Dataismus: Idee oder Ideologie?

Das Konzept des Dataismus, das erstmals im Februar 2013 von David Brooks in der New York Times vorgestellt wurde, gewann durch Werke wie Steve Lohrs Buch „Data-ism“ (2015) und Yuval Noah Hararis „Homo Deus: A Brief History of Tomorrow“ an Dynamik. 2016). Dieser aufkommende Trend legt nahe, dass Daten eine beispiellose Bedeutung für die Gestaltung der Zukunft der Gesellschaft, der Kultur und sogar der Spiritualität haben.

David Brooks führte den Begriff „ Dataismus “ 2013 in einem Artikel mit dem Titel „The Philosophy of Data“ ein. Brooks diskutierte den zunehmenden Einfluss von Daten und ihrer Interpretation in verschiedenen Aspekten der Gesellschaft. Sein Schwerpunkt lag darauf, nachdenkliche Diskussionen über die Auswirkungen einer zunehmend datengesteuerten Welt und die potenziellen Einschränkungen anzuregen, die sich daraus ergeben, sich ausschließlich auf Daten zu verlassen, um menschliches Verhalten und die Gesellschaft zu verstehen.

Lohrs Arbeit zeigt, wie Daten verwendet werden, um Muster zu analysieren, Vorhersagen zu treffen und Prozesse in Bereichen wie Wirtschaft, Gesundheitswesen, Bildung und mehr zu optimieren. Er diskutiert, wie datengesteuerte Technologien wie künstliche Intelligenz und maschinelles Lernen die Entscheidungsfindung revolutionieren und neue Möglichkeiten zum Verständnis komplexer Systeme bieten.

In „Homo Deus“ untersucht Harari die Auswirkungen des Datenismus neben anderen möglichen Zukunftsszenarien, wie dem Aufstieg künstlicher Intelligenz, Gentechnik und Biotechnologie. Sein Ziel ist es, zum Nachdenken und zur Diskussion über die möglichen Folgen dieser Entwicklungen für die menschliche Gesellschaft, Kultur und sogar Spiritualität anzuregen. Hararis Ansatz ist eher analytisch und spekulativ als präskriptiv und lässt den Lesern Raum, sich eine eigene Meinung über die Vorzüge und Herausforderungen des Datenismus und seine Auswirkungen auf die Zukunft zu bilden.

Was ist Dataismus?

Dataismus kann als ein Glaubenssystem betrachtet werden, das Daten als die grundlegendste und mächtigste Kraft betrachtet, die den menschlichen Fortschritt vorantreibt. Da wir immer mehr aus Daten lernen, werden Entscheidungen mehr auf der Analyse von Daten als auf Erfahrung und Intuition basieren. Das bedeutet mehr Wissenschaft und weniger Erfahrung. Bedenken Sie jedoch, dass Erfahrung und Intuition im Wesentlichen riesige Datenmengen sind, die von unserem Gehirn verarbeitet werden. Da die Rechenleistung unseres Gehirns jedoch von der Rechenleistung von Maschinen übertroffen wird, wird sich die Wissenschaft eher auf Maschinendaten als auf die Daten des menschlichen Gehirns stützen.

Der Dataismus legt nahe, dass das gesamte Universum als Datenflüsse interpretiert werden kann und dass alle Phänomene, einschließlich des menschlichen Verhaltens, auf Datenprozesse reduziert werden können. In dieser Weltanschauung werden menschliches Bewusstsein, Emotionen und Kreativität als komplexe Algorithmen betrachtet, die aus Dateninteraktionen entstehen. Der menschliche Fortschritt wird von einer einzigen Frage bestimmt: Wie generieren und verarbeiten wir mehr Daten und wie machen wir das Beste daraus? Das Wohl der Daten und das Wohl der Menschheit sollen ein und dasselbe sein.

Was aber, wenn „das Wohl der Daten“ in manchen Fällen im Widerspruch zu Privatsphäre, Sicherheit, Bewusstsein und unserem Recht auf Datenkontrolle und Einwilligung steht?

