Alexander Dierkes
AI Strategy & Implementation Lead @ Dataciders
AI Strategy & Implementation Lead @ Dataciders
Ahlen, Germany
Actions
I’m an AI and Microsoft Foundry enthusiast with a strong focus on turning advanced AI capabilities into practical, production ready solutions. Over the past years, I’ve been building and delivering end to end AI solutions on the Microsoft stack, helping teams move from experimentation to scalable and secure implementations using Microsoft Fabric and MS Foundry.
My work centers on applied AI scenarios such as Copilot experiences, intelligent agents, and domain specific models, tightly integrated with modern data platforms. I am particularly passionate about making AI architectures understandable and accessible, enabling developers and architects to confidently build, operate, and scale AI powered solutions in real world environments.
Ich bin KI und Microsoft Foundry Enthusiast mit einem starken Fokus darauf, fortschrittliche KI Funktionen in praxisnahe und produktionsreife Lösungen zu überführen. In den letzten Jahren habe ich zahlreiche End to End KI Lösungen auf dem Microsoft Stack umgesetzt und Teams dabei unterstützt, von ersten Experimenten zu skalierbaren und sicheren Implementierungen mit Microsoft Fabric und MS Foundry zu gelangen.
Mein Schwerpunkt liegt auf angewandten KI Szenarien wie Copilot Experiences, intelligenten Agenten und domänenspezifischen Modellen, eng verzahnt mit modernen Datenplattformen. Besonders wichtig ist mir, KI Architekturen verständlich und zugänglich zu machen, sodass Entwicklerinnen und Entwickler sowie Architektinnen und Architekten KI gestützte Lösungen sicher aufbauen, betreiben und skalieren können.
Area of Expertise
Topics
Microsoft Foundry Basics: From Experimentation to Production en de
Microsoft Foundry provides a powerful foundation for building and operating AI solutions on the Microsoft platform. However, many teams struggle to understand where Foundry fits, how it relates to Fabric and Azure, and how to move from first experiments to production ready AI workloads.
In this session, we will introduce the core concepts of Microsoft Foundry and explain how it supports the full AI lifecycle, from data preparation and model selection to deployment and operations. We will focus on practical guidance, common architectural patterns, and best practices that help teams build scalable, secure, and maintainable AI solutions.
Through real world examples and a hands on walkthrough, you will gain a clear understanding of how to use MS Foundry effectively and how to avoid common pitfalls when operationalizing AI.
Key Takeaways
• Understand the core building blocks and concepts of Microsoft Foundry
• Learn how Microsoft Foundry fits into the Microsoft Fabric and Azure ecosystem
• Discover best practices for moving AI solutions from POC to production
• Get practical guidance on architecture, governance, and operational readiness
Target audience:
Beginners and intermediates interested in applied AI on the Microsoft platform
Session duration:
45 minutes
Microsoft Foundry Grundlagen: Von der Idee zur produktiven KI Lösung en de
Microsoft Foundry bietet eine zentrale Plattform zum Entwickeln und Betreiben von KI Lösungen auf dem Microsoft Stack. In der Praxis fehlt jedoch oft ein klares Verständnis dafür, wo Foundry eingeordnet ist, wie es mit Microsoft Fabric zusammenspielt und wie aus ersten Experimenten stabile produktive Lösungen entstehen.
In dieser Session vermittle ich die grundlegenden Konzepte von Microsoft Foundry und zeige, wie die Plattform den gesamten KI Lebenszyklus unterstützt, von der Datenbasis über Modellentscheidungen bis hin zu Deployment und Betrieb. Der Fokus liegt auf praxisnahen Best Practices, bewährten Architekturmustern und typischen Stolpersteinen aus realen Projekten.
Anhand konkreter Beispiele und einer strukturierten Demo erhältst du ein solides Fundament, um Foundry sicher, skalierbar und zielgerichtet einzusetzen.
Key Takeaways
• Verständnis der zentralen Konzepte und Bausteine von Microsoft Foundry
• Einordnung von MS Foundry im Zusammenspiel mit Microsoft Fabric und Azure
• Best Practices für den Übergang von POC zu produktiver KI
• Praktische Empfehlungen zu Architektur, Governance und Betrieb
Zielgruppe:
Einsteigerinnen und Einsteiger sowie Fortgeschrittene mit ersten MS Foundry Erfahrungen
Sessiondauer:
45 Minuten
Foundry Local: Accelerated AI Development Without the Cloud Latency en de
Developing AI solutions often feels like a constant waiting game for cloud resources to provision or APIs to respond. Microsoft Foundry Local changes this dynamic by bringing the power of the Foundry framework directly to your workstation. However, many developers struggle with the initial setup, environment consistency, and the eventual transition back to the cloud.
