Lade Login-Box.
E-Paper
Abo & Service Immo Stellen Trauer
Anzeige Titelbild Mainova Marathon Laufsport - alles rund um den Mainova IRONMAN Frankfurt 2017 Frankfurt am Main 22°C

So verändert Big Data unser Leben

Bilder >

Heute schon eingekauft? Anhand Ihrer Einkäufe können Datenanalysten sofort erkennen, ob sie in einer Beziehung leben, wie oft und wo sie einkaufen und was sie so verdienen. Wenn Ihr Auto auch noch orange ist, haben Sie einen besonders pannensicheren Wagen. Datenanalysten können all das errechnen. Und sie greifen auf Daten zurück, die wir meist ohne unser Wissen preisgeben.

Es sind Daten zu gekauften Produkten und Dienstleistungen, aus der Nutzung von Apps oder Klicks von Webseiten, aus sozialen Netzwerken, von TV, Video und Spielekonsolen, Mails, Chats, Telefonverbindungen, aus WLAN-Netzen, Daten zum Zahlungsverhalten (Kreditkarten, Schufa), von Versicherungen, Arztpraxen und Kliniken. Aber auch automatisiert gesammelte Sensordaten von Autos und Maschinen sind dabei, von Standort- und Bewegungsmeldern, Temperatur-, Schnee- oder Regenfühlern.

Solche Quellen speisen Big Data, einen immer schneller wachsenden Berg von Daten – mehr als 3 Zettabyte derzeit pro Jahr. Das ist eine 3 mit 21 Nullen. Big Data bedeutet auch die Analyse des Datenbergs mit hoher Geschwindigkeit und dem Ziel, das Ergebnis wirtschaftlich zu nutzen. Obwohl viele der Daten unstrukturiert und in unterschiedlichen Formaten vorliegen, erlauben neue Techniken eine Verarbeitung sogar unmittelbar – in Echtzeit –, immer genauere Vorhersagen sowie das Erkennen von Zusammenhängen und Mustern. Daraus entstehen Prognosen und neue Dienstleistungen. Freilich auch neue Gefahren für den Datenschutz.

Datafizierung ist ein Schlüssel

Technikgetriebene Gesellschaften sind heute längst über das Stadium der reinen Digitalisierung hinaus. Heute geht es um „Datafizierung“, das Messen und Vermessen von Vorgängen in unserer Welt, und das Ablegen dieser Daten – ob in strukturierter oder unstrukturierter Form –, damit sie wirtschaftlich genutzt werden können. Googles Projekt „Gutenberg“ ist ein Beispiel für Datafizierung: Zunächst ließ der Konzern lizenzfreie Texte einscannen, also digitalisieren. Im zweiten Schritt wurden diese Scans wieder in durchsuchbaren Text umgewandelt. Wörter wurden damit zu Daten. Das Durchsuchen solchen Textes erlaubt zum Beispiel die Erkenntnis, wann welche Formulierung in einer Sprache erstmals auftauchte. Damit wurde eine quantitative Textanalyse überhaupt erst möglich.

Früher stützten sich die Statistiker für aussagekräftige Umfragen auf „Small Data“: Sie erstellten eine repräsentative Stichprobe, indem sie mindestens 1000 Personen befragten, die repräsentativ aus der Bevölkerung ausgewählt wurden. Aus dieser Vorauswahl errechneten die Statistiker hohe Wahrscheinlichkeiten für ihre Analysen und trafen fast immer ins Schwarze. Heute müssen die Statistiker in Bergen von Daten schürfen. Bestimmte Algorithmen, clevere mathematische Formeln und leistungsfähigere Rechner sowie kostengünstigere und schnellere Methoden erleichtern es ihnen jedoch, Zusammenhänge sogar in Echtzeit zu erschließen, Muster zu erkennen und Vorhersagen zu treffen. Angesichts der immensen Datenflut, die betrachtet werden muss, bleiben Unschärfen. Doch diese nehmen die Statistiker gerne in Kauf, weil sie rechenstarke Maschinen haben und jederzeit aus dem Vollen schöpfen können.

