{"id":10985,"date":"2015-06-01T12:30:29","date_gmt":"2015-06-01T12:30:29","guid":{"rendered":"https:\/\/blog.donottrack-doc.com\/?p=10985"},"modified":"2015-06-02T08:23:39","modified_gmt":"2015-06-02T08:23:39","slug":"die-klassifizierungsmaschine","status":"publish","type":"post","link":"https:\/\/blog.donottrack-doc.com\/de\/die-klassifizierungsmaschine\/","title":{"rendered":"Big Data: Die Klassifizierungsmaschine"},"content":{"rendered":"

Sie m\u00f6chten alles \u00fcber die Gewohnheiten von Mobiltelefonbenutzern erfahren? Big Data. Sie m\u00f6chten bestimmte Zielkunden im Internet ansprechen? Big Data. Sie m\u00f6chten das Geheimnis der erfolgreichsten Serien auf Netflix<\/em><\/a> l\u00fcften oder herausfinden, ob in einem Viertel Schlagl\u00f6cher<\/a> repariert werden m\u00fcssen? Big Data! Mit dem richtigen Algorithmus und der richtigen Menge an Daten \u2013 so versprechen Unternehmen im Bereich der Analyse von Megadaten<\/em> \u2013 k\u00f6nnen sie Antworten auf alle m\u00f6glichen Fragen finden. Aber wer stellt diese Fragen? Und kann man sich bei der Entscheidungsfindung auf Algorithmen verlassen?<\/p>\n

2015 ist das Jahr von Big Data. Das Konzept der Megadaten<\/em> gibt es seit nunmehr 40 Jahren. Dem Wirtschaftsmagazin Forbes<\/a> zufolge halten Big Data-Anwendungen jedoch in diesem Jahr Einzug in die Gesch\u00e4ftswelt und Unternehmensf\u00fchrung. Zahlreiche Unternehmen stellen sich auf Big Data ein und passen ihr Gesch\u00e4ftsmodell entsprechend an, um von neuen Chancen zu profitieren: unseren pers\u00f6nlichen Daten.<\/p>\n

Mega-Datenverkn\u00fcpfung<\/strong><\/p>\n

Statistische Analysen hat es immer gegeben. Anhand von Umfragen oder angekreuzten Feldern in einem Erfassungsformular kann mehr oder weniger genau die Wahrscheinlichkeit f\u00fcr die Wahl eines Kandidaten, die Anzahl der Autounf\u00e4lle in einem Jahr oder die Art von Mensch bestimmt werden, die voraussichtlich einen Kredit zur\u00fcckzahlt. Dabei k\u00f6nnen nat\u00fcrlich Fehler auftreten, aber die Zahlen helfen, gewisse Trends zu erkennen. Und anhand dieser Trends erhofft man sich eine Hilfe bei der Entscheidungsfindung.<\/p>\n

Heute erzeugen wir diese Daten zu Quintillionen: Daten von Kreditinstitutionen, Cookie-Daten \u00fcber das Navigationsverhalten von Usern (Episode 2<\/a>), Informationen von Mobiltelefonen (Episode 04<\/a>), 50 Millionen Fotos, 40 Millionen Tweets<\/em> und Milliarden von t\u00e4glich verschickten Dokumenten \u2013 ganz zu schweigen von den Daten, die durch Sportarmb\u00e4nder, Gadgets und intelligente Ger\u00e4te jeder Art erzeugt werden. Wie k\u00f6nnte man das anders nennen als Big Data?<\/p>\n

Die wahre Revolution von Big Data besteht jedoch nicht so sehr im Umfang, sondern vielmehr in der Art und Weise, wie diese Daten heute miteinander verkn\u00fcpft<\/em> werden k\u00f6nnen. Abgesehen von den Dingen, die sie (oftmals gegen unseren Willen) \u00fcber uns aussagen, sind es die zahlreichen Korrelationen und Verkn\u00fcpfungen, die eine Vorhersage der Gewohnheiten und Benutzerverhalten erm\u00f6glichen. Sie wollen Ihre Meinung online mitteilen? Eigentlich interessiert das niemanden. . Aber zu wissen, welche Worte Sie mit wem \u00fcber welches soziale Netzwerk und um welche Uhrzeit austauschen, das ist von Interesse und zahlt sich aus.<\/p>\n

