Open Password: Freitag, den 22.04.2016

Pop Größe Prince ist tot – ZB MED Science Slam – InfoPro Skills – IK Symposium „BIG DATA“ Teil 2

Popmusiker und Produzent Prince ist tot

„Nothing compares to you“ – gesungen von Shinead O Connor war aus seiner Feder. Der schwarze Rock Rebell mit seiner „Party 1999“, „Kiss“ oder „Purple“ war eine Musikgröße. Das Netz zeigt Trauer und Anerkennung für einen großen Musiker der mit 57 Jahren im US Bundesstaat Minnesota verstarb.

You experience someone like Prince and the word mortality doesn’t even cross your mind
Shakira ‎@shakiraaevans

And just like that…the world lost a lot of magic Rest in peace Prince! Thanks for giving us so much…
— KATY PERRY (@katyperry

Terribly saddened by the devastating news… He truly is a legend and a hero of mine. RIP #prince
Celine Dion ‎@celinedion

He Changed The World!! A True Visionary. What a loss. I’m Devastated. This is Not A Love Song. pic.twitter.com/x4JaSxRraC
Madonna ‎@Madonna

Prince has left us
His soul touched us
His song reached us
We sing his praise
Rest gently in peace
Prince.You will be remembered #RIPPrince
Forest Whitaker ‎@ForestWhitaker

Erfolgreich: Der dritte ZB MED Science Slam

Am Dienstag, den 19.4.2016, feierte ZB MED – Leibniz-Informationszentrum Lebenswissenschaften den ersten Geburtstag des Suchportals LIVIVO mit einem großen Science Slam. Die ausverkaufte Veranstaltung nutzte ZB MED auch dafür, um gemeinsam mit den 200 Zuschauerinnen und Zuschauern bei einer Fotoaktion ein Zeichen für den Erhalt der Einrichtung zu setzen

Mehr Informationen und zur Pressemitteilung:
http://www.zbmed.de/ueber-uns/presse/neuigkeiten-aus-zb-med/artikel/dritter-zb-med-science-slam-war-voller-erfolg/

InfoPro – Job Skills von Anna Knoll

Jede Woche beobachtet Anna Knoll für Open Password das Netzgeschehen zu den Skills für Information Professionals:

Data Scientists müssen auch gute Geschichtenerzähler sein: @wiwo: Big Data: Warum die Datenanalyse in Unternehmen scheitert  bit.ly/23YXGcs

@ZAppleCI: An analysis of the skills and educational requisites in knowledge management job ads @DrexelUniv #CI #KM the future! https://idea.library.drexel.edu/islandora/object/idea:3861

@InfoDeskGuy: The Consultant as the Content Curator: Ably Managing Information Overload http://bit.ly/1qwFcBI  by @InfoDeskGuy

@annalamparter: I love 60 Websites in 60 Minutes! Didn’t know #Owler, #Biznar or #ManualsLib yet: http://www.slideshare.net/markgirc/aiip-2016-60-websites-in-60-minutes-presentation-4916 … #aiip

Big Data – wirklich allwissend? (II)

Das sich rapide entfaltende Panorama
neuer Anwendungen

Die Ersetzung des Wissenschaftlers
und der Kausalität
durch Algorithmen?

Von Willi Bredemeier

21. IK-Symposium „Big Data – wirklich allwissend?“, beim Bundesverband Öffentlicher Banken Deutschlands in Berlin. Dr. Volker Stümpflen, Direktor Data Science bei der Sanostro AG,  sah „Big Data als Game Changer“ und stellte „Anwendungen und Chancen am Beispiel der Finanztechnologie“ vor.  Big Data habe sich entwickelt und dies notwendigerweise, weil mittlerweile täglich mehr Daten die Öffentlichkeit erreichen als die Library of Congress an Inhalten enthält, weil die Speicherung und die Verarbeitung von Daten extrem billig geworden sind, weil sich nicht zuletzt dank Google neue Ansätze der Datenanalyse ergaben, weil viele Tools zur Datenanalyse auf freier Software beruhen, was FuE und die Marktentwicklung stark fördert, und weil das Versprechen von Big Data, nämlich relevante Geschäftsentscheidungen nahezu in Echtzeit zu ermöglichen, jeden Unternehmer faszinieren muss.