Die Sache mit dem Triebwerk

Zum Beispiel bei einem Flugzeugtriebwerk. Mitten in der Luft kann der Hersteller online abgleichen, ob sein Produkt im Rahmen der üblichen Parameter arbeitet. Er kann Abweichungen früh erkennen und das Flugzeug zur Wartung rufen, noch bevor es einen Defekt bekommt. Autohersteller können über die Motorsteuerung jedes Wagens feststellen lassen, ob es einen Fehler gibt. Aber auch, ob der Besitzer eher ein sanfter oder rücksichtsloser Fahrer ist. Nicht von ungefähr möchte die Versicherungswirtschaft Zugriff auf diese Daten. Sie kann daraus individuelle Angebote basteln.

Neue Wechselbeziehungen

Ein Datenanalyst muss heute vorab nicht mal mehr wissen, wonach er sucht. Er findet immer etwas. Und er kann immer neue Wechselbeziehungen in seinen Datensätzen erkennen. Denn diese Korrelationen sind es, die interessieren, die neue Einsichten und damit Geschäftsmodelle in sich bergen. Kausale Zusammenhänge interessieren die Statistiker weniger, diese werden eher der zwanghaften Tendenz des menschlichen Gehirns zugeschrieben, welche finden zu müssen. Die Korrelationen von Daten sind der Schlüssel. Vor allem wenn diese dem Anschein nach Zusammenhänge offenbaren, wo wir Menschen keine sehen.

So brachte eine Untersuchung der Qualität von Gebrauchtwagen ans Licht, dass orangefarbene Autos weniger Probleme haben als andere. Warum das so ist, konnten die Datenanalysten des US-Unternehmens Kaggle nicht erklären, wohl aber, dass es entsprechende Korrelationen gibt. Diese sind mathematisch beweisbar. Die Annahme, dass es wirklich an der Farbe Orange liegen könnte, ist eher unwahrscheinlich. Der Datenanalyst will das aber ohnehin nicht wissen. Er wird immer wieder zu Ergebnissen kommen, die wichtigere Aussagen treffen. Wie bei der Untersuchung von Dr. Carolyn McGregor an der Uniklinik in Toronto. Sie konnte in den Daten der Vitalfunktionen von Frühgeborenen einige Muster erkennen, die mit hoher Wahrscheinlichkeit eine Infektion vorhersagen – 24 Stunden bevor überhaupt erste Symptome auftreten. Das war bis dahin gänzlich neu und hilft Leben zu retten.

Die Kunden der Analytiker wollen von solchen Erkenntnissen profitieren. Sie setzen auf Vorhersagen, die mit komplizierten Berechnungsformeln aus dem Wust von Daten herausgelesen werden. Welcher meiner Songs wird die Charts stürmen?, fragt die Musikbranche. Banken interessiert, ob Kunden bald Zahlungsschwierigkeiten haben werden, und Lebensversicherer, wie lange ihre Klientel so leben wird. Pharmabranche und Gesundheitswesen fragen, wo und wann die nächste Grippewelle anrollt. Wo die nächsten Einbrüche in Wohnhäuser zu erwarten sind, das weiß die Polizei heute vielerorts schon vorher. Dafür gibt es „Precobs“, eine Software, die das berechnet. Hundertprozentig sicher sind solche Vorhersagen nie, aber sie sind hochwahrscheinlich.

Big Data half Obama

US-Präsident Barack Obama konnte dank Big Data 2012 seine zweite Amtszeit gewinnen. Er ließ von 45 Datenanalytikern genau ermitteln, warum in den unentschlossenen Bundesstaaten, den „Swing States“, besonders viele Wechselwähler leben, welches Profil auf sie zutrifft und wie er sie gezielt für sich gewinnen kann.

Wer so tief in die Seele seines Volks blicken möchte, hat der noch ein Interesse am Datenschutz?

