sandtner.net

Menü Schließen

Ein Newsletter? Ja!

Seit einiger Zeit beschäftige ich mich mit Data Science und allem was dazu gehört. Ich überlege auch schon seit geraumer Zeit, einen Newsletter zu starten. Das hat viele Gründe. Einer davon ist, dass man gezwungen ist, regelmäßig Inhalte zu einem Thema zu erstellen. Sprich: Man setzt sich selbst irgendwie unter Druck.

Das Schwerpunktthema Data entstand aus der Tatsache heraus, dass ich mich damit intensiv beschäftige und sehe, dass diese Feld noch sehr groß ist und uns in Zukunft ziemlich beschäftigen wird. Seien es KI, Big Data, Datenvisualisierung oder die Herausforderungen im täglichen Leben damit.

Der Newsletter soll keine stupide Linksammlung sein, sondern kuratierte Themen beschreibt und beinhaltet bestimmt auch Spuren meiner eigenen Meinung.

Wer Interesse hat, kann sich direkt hier anmelden! Mehr Informationen findet ihr hier.



Photo by Stephen Dawson on Unsplash

My Corona – COVID-19 Update

Im letzten Post habe ich mich mit den Daten zu dem Corona/Covid-19-Virus beschäftigt. Dort habe ich ein paar Diagramme erstellt und (subjektive) Rückschlüsse daraus gezogen. Ein Kollege fragte mich, in Bezug auf den Vergleich zwischen den bestätigten Infektionen zwischen Deutschland und China, wie sich die Kurven im Verhältnis zur jeweiligen Bevölkerung verhalten.

Voilà, so schauts’ aus:

Diagramm: Bestätigte Infektionen in Bezug zur Bevölkerung.

Man sieht sehr schön: In Deutschland stehen wir am Anfang eines exponentiellen Anstiegs. In Bezug auf die Gesamtbevölkerung herrschen bei uns noch nicht die gleichen Herausforderungen, wie es in China ist und war.

Auf Hinweis des gleichen Kollegen habe ich auch die Infizierten, Geheilten und Toten gegenüber gestellt. Und siehe da: Wir haben stand 05.03.2020 mehr geheilte als bestätigt infizierte.

Diagramm: Vergleich der Infektionen, Heilungen und Toten

Es bleibt abzuwarten, wie sich das Virus in Europa und Amerika entwickelt, dennoch finde ich das diese positive Entwicklung auch mal erwähnt werden muss!

Coronavirus – oder: COVID-19 übernehmen sie!

Coronavirus? COVID-19? Nichts bestimmt die News mehr als dieser Virus, gegen den bisher keine Impfung und Heilmittel bekannt ist. Trotzdem sterben daran nur die Wenigsten. Daten dazu habe ich mir mal angeschaut und für mich interpretiert.

Da ich weder über eine geeignete medizinische Ausbildung, noch in der Forschung beschäftigt bin, habe ich die Daten rein aus persönlichem Interessen analysiert und interpretiert. Alle Interpretationen sind rein subjektiv und spiegeln meine Beobachtungen wider.

Vor allem diente mir dieser Case als Übung. Zum einen, um mit Pandas und Matplotlib zu arbeiten. Zum Anderen konnte ich die Analyse von Daten inkl. der Interpretation von Daten üben. Ich stelle in dem Post meist die Zahlen aus China und Deutschland in Bezug. Hintergrund ist, dass der Virus in China eine ganz andere Verbreitung hat, als in Deutschland. Hierbei kann man einige (subjektive) Rückschlüsse ziehen.

Die Daten habe ich aus dem Github-Repository von JHU CSSE entnommen. Dort findet man zum einen eine Gesamtübersicht über alle registrierten Fälle, als auch eine zeitliche Betrachtung der Fälle, jeweils aufgeteilt in Länder und, falls vorhanden, in deren Regionen. Die Daten dort sind immer Tagesaktuell und werden aktuell gehalten. Meine Analyse basiert auf den Daten vom 02.03.2020.