Kategorisieren, um die Dinge besser zu lenken<\/strong><\/p>\n

Um in diesem Daten-Dschungel den Durchblick zu behalten wird die Bev\u00f6lkerung mit Hilfe von Algorithmen kategorisiert. So l\u00e4sst sich z. B. lediglich anhand einer Postleitzahl das Durchschnittsgehalt eines Verbrauchers vorhersagen. Die Agenturen Esri<\/a> und Claritas<\/a> behaupten sogar, allein aus dieser Information das Bildungsniveau, die Lebensweise, Familienzusammensetzung und das Konsumverhalten einer Person ableiten zu k\u00f6nnen. Und 2012 hat das Unternehmen Target<\/a> von sich reden gemacht, als es die Schwangerschaft einer Jugendlichen vorhersagte, noch bevor ihre Eltern informiert waren \u2013 nur weil sie bestimmte K\u00f6rperlotionen, Vitamine und Gegenst\u00e4nde in bestimmten Farben gekauft hatte.<\/p>\n

Damit die Algorithmen jedoch angemessen funktionieren, sind immer pr\u00e4zisere Kategorien f\u00fcr die Klassifizierung von Individuen erforderlich. Und genau hier lauert die Gefahr der Diskriminierung. Denn so einfach l\u00e4sst sich der Mensch eben nicht in Schubladen stecken.<\/p>\n

Vorhersage und Diskriminierung<\/strong><\/p>\n

Wie Kate Crawford in einem Interview in Episode 05<\/a> betont, sind es die Minderheiten und ohnehin schon diskriminierten Bev\u00f6lkerungsgruppen, die am meisten von Vorhersagefehlern betroffen sind. Je mehr ein Individuum der \u201eNorm\u201c oder einer vorgegebenen Kategorie entspricht, desto besser k\u00f6nnen seine Daten ausgewertet werden. Doch was geschieht, wenn man sich am Rande der Gesellschaft bewegt? Was passiert mit denjenigen, die sich nicht gem\u00e4\u00df den Vorhersagen von Amazon<\/em>, Google <\/em>oder Facebook<\/em> verhalten?<\/p>\n

Erst k\u00fcrzlich hat Facebook<\/a> zahlreiche Benutzer ver\u00e4rgert, als schlagartig entschieden wurde, eine der Nutzungsbedingungen des Unternehmens strikt anzuwenden. Besagte Bedingung schreibt vor, dass ein Benutzer seine wahre Identit\u00e4t verwenden muss. Damit verfolge man das Ziel, so das Unternehmen, f\u00fcr eine sicherere Umgebung zu sorgen, in der Hasstiraden eingegrenzt w\u00fcrden. Das erreichte Ziel war jedoch eher die Entfernung der Konten von Transgendern, Dragqueens, Ureinwohnern und \u00dcberlebenden von ehelicher Gewalt \u2013 unter dem Vorwand, diese Konten zeigten nicht den richtigen Namen. Eine Verletzung sowohl der Grundrechte als auch des Rechts auf Privatsph\u00e4re.<\/p>\n

Und wie steht es um die Diskriminierungen und Vorurteile, die durch die Algorithmen noch verst\u00e4rkt werden? Im Jahr 2014 klingelt die Polizei von Chicago bei dem jungen Robert McDaniels<\/a>. \u201eWir haben dich im Auge, B\u00fcrschchen\u201c<\/em>, warnen ihn die Polizisten. Ein vom Illinois Institute of Technology<\/em> entwickelter Algorithmus hatte den 22-J\u00e4hrigen auf die Liste der 400 potenziell Kriminellen gesetzt \u2013 ausgehend von kompilierten Daten \u00fcber sein Viertel, die Kreuzungen, an denen kurz zuvor Gewalttaten geschehen waren und das Ma\u00df, in dem er sich von Verbrechern fernhielt. Fast schon Science-Fiction … Und was, wenn ein Interpretationsfehler vorl\u00e4ge? Wie k\u00f6nnte man das wieder gut machen?<\/p>\n

Testen Sie selbst<\/strong><\/p>\n

Ehrlich gesagt: Es ist schwierig, wenn nicht sogar unm\u00f6glich, in Erfahrung zu bringen, wie unsere Daten kategorisiert werden \u2013 und noch schwieriger, der Kategorisierung zu entkommen. Alles h\u00e4ngt vom Unternehmen, dem verwendeten Algorithmus und den gesuchten Informationen ab. Einige Tools vermitteln jedoch einen kleinen Eindruck von der Art und Weise, wie das Internet uns kategorisiert:<\/p>\n