Der schleswig-holsteinische Datenschutzbeauftragte Thilo Weichert warnte bereits 2013: „Big Data eröffnet Möglichkeiten des informationellen Machtmissbrauchs durch Manipulation, Diskriminierung und informationelle ökonomische Ausbeutung – verbunden mit der Verletzung der Grundrechte der Menschen.“ Der Informatiker und Künstler Jaron Lanier, Träger des Friedenspreises des Deutschen Buchhandels, prophezeite die derzeitige Entwicklung in seinem Buch „Wem gehört die Zukunft?“. Darin hält er auch fest: „Du bist nicht der Kunde der Internetkonzerne. Du bist ihr Produkt.“

Wie das zu verstehen ist, mag folgendes Beispiel verdeutlichen: Google hat für 3,2 Milliarden Dollar das Unternehmen „Nest“ gekauft, gerade mal 200 Mitarbeiter stark. Die Firma stellt Rauchmelder und Wärmesensoren her. Warum nun kauft Google solch ein Unternehmen? Weil der Konzern nach eigenem Bekenntnis die Mission verfolgt, die Information der Welt zu organisieren und sie allgemein zugänglich und nutzbar zu machen. Bei „Nest“ geht es Google um die Automatisierung von Haushalten. Weil daraus neue Produkte oder Dienstleistungen generiert werden können. Dafür kann Google alles gebrauchen, was Daten im Haushalt sammelt. Wärmesensoren, Wasseruhren und Stromzähler verraten viel über unser Verhalten, auch Rauchmelder, einzelne Verbraucher wie Waschmaschinen, Trockner, Computer, Telefon. Nichts ist dann mehr privat.

Unser Surfverhalten wird im Internet schon heute umfangreich analysiert, weil sich daraus individualisierte Werbeangebote erstellen lassen. Was in unseren eigenen vier Wänden sonst so passiert, muss dank „Nest“ kein Geheimnis mehr bleiben. Schon die Nutzung des TV-Programms, des Videodienstes oder der Online-Spielekonsole lässt eine Menge Rückschlüsse zu auf unsere Vorlieben, Gewohnheiten und Stimmungen.

Diese Daten kann ein Anbieter heute theoretisch leicht abfragen. Wenn wir im Schlafzimmer Sex haben, dann bemerkt der Wärmesensor, dass die Luft mit Wasserdampf (Schweiß) angereichert wird. Und selbst die regelmäßig selbst zubereiteten Mahlzeiten können über den Rauchmelder registriert werden.

Alles kein Geheimnis, wie wir und wann wir wie viel Energie verbrauchen, wann unser Kühlschrank leer wird und was wir essen oder trinken oder wann wir wie oft welche Musik hören, wie viel Wasser wir verbrauchen. Aus analysierten Abwasserdaten ließe sich sogar ablesen, ob wir Drogen oder Medikamente nehmen und welche das jeweils sind. Ob wir alleine leben, was wir kaufen oder ob wir zuverlässig sind, neurotisch oder depressiv – der Datensammler weiß es. Aber was er daraus macht, das wissen wir, die wir unsere Daten meist ohne unser Wissen preisgeben, meist nicht.

Datenkapital auswerten

Alles, was gesammelt wurde, lässt sich mit anderen Werten verknüpfen, abgleichen und in neue Zusammenhänge, meist klare Muster, bringen. Mit Paranoia hat das weniger zu tun. Es geht um ein gigantisches Geschäft, um neue Geschäftsideen. Tatsächlich wird das Data-Mining, das Gewinnen von Daten, heute eine immer wichtigere Aufgabe in fast allen Unternehmen, nicht nur in Internetkonzernen. Fast alle treffen auf der Grundlage von Daten, den wichtigsten Werten eines Unternehmens, ihre Entscheidungen. Der „Chief Data Officer“ hat heute in einem Unternehmen die Aufgabe, abteilungsübergreifend alle Werte zusammenzutragen. Analysten bereiten die Daten auf und stellen sie in unterschiedlichen Kombinationen und Korrelationen dar.

