns in Paderborn, wo Artus Juniorprofessor war und ich eine Gastvorlesung zu Data Vault hielt. Heute bringt er mit der LYTiQ GmbH KI in Produktion, zuletzt LLM- und RAG-Anwendungen.
Angefangen hat alles über Weihnachten mit einem Posting, das aus schlechten medizinischen Benchmark-Ergebnissen ableitete, KI tauge nicht für die Medizin. Das hat ihn so getriggert, dass er sich den MedCalc-Bench genauer angesehen hat. Dabei fand er über 20 Fehler in den Rechner-Implementierungen und zeigte, wie stark sich die Ergebnisse verbessern, wenn die benötigten Formeln mitgeliefert werden.
Was daraus für Unternehmen folgt, sagt Artus ganz pragmatisch: einen eigenen Datensatz für die eigenen Probleme bauen und selbst messen, so wie wir es in der BI schon immer gemacht haben. Danach reden wir darüber, warum so viele KI-Projekte bei der Demo stehen bleiben, wie viel Datenmodell eine RAG- oder Agentenanwendung braucht, und über die Überzeugung, die ihm die Praxis ausgetrieben hat: „Für mich als Professor waren es am Anfang immer die Algorithmen … Aber in der Realität sind es halt die Daten, die Daten, die Daten."
── Kapitel ──
00:00 Intro
01:46 Paderborn: Datenmodellierung damals und heute
04:00 Der MedCalc-Bench: Was misst der Benchmark wirklich?
10:56 Echo auf das Audit — und ein Paper über Marsbeben
15:25 Woran Unternehmen ihre KI messen sollten
19:38 Warum KI-Projekte bei der Demo stehen bleiben
22:23 Wie viel Datenmodell eine KI-Anwendung braucht
28:36 Erst die Algorithmen, dann die Daten
32:13 Signature Question: antifragil durch Druck
34:35 Outro
── Erwähnungen & Links ──
• Artus Krohn-Grimberghe auf LinkedIn: https://tedamoh.de/xsl8k
• LYTiQ GmbH: https://tedamoh.de/84l23
• Paper „MedCalc-Bench Doesn't Measure What You Think": https://tedamoh.de/zbm4m
• Video-Version dieser Folge: https://tedamoh.de/ad003
Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.
Abonnieren & Newsletter: https://podcast.tedamoh.com
TrueFans: https://truefans.fm/antifragile-data
[antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.
Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com
#Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast
Kennengelernt haben wir uns in Paderborn, wo Artus Juniorprofessor war und ich eine Gastvorlesung zu Data Vault hielt. Heute bringt er mit der LYTiQ GmbH KI in Produktion, zuletzt LLM- und RAG-Anwendungen.
Angefangen hat alles über Weihnachten mit einem Posting, das aus schlechten medizinischen Benchmark-Ergebnissen ableitete, KI tauge nicht für die Medizin. Das hat ihn so getriggert, dass er sich den MedCalc-Bench genauer angesehen hat. Dabei fand er über 20 Fehler in den Rechner-Implementierungen und zeigte, wie stark sich die Ergebnisse verbessern, wenn die benötigten Formeln mitgeliefert werden.
Was daraus für Unternehmen folgt, sagt Artus ganz pragmatisch: einen eigenen Datensatz für die eigenen Probleme bauen und selbst messen, so wie wir es in der BI schon immer gemacht haben. Danach reden wir darüber, warum so viele KI-Projekte bei der Demo stehen bleiben, wie viel Datenmodell eine RAG- oder Agentenanwendung braucht, und über die Überzeugung, die ihm die Praxis ausgetrieben hat: „Für mich als Professor waren es am Anfang immer die Algorithmen … Aber in der Realität sind es halt die Daten, die Daten, die Daten."
── Kapitel ──
00:00 Intro
01:46 Paderborn: Datenmodellierung damals und heute
04:00 Der MedCalc-Bench: Was misst der Benchmark wirklich?
