Bildschirmfoto 2017-06-08 um 15.00.38
| von Claas Berlin

In längst vergangenen Zeiten versuchten Forscher und Magier, die Zukunft mit allerlei Tricks vorherzusagen. Heute erledigen den Job der Data Analyst und Data Scientist.

Es ist einer der ältesten Träume der Menschen – in die Zukunft zu schauen. Und in jedem Zeitalter haben Menschen dafür Werkzeuge gebaut und mathematische Berechnungen angestrengt. So blickten Forscher, Magier und Astrologen in die Zukunft. Doch ein Hauptproblem war, dass niemand wirklich verstand, warum beispielsweise bestimmte Sternenkonstellationen eine Prophezeiung auslösen sollten. Deshalb gerieten viele dieser Methoden in Vergessenheit. In der Ära der Digitalisierung wollen Forscher und Wissenschaftler schlauer sein. Sie arbeiten zwar noch immer an Vorhersagen für die Zukunft, experimentieren dabei aber mit Superrechnern, virtuellen Modellen und Unmengen von Daten.

Dabei ist der Grundgedanke gleich: Aus der Analyse der Vergangenheit möchten sie Prognosen für die Zukunft gewinnen. Hilfreich ist, dass ihnen heute die Rechenpower von hocheffizienten Supercomputern und die dafür optimierte Software zur Verfügung stehen. Und dass die maschinelle Evolution in vielen Disziplinen die menschliche Evolution eingeholt und sogar überholt hat. So etwa bei der Kommunikation: Alle Wörter, die alle Menschen jemals gesprochen haben, entsprechen in etwa fünf Exabyte. Im Vergleich dazu lag der Datenverkehr über das Internet im Jahr 2015 bei rund 960 Exabyte. Die Stärke der Computer ist es, Daten über das Internet auszutauschen, zu verwalten und zu bewerten. Was sie aber – noch – nicht können, ist, diese Daten zu abstrahieren, ihre Bedeutung zu verstehen und so aus ihnen neues Wissen zu generieren. Also ist der nächste Schritt in der Evolution der Maschinen, den Geräten und Computern Abstraktionsfähigkeit und Kreativität einzupflanzen.

der Maschinen voran. Hierfür entstehen in hoher Geschwindigkeit neue Berufsbilder und Forschungszweige. Denn die virtuellen Modelle müssen nicht nur korrekt modelliert werden – sie wollen mit den richtigen Daten gefüttert werden, damit die Statistiksysteme sie exakt berechnen. Daraus ergibt sich dann der Ausblick auf die Zukunft. Der Data Analyst ist für das Suchen und Finden der Daten zuständig. Er muss die unterschiedlichsten Quell- systeme recherchieren, die Daten auf Qualität, Inhalt, Format analysieren und ihre Kosten berechnen.

An der eigentlichen Zukunftsprognose arbeitet dann der Statistiker – der Data Scientist. Er ist Mathematiker, der über ein grundlegendes Verständnis von Prozessen und Modellen verfügt. Seine Aufgabe ist es, die Weichen der Systeme richtig zu stellen, damit die Analysen in die beabsichtigte Richtung laufen. Heute bestimmen die Data Scientists das Bild unserer Welt. Sie arbeiten bei Google, Apple, Amazon oder auch Samsung. Nur Insider kennen ihre Namen – aber in welchem Maße sie in den vergangenen Jahren unsere Welt verändert haben, zeigen die Erfolge der großen Webunternehmen. Sie alle sehen es als ihre Kernkompetenz, die unterschiedlichsten Daten zu erheben, zu verbinden und daraus neues Wissen zu generieren. Sie sind die neuen Magier des digitalen Zeitalters, denen der Ruf vorauseilt, in die Zukunft sehen zu können.

Bleibt die Frage, ob die Zukunftsforscher heute ihre Werkzeuge besser im Griff haben als beispielsweise die Astrologen der Vergangenheit. Big Data und maschinelles Lernen bilden die Grundlage für intelligente Systeme und sind Schlüsseltechnologien für die Weiterentwicklung von künstlicher Intelligenz. Moderne Lernalgorithmen sind in der Lage, hochkomplexe Aufgaben selbstständig und mit annähernd menschlicher Präzision zu lösen. Das Problem: Obwohl jemand die Systeme programmiert hat, agieren die intelligenten Algorithmen als Blackbox. „Es ist überhaupt nicht klar, warum sie zu dieser oder zu jener Entscheidung kommen und warum sie gelegentlich scheitern“, sagt Wojciech Samek, Gruppenleiter für maschinelles Lernen beim Fraunhofer-Institut für Nachrichtentechnik in Berlin. Die Lösung der Forscher ist ein Big-Data-Programm, das die Prozesse innerhalb anderer Big-Data-Programme kontrolliert, analysiert und nachvollziehbar macht.

Autor: Christian Raum

Illustrationen: Fotolia/ TRIKONA, Sabina Vogel

Dieser Artikel erschien erstmals in der automotiveIT 03/04 2017