Der „Data Scientist“ ist ein gefragter Beruf. Seine Aufgabe ist es, eine entsprechende Architektur aufzusetzen, die richtigen Werte aus den immensen Datenmegen herauszufiltern, vorherzusagen und Business-Ideen zu entwickeln. „Das ist ein boomender Markt“, weiß Dr. Dirk Hecker vom Fraunhofer Institut für Intelligente Analyse- und Informationssysteme (IAIS) in St. Augustin. „Wir bieten seit Mitte 2013 die Ausbildung zum ,Data Scientist‘ an. Die Kurse sind alle komplett ausgebucht. Zwischen 30 und 40 Prozent der Teilnehmer kommen aus der Autobranche“, sagt der Fraunhofer-Fachmann.

Wie kann die Autobranche Big Data nutzen? „Denken wir nur mal an die Regensensoren, die heute fast jedes Auto hat“, sagt der Fraunhofer-Experte. Eine Echtzeit-Analyse aller aktiven Regensensoren, zum Beispiel nach der Stärke und Frequenz der Scheibenwischer, könnte eine örtlich visualisierte Anzeige liefern, wo es gerade wie stark regnet, wie sich die Wolken bewegen und sich die Niederschlagsmenge – sogar punktuell – verteilt. „Diese Daten können Autohersteller verkaufen“, sagt Hecker. Zum Beispiel an die Landwirtschaft. Sie kann die Werte nutzen, um ihre automatisierten Maschinen effektiver einzusetzen und so den Ressourcenverbrauch zu verringern.

Das IAIS arbeitet derzeit an einem anderen Projekt, „Insight“ genannt, das Meldungen in sozialen Netzwerken wie Twitter und Facebook sowie Mobilfunkdaten in Echtzeit auswerten soll, um frühzeitig die Entstehung von Katastrophen oder besonderen Krisensituationen bei Massenereignissen zu erkennen, zu verhindern helfen oder gezielte Hilfe zu ermöglichen. „Insight“ („Intelligent Synthesis and Real-time Response using Massive Streaming of Heterogenous Data“), das von der EU und vom Bundesamt für Bevölkerungsschutz und Katastrophenhilfe gefördert wird, soll den anonymisierten Datenstrom analysieren und auffällig abweichende Entwicklungen grafisch aufbereitet direkt an die Einsatzzentrale melden.

Frühwarnsystem

„Die Menschen haben sich über soziale Medien organisiert und tauschen sich dort aus“, sagt Dr. Dirk Hecker vom IAIS. Rückmeldungen zur Gefährdungs- und Stimmungslage würden deshalb zuerst darüber übermittelt. Das IAIS entwickelte dafür Techniken des „text mining“, die versuchen, die Semantik in solchen Mitteilungen zu entschlüsseln und korrekt zuzuordnen. Die Auswertung in Echtzeit kann Minuten gewinnen, die fürs rechtzeitige Reagieren gebraucht werden.

Im Falle der Loveparade in Duisburg wäre so vielleicht Zeit geblieben, den Menschenstrom noch anderes zu kanalisieren oder gleich Helfer an die richtigen Stellen zu bringen. Die Idee für „Insight“ wurde letztlich jedoch nach dem Oder-Hochwasser von 2013 geboren, um künftig in Echtzeit zu erfahren, wo welche Hilfe am dringendsten ist und diese gezielt zu koordinieren. Das IAIS entwickelte gleichzeitig eine Methode, die bereits anonymisiert empfangenen Rohdaten so zu verarbeiten, dass Rückschlüsse auf bestimmte Personen ausgeschlossen bleiben.