Weiterlesen

Mein 2019 in Zahlen

Ich habe mal meinen persönlichen Rückblick auf 2019 in Zahlen zusammengestellt. Es kam erwartungsgemäß nichts Überraschendes dabei heraus.

Weiterlesen

November challenge

Jedes Jahr im November findet der NaNoWriMo statt. Eine Challenge, mit dem Ziel, einen Roman in 30 Tagen zu schreiben. Als Roman gilt hierbei ein Text mit mindestens 50.000 Wörtern. Es muss nicht schlüssig sein, es geht ausschließlich um das Schreiben von rund 1.700 Worten pro Tag. Für mich ist das ein Ziel, dass ich aus Zeitgründen nicht erreichen kann. Dennoch habe ich den Zeitraum von 30 Tagen im November genutzt, um mir eine andere Challenge zu stellen, die mit schreiben zu tun hat. Mein Ziel: Jeden Tag einen Blogeintrag auf dieser Seite veröffentlichen. Länge und Inhalt dürfen variieren. Es geht in erster Linie darum, täglich sinnvolle Texte zu schreiben und zu veröffentlichen.

Weiterlesen

Hey, KI, was macht Erfolg aus?

Was tut man heute, wenn man zu irgendwas herausfinden möchte, warum es so ist, wie es ist? Genau, man verwendet eine „KI“! Oder besser gesagt, man analysiert große Datenmengen und zieht beeindruckende Schlüsse daraus. Genau das haben Dashun Wang und seine Kollegen der Northwestern University für das Thema „the essential prerequisite for success“ (die wesentliche Voraussetzung für den Erfolg) gemacht.

Es wurden ganz viele Daten von Unternehmen untersucht, klassifiziert und seziert, um endlich zu erkennen, wie man erfolgreich sein kann. Dabei kamen so erstaunliche Erkenntnisse zutage wie:

  • Jeder Gewinner startet als Verlierer
  • Erfolgreiche und nicht erfolgreiche Gründer haben ungefähr gleich oft versucht ihr Ziel zu erreichen.
  • Ständige Neuversuche sind nur dann erfolgreich, wenn man aus seinen vorherigen Fehlern gelernt hat
  • Gescheiterte Versuche lagen meist nicht daran, dass zu wenig gearbeitet wurde
  • Fail fast fail often
  • Es kommt immer darauf an wie man scheitert.

Ja, so steht es in deren Paper. Mir persönlich ist nicht wirklich klar, welche neuen Erkenntnisse diese Forschung zutage gebracht hat. Man stelle sich nur mal vor, es wäre eine Zauberformel für Erfolg dabei herausgekommen. Alle Neugründungen sind Erfolge! Jeder Mensch ist erfolgreich. Geht nicht? EBEN! Sieht mal wieder ein wenig nach KI Schlangenöl aus.

RING, RING! Der digitale Denunziant

2018 hat Amazon Ring übernommen. Ring ist Hersteller von intelligenten Türklingeln. Die Klingeln sind im Netzwerk eingebunden und haben Zugang zum Internet. Somit kann ein Bild des Besuchers auf unser Smartphone gesendet werden – egal wo wir uns gerade befinden. Neben den Klingeln sind auch Überwachungskameras im Angebot, ebenfalls mit Internetzugang. Was liegt also näher, als die Bilder und Videostreams zu analysieren, und dank moderner Gesichtserkennung auf verdächtige Personen hinzuweisen. Diese Idee hat Amazon noch etwas weiter gesponnen: Wird eine verdächtige Person erkannt, bekommt man einen Hinweis auf dem Smartphone. Ein großer (roter?) Knopf erscheint und wir können die Nachbarn informieren, dass hier etwas vor sich geht. Die Bürgerwehr kann sich dann formieren…

Im ersten Moment klingt das schlüssig. Denkt man darüber nach, woher die Daten für den Abgleich kommen und wie gut die Algorithmen sind, stellen sich einige Fragen:

  • Woher kommen die initialen Vergleichsdaten, mit den „verdächtigen“ Personen/Gesichtern?
  • Wo werden die Bilder gespeichert, wenn unschuldige Personen klingeln oder am Haus vorüber gehen?
  • Wer teilt die Personen in „verdächtig“ und „unschuldig“ ein?
  • Usw., usf.