Die Kommerzialisierungschancen von Big Data werden hoch positiv eingeschätzt, so dass sich für die junge Big-Data-Industrie keine Finanzierungsprobleme ergeben. Auch scheinen die aktuellen Einnahmeentwicklungen vieler Big-Data-Unternehmen dieser Einschätzung Recht zu geben: „Sie beginnen, Geld zu verdienen statt Geld zu verbrennen.“ Deutschland hat einen Nachholbedarf im Big-Data-Bereich, so dass hier die jährliche Wachstumsrate von 45% im Augenblick wesentlich höher als in den USA ist.

Big-Data-Anwendungen werden auch in etablierten Unternehmen, darunter den Pionieren von gestern, entwickelt und eingesetzt, beispielsweise von Credit Suisse, Morgan Stanley, Amazon und Uber. Amazon greift auf Daten zu 1,5 Millionen Items und 150 Millionen Kunden zurück. Das Unternehmen entwickelte seine Web Services, nachdem Jeff Bezos entdeckt hatte, dass Amazon immer wieder über freie Rechenkapazitäten verfügte. Wäre es nicht zum wechselseitigen Vorteil, diese Kapazitäten mit anderen Unternehmen zu teilen, zumal die damit verbundenen logistischen Probleme datentechnisch handhabbar erschienen? Amazon arbeitet an Lösungen, die zu einer Lieferung von Waren zwei Stunden nach der Bestellung führen – dies mit Hilfe von Big-Data-Modellen und Drohnen. Wenig bekannt ist, dass Amazon 20% seiner Angebote dynamisch an das Kundenverhalten anpasst.

Antizipierungen des Kundenverhaltens sind möglich, weil wir alle „Gewohnheitstiere“ sind und sich folglich auf der Basis historischer Daten voraussagen ließe, was wir am nächsten Freitag, 17 Uhr, an welcher Stelle tun und was wir uns wünschen. Ist das so? Nein, aber total irreal ist dieses Szenario nicht. Sind wir soweit, dass uns Waren geliefert werden können, von denen wir gar nicht wussten, dass wir sie gern hätten? Nun ja, beinahe. Immerhin werden wir bereits heute von den intelligenten Kaufempfehlungen Amazons überrascht. Und wenn wir gleich verhaftet würden, weil wir sonst in der nächsten Viertelstunde eine Straftat begingen, so verstehen wir zumindest, nachdem wir „Minority Report“ gesehen haben, diese Zusammenhänge.

Typischer jedoch ist, dass Big-Data-Anwendungen von Start Ups vorangetrieben werden, die mit ihren disruptiven Geschäftsmodellen etablierte Unternehmen und Branchen gefährden. Facebook, Google, Dow Jones und die Investoren der Wall Street wehren sich gegen diese Bedrohung, indem sie einige der jungen Unternehmen aufkaufen.

__________________________________________________________________________

Fintechs: Die Banken, mindestens die konventionelle Kreditvergabe, durch Software ersetzen

__________________________________________________________________________

Die Fintechs sind mit ihren Finance Technologies angetreten, die Banken oder zumindest die konventionelle Kreditvergabe durch Software zu ersetzen. Mittlerweile sind die Fintechs in allen relevanten Bankenbereichen unterwegs. 2014 kamen sie in Deutschland auf einen Umsatz von 1,3 Milliarden Dollar. Der Wert von Ali Pay, einem Anbieter von Internet-Payment-Systemen, wird auf 45 Milliarden Dollar geschätzt. Seine Wachstumsaussichten sind günstig, weil 300 Millionen chinesische Mittelständler vergleichsweise technologieaffin, offen fürs Geldverdienen und damit aufgeschlossen für Intenet-Payment-Systeme sind.

An Anbietern und Anwendungen stellte Stümpflen unter anderem vor:

