Large Language Models (LLMs) sind KI-Modelle, die auf der Basis enormer Textmengen trainiert wurden und natürliche Sprache verstehen, erzeugen und verarbeiten können. Sie bilden das Kernstück moderner KI-Assistenten, automatisierter Textsysteme und – wie im Beitrag zu Agentic AI beschrieben – autonomer KI-Agenten.
Das Model Context Protocol (MCP) ist ein offener Standard zur Kommunikation zwischen KI-Modellen und externen Datenquellen oder Werkzeugen. Entwickelt und veröffentlicht von Anthropic im November 2024, löst MCP ein fundamentales Problem moderner KI-Systeme: Sprachmodelle sind von sich aus isoliert – sie kennen keine Unternehmensdaten, können keine APIs aufrufen und haben keinen Zugriff auf aktuelle Informationen. MCP schafft eine standardisierte Brücke zwischen dem KI-Modell und der Außenwelt.
Jira und Confluence gehören zu den meistgenutzten Kollaborations- und Projektmanagement-Plattformen in Unternehmen. Doch trotz ihres großen Funktionsumfangs stoßen viele Teams früher oder später an die Grenzen der Standardkonfiguration. Genau hier setzt ScriptRunner an: ein leistungsstarkes Plugin des Herstellers Adaptavist, das tiefgreifende Anpassungen und Automatisierungen direkt in Atlassian-Produkten ermöglicht.
Agentic AI – zu Deutsch etwa: agentische künstliche Intelligenz – beschreibt KI-Systeme, die nicht nur auf einzelne Eingaben reagieren, sondern eigenständig mehrstufige Aufgaben planen, ausführen und dabei flexibel auf veränderte Rahmenbedingungen reagieren. Im Gegensatz zu klassischen KI-Assistenten, die eine Anfrage erhalten und eine Antwort liefern, handeln agentische Systeme zielorientiert: Sie zerlegen komplexe Aufgaben in Teilschritte, wählen geeignete Werkzeuge aus, führen diese aus und überprüfen das Ergebnis – und das ohne menschliche Intervention bei jedem Einzelschritt.
Der Begriff leitet sich vom englischen Wort “agent” (Handelnder, Vertreter) ab. Ein KI-Agent ist ein System, das in seiner Umgebung wahrnimmt, entscheidet und handelt – kontinuierlich und auf ein übergeordnetes Ziel hin ausgerichtet.
RFID steht für Radio Frequency Identification – ein Verfahren zur kontaktlosen automatischen Identifikation von Objekten mittels Funkwellen. Ein RFID-System besteht aus zwei Grundkomponenten: dem Transponder (auch Tag oder Label genannt), der am zu identifizierenden Objekt angebracht wird, sowie dem Lesegerät (Reader), das die gespeicherten Informationen drahtlos ausliest.
RFID-Tags können passiv oder aktiv sein. Passive Tags haben keine eigene Stromversorgung – sie beziehen ihre Energie aus dem elektromagnetischen Feld des Lesegeräts und haben eine nahezu unbegrenzte Lebensdauer. Aktive Tags besitzen eine eigene Batterie, senden kontinuierlich Signale aus und sind über deutlich größere Distanzen lesbar.
IoT steht für Internet of Things – das Internet der Dinge. IoT-Sensoren sind physische Messgeräte, die Umgebungsdaten erfassen und diese über das Internet oder ein lokales Netzwerk an zentrale Systeme übermitteln. Sie sind klein, oft batteriebetrieben und lassen sich direkt an Gütern, Behältern, Fahrzeugen oder in Lagerstätten anbringen.
Gängige Sensortypen im Kontext der Warenverfolgung umfassen Temperatursensoren, Feuchtesensoren, Erschütterungssensoren (Beschleunigungsmesser), Drucksensoren, Lichtschranken sowie GPS-Module zur geografischen Positionsbestimmung. Jeder dieser Sensortypen liefert einen spezifischen Datenpunkt, der im Zusammenspiel ein umfassendes Lagebild einer Ware ermöglicht.
Apache Kafka ist eine verteilte Event-Streaming-Plattform, die ursprünglich bei LinkedIn entwickelt und 2011 als Open-Source-Projekt der Apache Software Foundation übergeben wurde. Kafka wurde speziell dafür konzipiert, extrem große Mengen an Ereignissen (Events) in Echtzeit zuverlässig zu empfangen, zu speichern und weiterzuleiten – und das mit minimaler Latenz auch bei hohen Lastspitzen.
Vereinfacht ausgedrückt funktioniert Kafka wie ein hochskalierbares, dauerhaftes Nachrichtenprotokoll: Produzenten (Producer) schreiben Daten in sogenannte Topics, Konsumenten (Consumer) lesen diese Daten in ihrem eigenen Tempo heraus. Dabei bleiben die Daten für einen konfigurierbaren Zeitraum im System erhalten – im Gegensatz zu klassischen Message-Queues, die Nachrichten nach dem Lesen verwerfen.
Apache Airflow ist eine Open-Source-Plattform zur Orchestrierung, Planung und Überwachung von Datenpipelines. Ursprünglich 2014 bei Airbnb entwickelt, zählt es heute zu den meistgenutzten Werkzeugen im modernen Data Engineering. Der entscheidende Vorteil: Workflows werden nicht als Konfigurationsdateien, sondern als Python-Code definiert – sie lassen sich damit wie Software versionieren, testen und wiederverwenden.
DAG steht für Directed Acyclic Graph – auf Deutsch: gerichteter azyklischer Graph. Der Begriff stammt aus der Graphentheorie, hat aber im Data Engineering eine zentrale praktische Bedeutung: Er beschreibt die Abhängigkeitsstruktur von Aufgaben oder Transformationsschritten, die in einer definierten Reihenfolge ausgeführt werden müssen.
Moderne Datenarchitekturen verlagern sich in die Cloud. Klassische On-Premises-Data-Warehouses können bei wachsendem Datenvolumen, variablen Lastspitzen und der Forderung nach schnellen Bereitstellungszyklen an ihre Grenzen stoßen. Cloud-DWH-Plattformen entkoppeln Rechen- und Speicherressourcen, skalieren elastisch und reduzieren den operativen Aufwand erheblich.