Eine Momentaufnahme der technologischen Landschaft

Um zu verstehen, wie sich Daten auf die Technologie auswirken und was den Bedarf an immer mehr Daten antreibt, werde ich drei Technologiebereiche vorstellen. IoT ist ein gutes Beispiel dafür, woher all diese Daten kommen. Dann kommen Big Data und Analysen ins Spiel, um im Zuge des technologischen Fortschritts riesige Datenmengen zu sammeln und zu analysieren. Als letzte Anwendung wird auch KI mit ML untersucht.

Internet der Dinge (IoT)

IoT bezieht sich auf ein Netzwerk miteinander verbundener Geräte, Objekte und Systeme, die ohne direktes menschliches Eingreifen kommunizieren, Daten austauschen und Aktionen ausführen können. Diese Geräte sind mit Sensoren, Aktoren und Kommunikationsfunktionen ausgestattet, die es ihnen ermöglichen, Daten über das Internet oder andere Kommunikationsnetzwerke zu sammeln und zu übertragen.

IoT-Geräte sind mit verschiedenen Arten von Sensoren ausgestattet, die Daten aus der physischen Umgebung oder Benutzerinteraktionen erfassen können. Diese Sensoren können Informationen wie Temperatur, Luftfeuchtigkeit, Druck, Lichtstärke, Bewegung, Standort und mehr erfassen. Die von IoT-Geräten gesammelten Daten werden zur Verarbeitung, Analyse und Interpretation an zentrale Plattformen oder cloudbasierte Systeme gesendet.

Zu den Bewerbungen gehören unter anderem:

Stadtplanung

IoT-Daten sind für die Optimierung der städtischen Infrastruktur und Stadtplanung von unschätzbarem Wert. In Ampeln, Parkplätzen, Abfallentsorgungssystemen und öffentlichen Verkehrsmitteln eingebettete Sensoren können Echtzeitdaten über Verkehrsfluss, Auslastung, Energieverbrauch und Umweltbedingungen liefern. Stadtplaner können diese Daten nutzen, um fundierte Entscheidungen über Verkehrsmanagement, Abfallsammelrouten und Ressourcenzuteilung zu treffen.

• Gesundheitsüberwachung

  IoT-Geräte spielen eine wichtige Rolle bei der Fernüberwachung des Gesundheitswesens. Tragbare Geräte wie Fitness-Tracker und medizinische Sensoren können die Vitalfunktionen, das Aktivitätsniveau und den Gesundheitszustand von Patienten kontinuierlich überwachen. Diese Daten werden an Gesundheitsdienstleister übermittelt, um Gesundheitsprobleme frühzeitig zu erkennen und rechtzeitige Interventionen zu ermöglichen.

  
  

• Optimierung des Energieverbrauchs

  IoT-fähige intelligente Messgeräte und Sensoren können Energieverbrauchsmuster in Häusern, Gebäuden und Industrieanlagen überwachen. Diese Daten können analysiert werden, um Möglichkeiten für Verbesserungen der Energieeffizienz zu identifizieren. Intelligente Thermostate, Beleuchtungssysteme und Geräte können ihren Betrieb auch auf der Grundlage von Echtzeitdaten anpassen und so die Energieverschwendung reduzieren.

  
  

• Landwirtschafts- und Umweltüberwachung

  IoT-Geräte, die in landwirtschaftlichen Umgebungen eingesetzt werden, können Bodenfeuchtigkeit, Temperatur und Nährstoffgehalt überwachen. Diese Informationen helfen Landwirten, Bewässerungs- und Düngeprozesse zu optimieren und so bessere Ernteerträge zu erzielen. Darüber hinaus können IoT-Sensoren zur Umweltüberwachung eingesetzt werden, beispielsweise zur Verfolgung der Luft- und Wasserqualität in Echtzeit.

  
  

• Industrielle Automatisierung

  IoT revolutioniert industrielle Prozesse durch Industrial IoT (IIoT). Vernetzte Sensoren und Geräte in Fertigungsumgebungen ermöglichen eine vorausschauende Wartung, indem sie Maschinen und Geräte auf Anzeichen von Verschleiß überwachen. Dadurch werden Ausfallzeiten minimiert und die Wartungskosten gesenkt.