• Schutzklick startete mit einem PlugIn für Web Shops und reüssierte mit automatischen Vorschlägen für den Abschluss von Versicherungen beim bestmöglichen Anbieter. Wenn (die jeweils bestmöglichen) Versicherungen parallel zum Kauf eines Produktes angeboten werden, geht zum Teil jeder zehnte Kunde auf Versicherungsangebote ein. Das Unternehmen ist derzeit auf den Sprung in die USA und will dort selbst Versicherungen nicht nur empfehlen, sondern selbst anbieten.
• Ermittlung der Kreditwürdigkeit: Eine Reihe von Anbietern ermittelt die Kreditwürdigkeit von Kunden mit Hilfe der Eintragungen in Sozialen Netzwerken und der Identifizierung realer Netzwerke. Die Kreditwürdigkeit sinkt beispielsweise, wenn sich ein möglicher Kunde mit den „falschen“ Freunden abgibt oder in einer anrüchigen Gegend wohnt. Sie steigt, wenn er eine Familie gründet oder in eine bessere Wohngegend zieht. Modelle wie diese dürften in Deutschland aus rechtlichen Gründen kaum eingesetzt werden können, finden aber in den USA und den osteuropäischen Ländern Anklang.
• Mobile/Online Payment oder das „Mobile Phone als Virtual Wallet“: Dieses kann zugleich als Übermittler aktueller Waren und Dienstleistungen beispielsweise in Abhängigkeit von dem Standort dienen, an dem sich der mögliche Kunde gerade befindet.
• „Robo Advisor“ als Anlageberater, die Anlagevorschläge über eine Mobile App machen und den Investitionsprozess stark zu vereinfachen versprechen. Die Geschäftsmodelle dieser jungen Anwendung sind noch ziemlich unklar.
• App Based Personal Financial Management zur Kontenverwaltung für Kunden und Banken mit dem Versprechen größerer Komfortabilität und sehr weitgehender Transparenz. Das Versprechen „totaler Transparenz“ kann vom Kunden allerdings auch als Bedrohung gesehen werden, da diese nicht nur für ihn, sondern auch für seine Bank gegeben ist. Und wer weiß, wo seine finanziellen Daten in Zukunft landen?
• Fraud Detection. Hier werden ungewöhnliche Ereignisse, die möglicherweise zum Verdacht eines Betruges führen, entdeckt. Triviales Beispiel: Wenn jemand seine Kreditkarte im Kongo statt wie bisher in Deutschland abrechnet, muss dies als ungewöhnlich gelten. Über die Analyse sozialer Netzwerke und die Identifizierung realer Netzwerke lassen sich Bandenaktivitäten entdecken und abgrenzen.

Als Gefahr für Big Data nannte Stümpflen die Explosion von festgestellten häufig sinnfreien Korrelationen und eine damit verbundene hohe Fehleranfälligkeit. Deshalb müsse es Data Scientists geben, die in der Lage seien, viel versprechende Zusammenhänge in den Listen von Korrelationsausdrucken zu entdecken. „Big Data is not trivial.“

___________________________________________________________________________

Wir benötigen eine „analytische Kultur“ vom fördernden Vorstandsmitglied bis zum anwendungswilligen und -fähigen Mitarbeiter.

___________________________________________________________________________

Klaus Fabits, Director des Center of Excellence vom SAS Institute, ging auf den „Innovationsfaktor Analytics – Neue Handlungsfelder und aktuelle Lösungen“ ein und gestattete sich einen historischen Rückblick: Der Herd der Cholera-Epidemie 1854 in London wurde durch eine Visualisierung entdeckt, die anzeigte, dass sich die Krankheitsfälle um einen bestimmten Brunnen konzentrierten. Seitdem hat sich Visualisierung in großem Maße durchgesetzt. Es ist nicht nur wichtig, zu neuen relevanten Erkenntnissen zu kommen, sie müssen dem Management auch in einer geeigneten Form nahe gebracht werden.

Big Data spielte eine bedeutende Rolle in der Diskussion, ob die Wiener Bahnhöfe zwischen ein und fünf Uhr nachts für die Obdachlosen geöffnet bleiben sollten, auch um sie dort durch die Stadtverwaltung und Caritas zu versorgen. Durch das Finden und Verbreiten der richtigen Informationen wurde ein drohender Shitstorm in der Öffentlichkeit in einen Lovestorm verwandelt.

Die Ausstattung von Kühen mit Sensoren im Berchtesgadener Land führen zu Anzeigen, wann diese empfängnisbereit sind und zum Bullen geführt werden sollten.

International und in geringerem Maße in Deutschland besteht eine hohe Bereitschaft der Bürger, ihre Daten freizugeben. Dabei sind durch Sensoren gewonnene Daten im Regelfall unproblematisch, personenbezogene Daten problematischer und Krankheitsdaten hochproblematisch. Big-Data-Analytics sind wie konventionelle statistische Verfahren dazu da, Trends von saisonalen Schwankungen und dem „Zufallsrauschen“ zu trennen und Einflussgrößen zu entdecken und zu gewichten.