10:56 Echo auf das Audit — und ein Paper über Marsbeben
15:25 Woran Unternehmen ihre KI messen sollten
19:38 Warum KI-Projekte bei der Demo stehen bleiben
22:23 Wie viel Datenmodell eine KI-Anwendung braucht
28:36 Erst die Algorithmen, dann die Daten
32:13 Signature Question: antifragil durch Druck
34:35 Outro
── Erwähnungen & Links ──
• Artus Krohn-Grimberghe auf LinkedIn: https://tedamoh.de/xsl8k
• LYTiQ GmbH: https://tedamoh.de/84l23
• Paper „MedCalc-Bench Doesn't Measure What You Think": https://tedamoh.de/zbm4m
• Video-Version dieser Folge: https://tedamoh.de/ad003
Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.
Abonnieren & Newsletter: https://podcast.tedamoh.com
TrueFans: https://truefans.fm/antifragile-data
[antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.
Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com
#Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast
40 Minuten
Dani Schnider baut seit 1997 Data Warehouses. Über Multi-Temporalität mit Data Vault, eine Bridge Table mit 600 Zeilen SQL und die Fehler, über die er inzwischen Vorträge hält.
Dani hat vor einem Jahr unser Buch besprochen und dabei einen Satz geschrieben, der mir nicht mehr aus dem Kopf geht: Das Hauptproblem vieler Data-Warehouse-Projekte sei nicht die Technologie, sondern das fehlende Datenwissen. Also habe ich ihn gefragt, woher der Satz kommt. Seine Antwort: aus fast jedem Projekt.
Dani ist Principal Consultant bei Callista in der Schweiz, Oracle ACE Director und Mitautor der „Data Warehouse Blueprints".
Den Hauptteil nimmt die Multi-Temporalität ein — seine Blogserie vom Frühjahr, aus einem Versicherungsprojekt. Warum ein früheres Projekt daran gescheitert ist, dass Ladezeitpunkt und fachliche Gültigkeit vermischt wurden, und was zwei Jahre agile Entwicklung aus einer Bridge Table machen: 600 Zeilen SQL, die er gerade auseinandernimmt.
Danach reden wir über Fehler. Dani hält einen Vortrag über seine größten Fehlschläge in Datenbankprojekten — ich habe ihn auf der DOAG gesehen. Sein erstes Data Warehouse, Ende der Neunziger: keine fachlichen Anforderungen, kein Fachbereich, ein generisches Datenmodell. „Am Schluss hatten wir viele Daten, aber eigentlich wenige davon, die man brauchen konnte."
── Kapitel ──
00:00 Intro
02:35 Nicht die Technologie — das fehlende Datenwissen
05:09 Dreißig Jahre DWH: was blieb, was sich änderte
11:09 Multi-Temporalität: wenn eine Zeitachse nicht mehr reicht
15:14 Die Rechnung: Bridge Tables, Redesign, ständige Erweiterungen
21:55 Welche Zeitachse für den Fachbereich — und was Templates retten
26:49 Meine größten Fehler in Datenbankprojekten
31:10 Ausgetriebene Überzeugungen zur Modellierung
35:31 Signature Question: antifragil durch Druck
39:45 Outro
── Erwähnungen & Links ──
• Dani Schnider auf LinkedIn: https://www.linkedin.com/in/danischnider/
• Blogserie Multi-Temporalität, Teil 1: https://danischnider.wordpress.com/2026/05/05/implementing-multi-temporality-with-data-vault-part-1/
• Seine Bücher bei Hanser: „Data Warehousing mit Oracle" und „Data Warehouse Blueprints"
• Video-Version dieser Folge: https://www.youtube.com/@antifragiledata
Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.
Abonnieren & Newsletter: https://podcast.tedamoh.com
TrueFans: https://truefans.fm/antifragile-data
[antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.
Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com
#Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast
Dani hat vor einem Jahr unser Buch besprochen und dabei einen Satz geschrieben, der mir nicht mehr aus dem Kopf geht: Das Hauptproblem vieler Data-Warehouse-Projekte sei nicht die Technologie, sondern das fehlende Datenwissen. Also habe ich ihn gefragt, woher der Satz kommt. Seine Antwort: aus fast jedem Projekt.
