1. Architektura danych w świecie platform danych

• rozwój architektur danych: od klasycznych hurtowni do kompleksowych platform,
• znaczenie architektury danych w firmach opartych na danych,
• architektura danych jako integralna część architektury organizacji,
• powiązania między architekturą danych, strategią danych oraz strategią AI.

2. Współczesne podejścia do architektury danych

• tradycyjne koncepcje (Inmon, Kimball, Data Vault) - co nadal ma wartość,
• data lake, data warehouse i lakehouse - różnice, podobieństwa i scenariusze użycia,
• architektury hybrydowe łączące środowiska lokalne i chmurowe,
• data mesh i data fabric - fundamenty, zalety oraz wyzwania.

3. Modelowanie danych w nowoczesnych hurtowniach i lakehouse

• przygotowanie modeli danych pod analitykę i AI,
• modele wymiarowe a podejścia elastyczne (Data Vault, szerokie tabele),
• warstwa logiczna, fizyczna i semantyczna danych,
• projektowanie modeli pod self-service BI i data science.

4. Projektowanie domen oraz produktów danych

• architektura danych oparta na domenach biznesowych,
• produkty danych - czym są i jakie mają właściwości,
• modułowość, kontrakty danych oraz odpowiedzialność zespołów,
• zapewnienie spójnych definicji i metryk w architekturach rozproszonych.

5. Integracja danych i nowoczesne pipeline'y

• ETL i ELT w realiach chmury obliczeniowej,
• przetwarzanie danych w trybie wsadowym i strumieniowym,
• orkiestracja, automatyzacja i monitorowanie potoków danych,
• wersjonowanie danych i powtarzalność analiz.

6. Metadane, katalogi danych i governance

• metadane biznesowe, techniczne oraz operacyjne,
• katalog danych jako jedno źródło wiedzy o danych,
• śledzenie pochodzenia danych (lineage) i analiza wpływu zmian,
• podejście lekkie do data governance vs wymagania regulacyjne.

7. Jakość danych i budowanie zaufania

• jakość danych jako element architektury, a nie dodatek,
• definiowanie reguł jakości oraz ich ciągły monitoring,
• odpowiedzialność za jakość w architekturze domenowej,
• zwiększanie zaufania do danych w organizacji.

8. Współpraca zespołów danych z biznesem

• role i kompetencje w nowoczesnych zespołach danych,
• współdziałanie architektów danych, inżynierów, analityków i data scientistów,
• modele odpowiedzialności i właścicielstwa danych,
• zarządzanie zmianami definicji oraz wiedzą organizacyjną.

9. Architektura danych jako podstawa BI, ML i AI

• jedna platforma danych dla analityki i uczenia maszynowego,
• przygotowanie i udostępnianie danych pod modele ML i AI,
• integracja architektury danych z procesami MLOps,
• rola architektury danych w automatyzacji decyzji biznesowych.

10. Bezpieczeństwo, prywatność i zgodność danych

• projektowanie architektury z myślą o bezpieczeństwie i prywatności,
• ochrona danych osobowych i danych wrażliwych,
• mechanizmy kontroli dostępu oraz audyt,
• architektura danych wobec regulacji i wymogów compliance.

11. Trendy i przyszłość architektury danych

• rosnące znaczenie warstwy semantycznej,
• data products i decentralizacja odpowiedzialności za dane,
• architektura danych wspierająca generatywną AI,
• przejście od raportowania do inteligentnych systemów decyzyjnych.