In this session, we will break down the architecture of Foundry Local and demonstrate how it enables a seamless "Inner Loop" development experience. We will focus on the technical requirements, local orchestration of AI services, and how to maintain parity between your local machine and your production environment in Azure.
Through a live demonstration, you will see how to build, test, and debug an AI workload entirely offline, followed by a streamlined deployment strategy to Microsoft Foundry.
Key Takeaways
• Master the setup: Learn how to configure Foundry Local for maximum performance and compatibility.
• Optimize the Inner Loop: Understand how local execution reduces iteration cycles and costs during the experimentation phase.
• Parity & Consistency: Discover best practices for environment variables and configurations that ensure "it works on my machine" translates to "it works in production."
• Hybrid Workflows: Learn when to stay local and when to leverage the cloud for specific Foundry components.
Target audience:
Developers and AI Engineers who want to speed up their development cycle and reduce cloud costs during the prototyping phase.
Session duration:
45 minutes
Foundry Local: KI-Entwicklung beschleunigen ohne Cloud-Latenz en de
Die Entwicklung von KI-Lösungen fühlt sich oft wie ein ständiges Warten auf Cloud-Ressourcen oder API-Antworten an. Microsoft Foundry Local ändert diese Dynamik, indem es die Leistung des Foundry-Frameworks direkt auf die Workstation bringt. Viele Entwickler stehen jedoch vor Herausforderungen bei der Ersteinrichtung, der Konsistenz der Umgebungen und dem späteren Übergang zurück in die Cloud.
In dieser Session analysieren wir die Architektur von Foundry Local und zeigen, wie es eine nahtlose "Inner Loop"-Entwicklungserfahrung ermöglicht. Wir konzentrieren uns auf technische Anforderungen, die lokale Orchestrierung von KI-Diensten und die Sicherstellung der Parität zwischen dem lokalen Rechner und der Produktionsumgebung in Azure.
Anhand einer Live-Demonstration erleben Sie, wie ein KI-Workload vollständig offline erstellt, getestet und debuggt wird, gefolgt von einer effizienten Deployment-Strategie für Microsoft Foundry.
Key Takeaways
• Setup-Meisterung: Lernen Sie, wie Sie Foundry Local für maximale Performance und Kompatibilität konfigurieren.
• Optimierung des Inner Loop: Verstehen Sie, wie lokale Ausführung Iterationszyklen verkürzt und Kosten in der Experimentierphase senkt.
• Parität & Konsistenz: Entdecken Sie Best Practices für Umgebungsvariablen und Konfigurationen, damit "funktioniert bei mir lokal" auch "funktioniert in Produktion" bedeutet.
• Hybride Workflows: Erfahren Sie, wann Sie lokal bleiben und wann Sie Cloud-spezifische Foundry-Komponenten nutzen sollten.
Zielgruppe:
Entwickler und KI-Ingenieure, die ihren Entwicklungszyklus beschleunigen und Cloud-Kosten während der Prototyping-Phase reduzieren möchten.
Sessiondauer:
45 Minuten
Privacy Meets Power: Hybrid AI Architectures with Foundry Local and Microsoft Foundry en de
Companies face a fundamental trade-off. They want to leverage the reasoning capabilities of modern cloud models, but are often restricted from processing sensitive data outside their own infrastructure due to compliance, privacy, or IP concerns.
Traditional approaches fail to resolve this. Local models often lack the quality needed for complex reasoning, while purely cloud-based solutions are not viable in many real-world scenarios.
In this session, I will present a hybrid architecture that addresses this challenge. A local agent processes and reduces sensitive raw data directly on-device using Foundry Local, transforming it into a non-sensitive, structured representation. Only this abstracted information is passed to Microsoft Foundry in the cloud, where the actual reasoning takes place.