Dani ist Principal Consultant bei Callista in der Schweiz, Oracle ACE Director und Mitautor der „Data Warehouse Blueprints".
Den Hauptteil nimmt die Multi-Temporalität ein — seine Blogserie vom Frühjahr, aus einem Versicherungsprojekt. Warum ein früheres Projekt daran gescheitert ist, dass Ladezeitpunkt und fachliche Gültigkeit vermischt wurden, und was zwei Jahre agile Entwicklung aus einer Bridge Table machen: 600 Zeilen SQL, die er gerade auseinandernimmt.
Danach reden wir über Fehler. Dani hält einen Vortrag über seine größten Fehlschläge in Datenbankprojekten — ich habe ihn auf der DOAG gesehen. Sein erstes Data Warehouse, Ende der Neunziger: keine fachlichen Anforderungen, kein Fachbereich, ein generisches Datenmodell. „Am Schluss hatten wir viele Daten, aber eigentlich wenige davon, die man brauchen konnte."
── Kapitel ──
00:00 Intro
02:35 Nicht die Technologie — das fehlende Datenwissen
05:09 Dreißig Jahre DWH: was blieb, was sich änderte
11:09 Multi-Temporalität: wenn eine Zeitachse nicht mehr reicht
15:14 Die Rechnung: Bridge Tables, Redesign, ständige Erweiterungen
21:55 Welche Zeitachse für den Fachbereich — und was Templates retten
26:49 Meine größten Fehler in Datenbankprojekten
31:10 Ausgetriebene Überzeugungen zur Modellierung
35:31 Signature Question: antifragil durch Druck
39:45 Outro
── Erwähnungen & Links ──
• Dani Schnider auf LinkedIn: https://www.linkedin.com/in/danischnider/
• Blogserie Multi-Temporalität, Teil 1: https://danischnider.wordpress.com/2026/05/05/implementing-multi-temporality-with-data-vault-part-1/
• Seine Bücher bei Hanser: „Data Warehousing mit Oracle" und „Data Warehouse Blueprints"
• Video-Version dieser Folge: https://www.youtube.com/@antifragiledata
Bewertung bei Apple Podcasts oder Spotify? Hilft mehr, als man denkt.
Abonnieren & Newsletter: https://podcast.tedamoh.com
TrueFans: https://truefans.fm/antifragile-data
[antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Neue Folgen alle drei Wochen, dienstags.
Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub. Mehr: https://tedamoh.com
#Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast
25 Minuten
Alle reden über AI. Aber die Initiativen, die wirklich liefern, haben eines gemeinsam – ein fachliches Datenmodell. Meine Position in gut 25 Minuten.
Neulich in einem Vortrag: Ein Team stellt seine AI-Initiative vor. Der Satz, der hängen bleibt, handelt nicht von Modellen oder Plattformen, sondern von einer Entscheidung, die Jahre zurückliegt – beim letzten Umbau des Data Warehouse ein fachliches Datenmodell gebaut zu haben. Damals hat das niemand gefeiert. Heute ist es der Grund, warum ihre AI reproduzierbare Ergebnisse liefert.
In der ersten Folge geht es um genau diese Lücke: Informationsmodelle werden gebraucht – dringender als je zuvor – aber in vielen Projekten ist das noch nicht angekommen. Ich kläre, was ein fachliches Datenmodell eigentlich ist und was es nicht ist, warum AI Semantik härter einfordert als jedes BI-Projekt davor, und woran es liegt, dass Modellierung trotzdem als Relikt gilt.
Am Ende drei konkrete Schritte für alle, die nicht bei null anfangen wollen – und eine Geschichte aus meinen frühen Projekttagen, die ich lieber nicht erlebt hätte: vier Milliarden Datensätze, eine Geschäftsregel, die nur zu achtzig Prozent stimmte, und keine Originaldaten mehr, um sie zu korrigieren.
