Zusammenfassung der Studie Big Data im Freistaat Bayern – Chancen und Herausforderungen
Die digitale Revolution verändert das Wirtschaftsgeschehen und die Gesellschaft in hohem Tempo. Infolge dieser radikalen Veränderungen vermehren sich explosionsartig die damit verbundenen Datenmengen. Im Jahr 2013 wurden so viele Daten produziert, wie in der gesamten Menschheitsgeschichte zuvor. Heute liegt der Bestand bei rund 12 Zettabyte, und die Menge wächst täglich rasant an – für 2020 rechnet man mit etwa 40 Zettabyte. Von diesen Daten sind allerdings rund 90 Prozent unstrukturiert, nur etwa drei Prozent lassen sich zum Beispiel über ein Schlagwort suchen. Klassische Datenbankarchitekturen und Auswertungsmöglichkeiten geraten hier an ihre Grenzen.
In der vbw Studie Big Data im Freistaat Bayern – Chancen und Herausforderungen (Prognos / Heckmann, 2016) werden der Status quo von Forschung und praktischer Anwendung in Bayern, Potenziale und Herausforderungen sowie die rechtlichen Rahmenbedingungen analysiert. Auf den Ergebnissen bauen die Handlungsempfehlungen des Zukunftsrats der Bayerischen Wirtschaft auf. Die Kernergebnisse der Studie sind im Folgenden zusammengefasst.
Big-Data-Technologien und -Anwendungen ermöglichen die Analyse von Daten, die zu groß oder zu komplex sind oder sich in zu großer Geschwindigkeit ändern, um sie mit den klassischen Methoden der Datenverarbeitung auswerten zu können. Den Kern von Big Data bildet aber nicht nur das Handling großer Datenvolumina. Erstmalig können große Mengen unstrukturierter, heterogener, unvollständiger und sogar fehlerhafter Daten verarbeitet werden – mit dem Ziel, valide Ergebnisse hervorzubringen.
Daten sind
- im computerspezifischen / informatischen Sinn jede Form von alphanumerischen Zeichen,
- nach DIN 44300 Teil 2 Nr. 2.1.13 Gebilde aus Zeichen, die aufgrund bekannter oder unterstellter Abmachungen Informationen darstellen, vorrangig zum Zwecke der Verarbeitung oder als deren Ergebnis,
- im strafrechtlichen Sinn je nach Vorschrift unterschiedlich definiert: § 202 a Abs. 2 StGB geht beispielsweise von einem Datenbegriff aus, der nur solche Daten erfasst, die elektronisch, magnetisch oder sonst nicht unmittelbar und wahrnehmbar gespeichert sind,
- im Sinne des Datenschutzrechts sämtliche Informationen über persönliche und sachliche Verhältnisse einer natürlichen Person, unabhängig von der Form der Darstellung oder Speicherung.
Für Big Data sind sämtliche Erscheinungsformen relevant. Hier spielen sowohl „Rohdaten“ als auch „aggregierte Daten“ eine Rolle. Rohdaten sind alle Daten in ihrer ursprünglich erfassten Form, aggregierte Daten sind Daten, die je nach Systemanforderung zusammengefasst, kategorisiert oder interpretiert worden sind. Big Data umfasst zugleich einen grundlegenden Wandel der Nutzung des verfügbaren Wissens – nahezu in Echtzeit und weltweit –, der dazu führt, dass neue Wettbewerber neue Dienstleistungen und Produkte in etablierten Märkten platzieren können. Produkte werden zukünftig sehr viel stärker mit Sensoren und Funkschnittstellen ausgestattet. Big Data zieht dadurch auch in traditionelleren Produktionsbereichen ein. Big-Data-Technologien und -Anwendungen profitieren bei ihrer Entwicklung und Ausbreitung von denselben günstigen Rahmenbedingungen wie die Digitalisierung im Ganzen, insbesondere von der steigenden Rechenleistung und dem Hardwarepreisverfall. Speziell für Big Data wirken sich die Verfügbarkeit von Open-Source-Produkten und die stetig steigende Datenmenge, unter anderem durch die Ausbreitung des „Internets der Dinge“, in dem internetfähige Objekte (z. B. Maschinen, Sensoren etc.) miteinander kommunizieren, beschleunigend aus.
Methoden und Verfahren
Visual Analytics
Hierbei handelt es sich um einen interdisziplinäreren Ansatz, der die Methoden der Visualisierung und der Mensch-Maschine-Interaktion mit Datenanalysen verbindet. Ziel ist es, Erkenntnisse aus extrem großen Datenmengen zu gewinnen, indem diese visuell aufbereitet werden, und somit Schlussfolgerungen durch den menschlichen Betrachter möglich zu machen.