  
  

• Einzelhandel und Supply Chain Management

  IoT-Geräte in Einzelhandelsumgebungen, wie RFID-Tags und Beacons, ermöglichen die Bestandsverfolgung und -verwaltung. Einzelhändler können Lagerbestände überwachen, Artikelbewegungen verfolgen und die Regalplatzierung optimieren, um das Kundenerlebnis zu verbessern und Lieferketten zu rationalisieren.

  
  

• Intelligente Häuser

  IoT-Geräte in Smart Homes ermöglichen es den Bewohnern, verschiedene Aspekte ihrer Wohnräume aus der Ferne zu steuern und zu überwachen. Intelligente Thermostate, Türschlösser, Beleuchtung und Unterhaltungssysteme können über Smartphones verwaltet werden, was den Komfort und die Energieeffizienz erhöht.

Big Data und Analysen

Das exponentielle Wachstum der von Einzelpersonen, Unternehmen, Geräten oder Sensoren in verschiedenen Branchen generierten Daten hat den Weg für Big-Data-Analysen geebnet. Es ermöglicht Einblicke in das Verbraucherverhalten, gesellschaftliche Trends und wissenschaftliche Erkenntnisse, die bisher unerreichbar waren. Unter Big Data versteht man extrem große und komplexe Datensätze, die mit herkömmlichen Datenverarbeitungstools nicht effektiv verwaltet, gespeichert und analysiert werden können. Diese Datensätze sind durch die drei Vs gekennzeichnet:

• Volumen. Die schiere Menge an generierten und gesammelten Daten reicht oft von Terabyte bis Petabyte oder mehr.

  
  

• Geschwindigkeit. Die Geschwindigkeit, mit der Daten in Echtzeit oder nahezu in Echtzeit generiert, gesammelt und verarbeitet werden.

  
  

• Vielfalt. Das vielfältige Spektrum an Datentypen und -quellen, einschließlich strukturierter, halbstrukturierter und unstrukturierter Daten.

Unter Big-Data-Analyse versteht man den Prozess der Extraktion wertvoller Erkenntnisse und Muster aus großen und komplexen Datensätzen. Seine tiefgreifenden Auswirkungen auf eine Reihe von Branchen lassen sich wie folgt zusammenfassen:

• Geschäfts- und Marketing-Einblicke

  Big-Data-Analysen ermöglichen es Unternehmen, Verbraucherverhalten, Vorlieben und Trends zu analysieren. Diese Informationen können verwendet werden, um fundierte Entscheidungen über Produktentwicklung, Marketingstrategien und Kundenbindung zu treffen.

  
  

• Gesundheitswesen und Biowissenschaften

  Im Gesundheitswesen können Big-Data-Analysen genutzt werden, um Krankheitsmuster zu erkennen, Ausbrüche vorherzusagen, Behandlungspläne zu personalisieren und potenzielle Medikamentenkandidaten zu entdecken.

  
  

• Wissenschaftliche Forschung

  Forscher in verschiedenen Bereichen können Big-Data-Analysen nutzen, um riesige Datenmengen zu verarbeiten und zu analysieren, die durch Experimente, Simulationen und Beobachtungen generiert werden. Dies hat zu Durchbrüchen in Bereichen wie Genomik, Astronomie und Klimawissenschaft geführt.

  
  

• Intelligente Städte

  Städtische Gebiete erzeugen eine erhebliche Menge an Daten zu Verkehr, Energieverbrauch und Bürgerverhalten. Big-Data-Analysen können Stadtplanern dabei helfen, die Ressourcenverteilung zu optimieren und die Lebensqualität zu verbessern.

  
  

• Finanzen

  Finanzinstitute nutzen Big-Data-Analysen zur Betrugserkennung, Risikobewertung, zum algorithmischen Handel und zum Kundenbeziehungsmanagement.

  
  

• Sozialwissenschaften

  Soziale Medien und Online-Plattformen generieren eine Fülle von Daten, die Forscher analysieren können, um gesellschaftliche Trends, Stimmungsanalysen und öffentliche Meinungen zu verstehen.