Außerdem: was dich hier erwartet – kompakte Deep Dives (Secret Spice), Quartals-Backstage mit Kim de Vries und Gespräche mit Gästen aus der Data- und AI-Welt. Alle drei Wochen, dienstags.
── Kapitel ──
00:00 Intro
00:15 Der Satz aus dem Vortrag
01:15 Wer hier spricht, und was dieser Podcast ist
04:28 Was ein Informationsmodell ist – und was nicht
06:09 Missverständnisse über Informationsmodelle
09:04 Warum AI Semantik härter einfordert als BI
14:04 Warum es in Projekten trotzdem nicht ankommt
17:53 Drei Schritte, wenn man nicht bei null anfangen will
21:29 Die Signature Question – und meine eigene Antwort
25:09 Outro
── Erwähnungen & Links ──
• Secret-Spice-Serie: https://tedamoh.com/de/academy/secret-spice
• Video-Version dieser Folge: https://youtu.be/wV6EzYzC_JQ
Bewerten hilft: Eine Bewertung bei Apple Podcasts oder Spotify sorgt dafür, dass andere Datenmenschen den Podcast finden.
Alle Folgen, Newsletter & Plattformen: https://podcast.tedamoh.com
Unterstützen: https://truefans.fm/antifragile-data
[antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub: https://tedamoh.com
#Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast
Neulich in einem Vortrag: Ein Team stellt seine AI-Initiative vor. Der Satz, der hängen bleibt, handelt nicht von Modellen oder Plattformen, sondern von einer Entscheidung, die Jahre zurückliegt – beim letzten Umbau des Data Warehouse ein fachliches Datenmodell gebaut zu haben. Damals hat das niemand gefeiert. Heute ist es der Grund, warum ihre AI reproduzierbare Ergebnisse liefert.
In der ersten Folge geht es um genau diese Lücke: Informationsmodelle werden gebraucht – dringender als je zuvor – aber in vielen Projekten ist das noch nicht angekommen. Ich kläre, was ein fachliches Datenmodell eigentlich ist und was es nicht ist, warum AI Semantik härter einfordert als jedes BI-Projekt davor, und woran es liegt, dass Modellierung trotzdem als Relikt gilt.
Am Ende drei konkrete Schritte für alle, die nicht bei null anfangen wollen – und eine Geschichte aus meinen frühen Projekttagen, die ich lieber nicht erlebt hätte: vier Milliarden Datensätze, eine Geschäftsregel, die nur zu achtzig Prozent stimmte, und keine Originaldaten mehr, um sie zu korrigieren.
Außerdem: was dich hier erwartet – kompakte Deep Dives (Secret Spice), Quartals-Backstage mit Kim de Vries und Gespräche mit Gästen aus der Data- und AI-Welt. Alle drei Wochen, dienstags.
── Kapitel ──
00:00 Intro
00:15 Der Satz aus dem Vortrag
01:15 Wer hier spricht, und was dieser Podcast ist
04:28 Was ein Informationsmodell ist – und was nicht
06:09 Missverständnisse über Informationsmodelle
09:04 Warum AI Semantik härter einfordert als BI
14:04 Warum es in Projekten trotzdem nicht ankommt
17:53 Drei Schritte, wenn man nicht bei null anfangen will
21:29 Die Signature Question – und meine eigene Antwort
25:09 Outro
── Erwähnungen & Links ──
• Secret-Spice-Serie: https://tedamoh.com/de/academy/secret-spice
• Video-Version dieser Folge: https://youtu.be/wV6EzYzC_JQ
Bewerten hilft: Eine Bewertung bei Apple Podcasts oder Spotify sorgt dafür, dass andere Datenmenschen den Podcast finden.