Maschinelles Lernen
Dies ist eine Fachdisziplin der künstlichen Intelligenz. Es umfasst eine Reihe von Methoden, die zum Ziel haben, eine Maschine in die Lage zu versetzen, mit der Zeit eigenständig Objekte zu klassifizieren, Muster und Zusammenhänge zu erkennen sowie Prozesse zu optimieren. In der Regel werden Beispieldaten verwendet, um die Maschine zu trainieren und die Güte des gelernten Modells zu validieren.
(Künstliche) Neuronale Netzwerke
Es handelt sich dabei um eine Methode für maschinelles Lernen. Diese Algorithmen bilden die Vernetzungsstrukturen des menschlichen Gehirns (biologische Neuronen) und dessen Lernprozesse in abstrakter Weise nach : Künstliche neuronale Netzwerke bestehen aus einer Vielzahl sogenannter künstlicher Neuronen, die mit mathematisch beschriebenen Gewichtungsstärken miteinander verbunden sind. Während des Lernprozesses verändern sich diese Gewichtungen mit dem Ziel, einen möglichst fehlerfreien Output zu generieren.
Deduktion und constraint-basiertes Schließen durch Induktion und Abduktion
Diese Methoden können auf verschiedene Weise im Bereich Big Data zur Anwendung kommen. Deduktives Schließen wird in Inferenzsystemen (das heißt Systemen, die Regeln und Fakten über ein Fachgebiet enthalten, an denen eingegebene Informationen gemessen werden) eingesetzt, um semantische Zusammenhänge in großen Datenmengen zu erkennen. In constraint-basierten Ansätzen wird darauf abgezielt, neue Hypothesen für große Datenmengen zu finden. Hierbei kann man entweder Hypothesen aufstellen und diese in den vorhandenen Daten nachzuweisen versuchen oder umgekehrt, von Beobachtungen ausgehend generalisieren.
Informationsextraktion und Text Mining
Sie umfassen Techniken, die sich mit der Vorverarbeitung großer Datenmengen beschäftigen. Insbesondere bei der semantischen (bedeutungsmäßigen) Analyse von menschlicher Sprache oder großvolumigen Textinhalten kommen solche Methoden zum Einsatz. Ziel ist es, Terminologien und Ontologien (Darstellungen von Mengen an Daten und zwischen ihnen bestehenden Beziehungen) zu finden und für weiterführende Analysen nutzbar zu machen.
Analytische Architekturen
Sie sind ein wesentlicher Bestandteil von Big-Data-Technologien, da sie die Grundlage für das Verarbeiten der Daten bilden. Analytische Architekturen sind Plattformen, mit denen das Entgegennehmen, die Speicherung und Ausgabe von großen Datenmengen überhaupt erst ermöglicht werden.
Übersicht zu Methoden und möglichen Einsatzbereichen
|
Big Data Methode |
Einsatzbereich / Nutzen |
|
Visual Analytics |
Besonders geeignet, wenn ein Gesamtbild gezeichnet werden soll (z. B. von Prozessen im Unternehmen) ; einfache / intuitive, interaktive Darstellung der Ergebnisse |
|
Maschinelles Lernen |
Mustererkennung – zum Beispiel für vorausschauende Wartung oder Analyse von menschlicher Kommunikation für die Optimierung der Kundenschnittstelle |
|
Neuronale Netzwerke |
Automatisierte Mustererkennung in Daten und Ableitung bisher nicht erschließbarer Muster aus der Struktur der Daten; der Einsatz ist auch möglich, wenn im Vorfeld keine festen Gesetzmäßigkeiten in den Datensätzen bekannt sind – etwa bei der Gesichtserkennung |
|
Deduktion, Induktion, Abduktion |
Aufdecken von Regeln, Aufstellen und Testen von Hypothesen |
|
Informationsextraktion, Text Mining |
Rückschlüsse aus Daten ziehen, gemeinsame Eigenschaften und Widersprüche erkennen, fehlendes Wissen selbstständig aus dem vorhandenen ergänzen |
|
Analytische Architekturen |
Parallele Bearbeitung enormer, auch unstrukturierter Datenmengen – unter anderem für die Bewältigung zahlreicher gleichzeitiger Lese- und Schreibanfragen |
Eigene Darstellung, basierend auf Prognos / Heckmann, 2016
Die mit dem Begriff Big Data verbundenen Technologien und Anwendungen bieten Grundlagen für einen erheblichen wissenschaftlichen und technologischen Fortschritt. Sie ermöglichen es, aus der Analyse und Zusammenführung einer Vielzahl von heterogenen, umfangreichen und teilweise unstrukturierten Datenbeständen neue Informationen, Strukturen, Zusammenhänge, Modelle und Einsichten zu generieren.