  
  

• Optimierung der Lieferkette

  Big-Data-Analysen können die Effizienz der Lieferkette verbessern, indem sie Daten zu Lagerbeständen, Produktionsplänen und Nachfragemustern analysieren.

  
  

• Umweltüberwachung

  Sensoren und Datenerfassungsgeräte liefern Daten zu Umweltfaktoren wie Luftqualität, Wasserständen und Artenvielfalt. Big-Data-Analysen können dabei helfen, Ökosysteme zu überwachen und zu verwalten.

Künstliche Intelligenz und maschinelles Lernen

KI und maschinelles Lernen sind für Training und Verbesserung stark auf Daten angewiesen. Diese Technologien analysieren riesige Datensätze, um Muster zu erkennen und Vorhersagen zu treffen, und übertreffen dabei oft die menschlichen Fähigkeiten. Das Potenzial der KI, Daten zu verstehen und zu manipulieren, könnte zu neuen Durchbrüchen in verschiedenen Bereichen führen.

Dabei spielen Daten eine entscheidende Rolle:

• Trainingsdaten

  Damit KI-Systeme Muster lernen können, müssen sie mit riesigen Mengen an Trainingsdaten konfrontiert werden. Diese Daten sind beschriftet, d. h. sie sind mit den richtigen Antworten oder Ergebnissen versehen. Um beispielsweise einer Maschine beizubringen, Katzen zu erkennen, muss sie zahlreiche Bilder von Katzen zusammen mit ihren Etiketten sehen.

  
  

• Merkmalsextraktion

  Beim maschinellen Lernen sind Merkmale die relevanten Merkmale oder Attribute der Daten, die die Vorhersagen des Modells beeinflussen. Die Qualität und Relevanz der Funktionen wirken sich erheblich auf die Leistung des Modells aus. KI- und ML-Algorithmen extrahieren automatisch Merkmale aus den Daten, um aussagekräftige Darstellungen zu erstellen.

  
  

• Modellbau

  Anhand der Trainingsdaten erstellen KI/ML-Algorithmen Modelle, die die zugrunde liegenden Muster in den Daten erfassen. Diese Modelle können Entscheidungsbäume, neuronale Netze, Support-Vektor-Maschinen und mehr sein. Je besser die Datenqualität, desto genauer und robuster werden die Modelle.

  
  

• Verallgemeinerung

  Sobald die Modelle trainiert sind, können sie ihr Lernen auf neue, unsichtbare Daten übertragen. Dies ist eine Grundlage für Vorhersagen oder Klassifizierungen anhand realer Daten. Je vielfältiger und repräsentativer die Trainingsdaten sind, desto besser ist die Generalisierung des Modells.

Zusammenfassung

Auf individueller Ebene können Daten den Menschen dabei helfen, Selbsterkenntnis zu gewinnen, sich zu verbessern und erfolgreich zu sein. Auch auf Gemeinde- oder Unternehmensebene sind Daten von größter Bedeutung. Die Analyse von Stärken, Schwächen, Chancen und Trends ist ein datengesteuertes Unterfangen. Auf Länderebene werden die internen Richtlinien des Landes sowie externe geopolitische Entscheidungen in hohem Maße von Daten bestimmt.

Die Bedeutung von Daten kann heute und in den kommenden Jahren nicht genug betont werden. Der Dataismus kann nur eine zum Nachdenken anregende Idee sein oder sich zu einer Ideologie entwickeln. Auf jeden Fall werden mit der zunehmenden Integration von Daten in die Gesellschaft ethische Überlegungen zu Dateneigentum, Datenschutz und Einwilligung immer wichtiger. Eine weltweite Regulierung ist notwendig und Rahmenwerke wie DSGVO und CCPA sind ein guter Ausgangspunkt. Datenschutzrichtlinien, Mitarbeiter- und Bürgerschulungen, Datensicherheitsmaßnahmen, Benutzerzugriffskontroll- und Zustimmungsmechanismen, Pläne zur Reaktion auf Datenschutzverletzungen, Transparenz und Ethikinitiativen sind Dinge, die es zu berücksichtigen gilt.

Schließlich sollten Daten das Werkzeug zum Erreichen von Zielen sein, nicht das Ziel selbst.