Key Takeaways
• How to securely split processing between local and cloud-based reasoning
• How to integrate local models as specialized tools within a cloud agent
• End-to-end demo of a hybrid AI workflow with strict separation of sensitive and non-sensitive data
Target audience:
Developers, AI Engineers, and Architects
Session duration:
45 minutes
Products:
Foundry Local, Microsoft Foundry, Microsoft Agent Framework
Privacy Meets Power: Hybride KI-Architekturen mit Foundry Local und Microsoft Foundry en de
Unternehmen stehen vor einem Zielkonflikt: Sie wollen die Reasoning-Stärke moderner Cloud-Modelle nutzen, dürfen aber sensible Daten aus Compliance- oder Datenschutzgründen nicht extern verarbeiten.
Klassische Ansätze scheitern daran. Lokale Modelle liefern oft nicht die nötige Qualität, reine Cloud-Lösungen sind in vielen Szenarien nicht zulässig.
In dieser Session zeige ich eine hybride Architektur, die diesen Konflikt auflöst. Ein lokaler Agent verarbeitet sensible Rohdaten direkt auf dem Gerät mit Foundry Local und abstrahiert sie in eine nicht-sensitive, strukturierte Repräsentation. Nur diese abstrahierten Informationen werden an Microsoft Foundry übergeben, wo die eigentliche Reasoning-Logik ausgeführt wird.
Key Takeaways
• Sichere Aufteilung von Datenverarbeitung zwischen lokalem und Cloud-basiertem Reasoning
• Integration lokaler Modelle als spezialisierte Tools innerhalb eines Cloud-Agenten
• End-to-End-Demo eines hybriden KI-Workflows
Zielgruppe:
Entwickler, AI Engineers und Architekten
Sessiondauer:
45 Minuten
Produkte:
Foundry Local, Microsoft Foundry, Microsoft Agent Framework
When Prompts Are Not Enough: Engineering Reliable AI Systems for Legal Knowledge en de
Building an AI solution often starts with prompt engineering. When the results are disappointing, many teams simply keep adjusting prompts and hoping for better outcomes. In real enterprise scenarios, especially when working with legal and regulatory content, this approach quickly reaches its limits.
Using real-world lessons learned from building AI solutions on large collections of legal documents, this session explores a structured approach to improving answer quality. We will look at common failure modes, why prompt engineering alone is often insufficient, and how techniques such as retrieval augmentation, metadata enrichment, re-ranking, query expansion, and agent-based workflows can dramatically improve business outcomes.
Rather than focusing on a single technology, the session presents a practical framework for diagnosing quality issues and choosing the right architectural response.
Key Takeaways
• Learn how to systematically analyze poor AI responses
• Understand when prompt engineering is no longer the right solution
• Discover architectural patterns that improve answer quality
• Learn practical lessons from real-world legal knowledge systems
Target audience:
Developers, AI Engineers, Architects and Technical Decision Makers interested in improving AI solution quality beyond prompt engineering
Session duration:
45 minutes
Wenn Prompt Engineering nicht mehr hilft: Von besseren Prompts zu besseren Systemen en de
Generative KI Projekte starten häufig mit Prompt Engineering. Liefert das Modell nicht die gewünschten Ergebnisse, wird der Prompt angepasst, erweitert oder komplett neu geschrieben. In vielen Projekten führt dieser Ansatz jedoch nur zu begrenzten Verbesserungen.
Gerade bei fachlich anspruchsvollen Anwendungsfällen, beispielsweise bei der Verarbeitung von Gesetzes- und Regelwerken, stößt Prompt Engineering schnell an seine Grenzen. Die eigentliche Ursache schlechter Ergebnisse liegt oft nicht im Prompt selbst, sondern in der Architektur des Gesamtsystems.
Anhand eines Praxisbeispiels aus dem Umgang mit umfangreichen Rechtstexten zeigt diese Session, wie sich die Qualität von KI-Lösungen systematisch analysieren und verbessern lässt. Wir betrachten typische Fehlerbilder, diskutieren die Grenzen von Prompt Engineering und stellen technische Ansätze wie Retrieval Augmented Generation (RAG), Query Expansion, Re-Ranking, Metadatenanreicherung und agentische Workflows vor.
Die Session vermittelt einen praxisnahen Entscheidungsrahmen, um Qualitätsprobleme zu identifizieren und die passenden technischen Maßnahmen auszuwählen.