Der Referent, von einer Versicherung mit der Erkennung von Betrügereien beauftragt, war an der Entdeckung der folgenden Muster bei angezeigten Autounfällen beteiligt: Die Betrügereien fanden zwischen zwei und vier Uhr statt. Die Wagen waren über zehn Jahre alt. Der entstandene Sachschaden war immens. Aber es war kein Personenschaden entstanden. Ein polizeiliches Protokoll existierte nicht. Weitere Muster ließen sich womöglich erkennen, wenn man Betrugsfälle nach Autotypen untersuchte und feststellte, in welchen Netzwerken sich verdächtige Autohalter bewegen.

Fabits wies auf die Möglichkeit neu entstehender Risiken und Risikogruppen am Beispiel des autonomen Autos von Google hin. Es kam zu vielen Unfällen, weil Menschen auf die Straße gerannt kamen, um das fahrerlose Auto zu bestaunen. Big Data führe auch zu einer Vervielfachung der Möglichkeiten der Risiko- und Preisdifferenzierung für den Abschluss von Haftpflichtversicherungen.

An weiteren Anwendungen auf der Basis von Big-Data-Analytics stellte Fabits vor:

• Durch die Analyse von Werkstattberichten wurden notwendig werdende Getriebewechsel besser vorausgesagt und 1,5 Milliarden Euro eingespart.
• In einem Guerilla-Marketing wurden Kunden, die sich in der Nähe eines Sportschuhangebots befanden, per App zum Kauf aufgefordert, indem sie mit rasch niedriger werdenden Rabatten zum Kauf gedrängt wurden.
• Banken, die sich vor dem Verkauf von Steuer-CDs schützen wollten, machten sich den Umstand zunutze, dass die Verkäufer die Texte vom Bildschirm abfotografieren mussten. Auch hier wurden Muster erkennbar, zum Beispiel: Die Datensammlungen fanden zumeist nach 19 Uhr statt. Typischerweise blieb der Nutzer vier Sekunden auf einer Seite. Als dieses Muster bekannt war, stiegen die Möglichkeiten einer „Realtime Detection“ mit der Überführung des Täters stark an.

Fabits forderte wie die anderen Referenten dazu auf, nicht alles den Maschinen zu überlassen und auf Expertenwissen nicht zu verzichten. Damit sich Big Data in den Unternehmen durchsetze, bedürfe es einer „analytischen Kultur“ vom fördernden Vorstandsmitglied bis zu den anwendungswilligen und -fähigen Mitarbeitern auf allen Organisationsebenen.

___________________________________________________________________________

Sind Turbulenzen in Natur und Gesellschaft durch robuste und resiliente Systeme beherrschbar?

___________________________________________________________________________

Wird unsere Welt zu komplex und damit immer weniger steuerbar? Wie kommen wir zu Systemen, die trotz der wachsenden Komplexität resilient (also hoch tolerant gegenüber Störungen) und robust sind? Sind Turbulenzen in Natur und Gesellschaft beherrschbar? Das fragte Prof. Dr. Klaus Mainzer von der TU München in „Big Data – Innovative Chancen und Risiken. Zur Dynamik komplexer Systeme in Natur, Technik, Finanz und Gesellschaft“. Globalisierung und weltweite Vernetzung tragen dazu bei, dass singuläre Ereignisse häufiger ungeahnte Wirkungen auslösen, beispielsweise die Katastrophe in Fukushima zu der Wende der bundesrepublikanischen Energiepolitik oder ein Immobilienhype in der Region um Boston zur Weltfinanzkrise. Solche Auslöser von Wirkungsketten sind nur schwer wenn überhaupt zu eliminieren und/oder zu entdecken.

Intelligente Infrastrukturen expandieren rapide und lassen sich in Oberbegriffen wie Smart Home, Smart Cities, Big Data in Health und Industrie 4.0 (oder „Industrial Internet“) zusammenfassen. Die Rasanz der Entwicklungen in der Automobilindustrie lässt sich daran ermessen, dass BMW soeben 500 Experten in Künstlicher Intelligenz eingestellt hat, dass das Auto schon heute mit Big-Data-basierten Anwendungen vollgestopft ist und dass zur Durchsetzung des fahrerlosen Autos (mit einer weitgehenden Reduzierung der Unfalltoten als Folge) eine neue Infrastruktur benötigt wird. Der Wandel des Gebäudes vom Stromkunden zum eigenen Stormversorger lässt sich gut am Haus des Bundesministeriums für Forschung und Bildung deutlich machen, das mit High Technology voll gestopft ist.

