Datenqualität wird nicht absolut bewertet, sondern immer im Zusammenhang mit einem konkreten KI Use Case. Entscheidend ist, ob die Daten vollständig, korrekt und repräsentativ für genau die Aufgabe sind, die das KI Modell lösen soll.

Typische Qualitätsprobleme sind unvollständige Daten, verzerrte oder falsche Angaben, ungleiche Verteilungen, ungeeignete Datenmengen, mehrdeutige Inhalte sowie nicht standardisierte Formate. Auch Datenschutz und Datensicherheit spielen eine Rolle, insbesondere bei sensiblen Informationen.

Gute Datenqualität bedeutet daher nicht perfekte Daten, sondern Daten, die für den jeweiligen Anwendungsfall strukturiert, belastbar und fachlich geeignet sind.