Key Takeaways
• Verstehen, warum Prompt Engineering häufig nicht ausreicht
• Typische Ursachen für schlechte KI-Ergebnisse systematisch analysieren
• Geeignete technische Maßnahmen zur Qualitätsverbesserung auswählen
• Praxisnahe Einblicke aus einem realen Projekt mit rechtlichen Fachinhalten
Zielgruppe:
Entwickler, KI Engineers, Architekten und technische Entscheider, die die Qualität von KI-Lösungen über klassisches Prompt Engineering hinaus verbessern möchten.
Dauer:
45 Minuten
Who Is Actually Allowed to Talk to Whom? MCP and Agent Governance en de
The Model Context Protocol (MCP) is rapidly becoming the standard way to connect AI agents with tools, APIs, enterprise systems and knowledge sources. Building those integrations is often surprisingly easy. Operating them securely in a real enterprise environment is not.
As organizations move from AI prototypes to production systems, a new set of questions emerges. Which tools should an agent be allowed to use? How are permissions enforced? How can organizations prevent agents from gaining excessive privileges? And how do existing identity and access management concepts translate into a world where software agents act on behalf of users?
This session explores the governance, security and architectural challenges that arise when AI agents gain access to enterprise systems through MCP. We will discuss authorization models, agent identity, delegated permissions, least-privilege approaches, auditing, tool governance and emerging architectural patterns for secure enterprise AI platforms.
Rather than focusing on a specific vendor implementation, the session provides a practical framework for designing MCP-based ecosystems that remain secure, manageable and scalable as the number of agents and connected systems grows.
Key Takeaways
• Understand the governance challenges introduced by MCP and AI agents
• Learn how authentication and authorization principles evolve in agent-based systems
• Explore architectural patterns for secure MCP deployments
• Understand how to prevent privilege escalation and uncontrolled tool access
• Learn practical approaches for building scalable and governable AI platforms
Target audience:
Software Architects, AI Engineers, Platform Engineers, Security Professionals and Technical Decision Makers.
Session duration:
45 minutes
Wer darf eigentlich mit wem sprechen? MCP und Agent Governance en de
Das Model Context Protocol (MCP) entwickelt sich zunehmend zum Standard für die Anbindung von AI-Agenten an Werkzeuge, APIs, Unternehmenssysteme und Wissensquellen. Die technische Integration ist dabei häufig erstaunlich einfach. Der sichere Betrieb in einer produktiven Unternehmensumgebung dagegen nicht.
Sobald aus ersten Prototypen produktive Agentensysteme werden, entstehen neue Fragestellungen. Welche Werkzeuge darf ein Agent nutzen? Wie werden Berechtigungen durchgesetzt? Wie verhindert man, dass Agenten mehr Rechte erhalten als die Benutzer, in deren Auftrag sie handeln? Und wie lassen sich bestehende Identity- und Access-Management-Konzepte auf eine Welt übertragen, in der Software-Agenten eigenständig Aktionen ausführen?
Diese Session beleuchtet die Governance-, Sicherheits- und Architekturherausforderungen moderner MCP-basierter Systeme. Wir betrachten Autorisierungsmodelle, Agent Identities, delegierte Berechtigungen, Least-Privilege-Konzepte, Auditierbarkeit, Tool Governance sowie mögliche Architekturansätze für sichere Enterprise-AI-Plattformen.
Statt sich auf einzelne Produkte zu konzentrieren, vermittelt die Session einen praxisnahen Entscheidungsrahmen für den Aufbau sicherer, beherrschbarer und skalierbarer MCP-Ökosysteme in Unternehmen.
Key Takeaways
• Governance-Herausforderungen von MCP und Agentensystemen verstehen
• Authentifizierungs- und Autorisierungskonzepte für Agenten bewerten
• Architekturansätze für sichere MCP-Landschaften kennenlernen
• Risiken durch übermäßige Berechtigungen und Tool-Zugriffe erkennen
• Praktische Ansätze für den Aufbau skalierbarer Enterprise-AI-Plattformen verstehen
Zielgruppe:
Softwarearchitekten, AI Engineers, Plattformteams, Security-Verantwortliche und technische Entscheider.
Sessiondauer:
45 Minuten
Please note that Sessionize is not responsible for the accuracy or validity of the data provided by speakers. If you suspect this profile to be fake or spam, please let us know.
Jump to top