Doch ist das immer ausgeschlossen? Und liegt Big Data immer richtig? Wenn ein komplizierter Algorithmus aus dem Datenberg errechnet, dass ich nicht mehr kreditwürdig bin, dass meine Lebenserwartung sinkt und ich mich frage, warum ich nicht zum Vorstellungsgespräch eingeladen werde – dann bin ich doch zum Sklaven von Big Data geworden. Einer, der genau davor warnt, ist Viktor Mayer-Schönberger, Professor für Internet Governance und -Regulierung am „Oxford Internet Institute“. Der Gelehrte schrieb zusammen mit Kenneth Cukier das Buch „Big Data. Die Revolution, die unser Leben verändern wird“. Mayer-Schönberger sieht zwar auch die Vorteile von Big Data, so die Chance auf individualisierte medizinische Behandlungen, für gezielte Lerninhalte und für besseres Wirtschaften.

Die Diktatur der Daten

Big Data werfe aber auch die ethische Frage nach der Rolle des freien Willens gegenüber der Diktatur der Daten auf. Zählt die Entscheidungsfreiheit des Individuums mehr als die Voraussagen von Big Data? Muss künftig gleich jemand verhaftet werden, nur weil die Prognose über ihn lautet, dass er kriminell werden wird?

„Ich denke, dass wir hier zwei thematisch unterschiedliche Diskussionen haben, die häufig vermischt werden“, sagt Mayer-Schönberger dazu. „Die eine ist die Angst vor einer aus Algorithmen und Computern stammenden Vorhersage zukünftigen menschlichen Verhaltens.

Diese Vorhersagen beruhen stets auf Wahrscheinlichkeiten und sind deshalb fehlbar. Aber das waren bisherige Vorhersagen auch. Wenn also Vorhersagen aus dem Computer zuverlässiger sind als menschliche, dann sollten wir bereit sein, diesen Vorhersagen mehr Glauben zu schenken.“

Die andere Frage sei dann, ob eine Vorhersage von Verhalten ausreichen kann und darf, um jemanden dafür zu bestrafen oder schlechter zu behandeln. „Im Rechtsstaat ist Strafe noch immer mit Schuld verbunden, die aus tatsächlichem Verhalten herrührt. Diese klare Linie haben wir schon vor Big Data aufgeweicht, etwa durch die Terrorgesetze der 70er-Jahre, aber auch der ganz konventionellen Ausweitung der Strafbarkeit auf ,Vorbereitungshandlungen‘, sagt Jurist Mayer-Schönberger. Immer häufiger wünschten wir uns mehr Sicherheit – und das bedeute auch weniger Risiko. „Das führt dazu, dass der Staat immer stärker präventiv handelt und Menschen damit faktisch bestraft, die noch gar kein Verbrechen begangen haben.“

Die eigentliche Gefahr bestehe jedoch darin, „dass wir als Gesellschaft Strafe und Schuld, die immer ein kausales Handeln verlangen, mit Prävention, die auf korrelativen Vorhersagen beruht, vermengen. Und damit die Freiheit des Menschen, selbst über sein Handeln zu entscheiden und dafür auch verantwortlich zu sein, unterminieren. Das sehe ich unglaublich problematisch.“

Brauchen wir eine unabhängige Stelle, die kontrolliert, wie mit unseren Daten umgegangen wird?

„Ja, wir brauchen Algorithmiker“, sagt der Oxford-Professor. „Diese stehen einerseits Menschen bei, die lediglich aufgrund einer Vorhersage bestraft werden sollen. Sie sind ein wenig die Strafverteidiger der Zukunft. Andererseits nehmen sie die Verantwortung einer Kontrolle der Verwendung persönlicher Daten wahr, indem sie illegale Verwendungen unterbinden.“

Im Zeitalter von Big Data wird es erforderlich sein, solche Regeln zum Schutz der individuellen Freiheit anzuwenden.

Zur Startseite Mehr aus Wissenschaft

BITTE BEACHTEN SIE: Unser Angebot dient lediglich Ihrer persönlichen Information. Kopieren und/oder Weitergabe sind nicht gestattet. Hier finden Sie Informationen zur Verwendung von Artikeln. Quellen: Mit Material von dpa, afp, kna, AP, SID und Reuters

Archiv ThemenMediadatenKontaktImpressumDatenschutzRSS

© 2017 Frankfurter Neue Presse