So rapide die Chancenvermehrung, so deutlich steigen die Risiken. Es wird geschätzt, dass in der EU in den nächsten zehn Jahren 40% der industriellen Arbeitsplätze entfallen. Sollte es dem Standort Deutschland, dessen Unique Selling Point industrielle Anwendungen sind, nicht gelingen, im Bereich der Industrie 4.0 vorn zu bleiben, würde es in wirtschaftliche Mittelmäßigkeit versinken und könnte zur ausgelagerten Werkbank der USA und der ostasiatischen Frontrunner werden.

Die Experten des Machine Learning waren seit den 40er Jahren bemüht, die Funktionsweisen des Gehirns nachzuahmen. So entstanden die Neuroinformatics. Mittlerweile sind die Big-Data-Algorithmen soweit gekommen, dass AlphGo von Google den Weltmeister in Go (einem ungleich komplizierteren Spiel als Schach) besiegte.

Vorhersagemodelle in Wirtschaft und Finanzwelt kranken daran, dass sie seit Adam Smith (der sich seinerseits an den Gravitationsgesetzen von Newton orientierte) auf die Annahmen einer Tendenz zum Gleichgewicht und der Normalverteilung von Risiken beruhen. Tatsächlich folgen Märkte einer nicht-linearen Dynamik und befinden sie sich – Schumpeter lässt grüßen – am Rande des Chaos. Die Finanzmärkte folgten ganz offensichtlich nicht den herrschenden Gleichgewichtsmodellen, so dass es hier am ehesten nahe lag, Frühwarnsysteme für extreme Situationen zu schaffen. Allerdings sind die durch maschinelle Transaktionen und eine weltweite Vernetzung getriebenen Finanzmärkte noch komplexer und volatiler geworden.

Und wenn wir die Entscheidungen den Maschinen überlassen, können aus den Interaktionen zwischen ihnen ungeahnte Katastrophen entstehen, weil wir die Berücksichtigung bestimmter „externer Effekte“ nicht einprogrammiert haben? Siehe die diversen Pannen durch die computergesteuerten Transaktionen an der New York Stock Exchange.

Um mit Extremsituationen und den ihnen innewohnenden besonderen Gefahren fertig zu werden, wurden alternative Verfahren zu den Gleichgewichtsmodellen entwickelt, beispielsweise Szenarien und Stresstests, wobei man sich im Zweifelsfall an dem schlimmstmöglichen Fall orientiert. Gleichwohl ersetzen Korrelationen in der datengetriebenen Wissenschaft Erklärungen und Begründungen (noch) nicht und bedarf es nach wie vor (noch) des menschlichen Wissenschaftlers mit einem Verständnis für die zugrunde liegenden biochemischen Prozesse, um das beste Medikament zu finden. Allerdings sind die Algorithmen in den Naturwissenschaften bereits so weit, dass sie von sich aus neue Zusammenhänge als Naturgesetze vorschlagen, worauf wir vielleicht nie gekommen wären.

___________________________________________________________________________

Da wir uns ernsthafte Sorgen machen müssen, gibt es auch ein Zuviel an Konsens.

___________________________________________________________________________.

Am Ende wurden die Chancen von Big Data doch stärker als ihre Risiken betont, was freilich vorauszusehen war. Allerdings würde ein düsterer Untergangstheoretiker oder zumindest ein Datenschutzfreak der Podiumsdiskussion gut getan haben, zumal es angesichts der partiellen Übernahme der Wirtschaft und Wissenschaft durch die Maschinen ernsthafte Gründe sich zu sorgen gibt.

Am Moderator Rafael Ball lag es dennoch nicht, dass unter den Referenten der Konsens vorherrschte. Das lag vielleicht daran, dass die Referenten so viel wussten und uns so viel zu sagen hatten, als dass sich Gelegenheit ergeben hätte sich untereinander zu streiten. Dabei wäre ein Dissens und sei es in Kleinigkeiten willkommen gewesen, beispielsweise als alle Referenten der Ansicht zu sein schienen, die Nutzer sollten für ihre Nutzung persönlicher Daten durch die Internet-Konzerne finanziell entlohnt werden. Verwechselten sie an dieser Stelle Werte und Preise, so dass sie zu der Ansicht gelangt waren, die kostenfreien Dienste von Facebook und Google seien nichts wert?

Lesen Sie in der nächsten Folge: Angemessene Regulierungen und Leitlinien für Big-Data-Anwendungen in Unternehmen.

Anzeige

FAQ + Hilfe