Alle Folgen, Newsletter & Plattformen: https://podcast.tedamoh.com
Unterstützen: https://truefans.fm/antifragile-data
[antifragile data] – der Podcast über Data, AI und die Geschichten dahinter, mit Dirk Lerner (TEDAMOH). Ehrlich, praxisnah und manchmal unbequem. Dirk Lerner ist Berater, Autor und Gründer von TEDAMOH – The Data Modeling Hub: https://tedamoh.com
#Data #AI #Datenmodellierung #DataVault #DataEngineering #Podcast
2 Minuten
antifragile data – der Podcast über Data, AI und die Geschichten dahinter. Start: September 2026.
Was passiert, wenn Daten auf echte Geschichten treffen? Nicht die Hochglanz-Version aus dem Vendor-Pitch, sondern das, was wirklich in Projekten passiert – mit allen Brüchen, Umwegen und Learnings.
Mein Name ist Dirk Lerner. Seit über 25 Jahren bin ich in der Datenwelt unterwegs – als Berater, Autor und Gründer von TEDAMOH. Im Podcast spreche ich über Datenmodellierung, Data Vault, temporale Daten, Data Architecture und AI – und über die Menschen und Geschichten dahinter.
In drei Formaten:
Secret Spice – kompakte Deep Dives zu Themen, die mich gerade umtreiben.
Backstage – einmal im Quartal mit Kim de Vries: offen darüber, was die Community bewegt.
Gäste & Geschichten – Gespräche mit Praktikern, Entscheidern und Vordenkern. Deutsch und manchmal Englisch.
Los geht's im September 2026 – alle drei Wochen eine neue Folge. Auf Spotify, Apple Podcasts, Amazon Music, YouTube und überall, wo es Podcasts gibt.
Wenn du nichts verpassen willst: Abonniere den Podcast und trag dich in den Newsletter auf podcast.tedamoh.com ein. Dann bist du dabei, sobald die erste Folge live geht.
antifragile data – ab September.
Was passiert, wenn Daten auf echte Geschichten treffen? Nicht die Hochglanz-Version aus dem Vendor-Pitch, sondern das, was wirklich in Projekten passiert – mit allen Brüchen, Umwegen und Learnings.
Mein Name ist Dirk Lerner. Seit über 25 Jahren bin ich in der Datenwelt unterwegs – als Berater, Autor und Gründer von TEDAMOH. Im Podcast spreche ich über Datenmodellierung, Data Vault, temporale Daten, Data Architecture und AI – und über die Menschen und Geschichten dahinter.
In drei Formaten:
Secret Spice – kompakte Deep Dives zu Themen, die mich gerade umtreiben.
Backstage – einmal im Quartal mit Kim de Vries: offen darüber, was die Community bewegt.
Gäste & Geschichten – Gespräche mit Praktikern, Entscheidern und Vordenkern. Deutsch und manchmal Englisch.
Los geht's im September 2026 – alle drei Wochen eine neue Folge. Auf Spotify, Apple Podcasts, Amazon Music, YouTube und überall, wo es Podcasts gibt.
Wenn du nichts verpassen willst: Abonniere den Podcast und trag dich in den Newsletter auf podcast.tedamoh.com ein. Dann bist du dabei, sobald die erste Folge live geht.
antifragile data – ab September.
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Über diesen Podcast
[antifragile data] ist der Podcast für alle, die mehr
wollen als Buzzwords. Dirk Lerner spricht über Data, AI und die
Geschichten dahinter — ehrlich, praxisnah und manchmal
unbequem.
Ob Datenmodellierung, Data Engineering, Machine Learning, Data
Governance oder die menschliche Seite der Datenwelt: Hier geht es
um echte Erfahrungen, Fehler und Learnings aus über zwei
Jahrzehnten in der Datenbranche.
Der Podcast richtet sich primär an deutschsprachige Hörer.
Internationale Gäste werden auf Englisch interviewt — diese
Episoden sind entsprechend gekennzeichnet.
Datenmodellierung & Informationsmodellierung
Data Engineering & Architektur
Datenmodellierung & AI
Data Governance & Strategie
Data Culture & Organisation
Karriere in der Datenwelt
Tool-Bewertungen & Tech-Deep-Dives
Fehlerkultur & Lessons Learned
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.