Mit Blick auf die unterirdische Erkennungsrate, ahnt man, was bei dieser Nachbarschaftsüberwachung passieren wird. Der Onkel steht vor der Tür, klingelt und wird kurz darauf durch den Nachbarn mit Mistgabeln vom Hof gejagt. Sein Gesicht wird als „verdächtig“ gekennzeichnet und landet in irgendeiner Datenbank bei Amazon. Was dann mit dem Bild und der falschen Information passiert? Wer weiß das schon.

WTF, AI! Der Algorithmus sagt, du bist schuldig

Unter Predictive Policing versteht man die Vorhersage von Straftaten. Sie dient auch dazu Wiederholungstäter vorherzusagen. Es gibt einige Firmen, die hierzu schon Computergestützte Systeme anbieten und in Deutschland wird es teilweise schon genutzt. PredPol, PRECOBS, COMPAS und wie sie alle heißen. Das Versprechen ist das Gleiche: Verbrechen vorhersagen, die Rückfallwahrscheinlichkeit nennen oder gar die Wahrscheinlichkeit nennen, an einer Schießerei beteiligt zu sein.

Schon länger wird kontrovers darüber diskutiert. Man spricht von einer Vorhersagequote von rund 67 %. Das entspricht in etwa dem Ergebnis, dass eine Gruppe von Menschen erzielen kann, würden sie einfach wahllos raten. Die zugrunde liegenden Modelle sind nicht offen. Keiner weiß, wie die Algorithmen funktionieren bzw. wie sie trainiert wurden. Es gibt bestätigte Vermutungen, dass die Systeme rassistische Tendenzen haben.

Dass ein Algorithmus auch gezielt rassistisch eingesetzt werden kann, zeigt sich in China. Ein kürzlich geleaktes Dokument beschreibt nicht nur, wie in China Menschen gezielt interniert werden. Es beschreibt ebenfalls, dass eine Software gezielt dafür eingesetzt wird, potenzielle Staatsfeinde zu ermitteln. Grundlage dafür sind die Unmengen an Daten, die über die Menschen in China durch Überwachung gesammelt werden. In China kommuniziert nahezu jeder mit WeChat und bezahlt mittels WeChat Pay. Gepaart mit der flächendeckenden Überwachung kommen einige Daten zusammen. Wird jetzt gezielt nach einer ungeliebten ethnischen Gruppe gesucht, wird einem das Ausmaß klar. Erwähnenswert ist die Tatsache, dass diese ethnische Gruppe keine Minderheit in China ist. Sie ist mit etwas mehr als 10.000.000 Menschen die viertgrößte in China.

Wie hat es Amy Webb in ihrem Buch „The Big Nine“ treffend formuliert:

The G-MAFIA* is beholden to capitalist market forces; the BAT** serves the will of the Chinese government.

Genau so ist es.

* G-MAFIA: Google, Microsoft, Apple, Facebook, IBM, Amazon
**BAT: Baidu, Alibaba, Tencent

Photo by Emiliano Bar on Unsplash

Das dauert! Mobilität im Wandel

Die Automobilindustrie ist in einem Wandel, den sie so nicht vorhergesehen hat. Jahre in der Komfortzone haben dazu geführt, dass nur noch auf Profit und nicht auf die Käufer und Benutzer ihrer Produkte geachtet wurde. Es wurde vorsätzlich betrogen und getäuscht. Dank einer guten Lobbyarbeit sind sie mit einem blauen Auge aus dem Betrug davongekommen. Viel nachhaltiger ist das Verschlafen von aktuellen Entwicklungen wie Elektromobilität, Umweltbewusstsein und Sharing Economy. Wir erleben einen enormen Wandel in der Mobilität. Manchen Menschen geht der Wandel nicht schnell genug. Doch mit einem kurzen Blick auf die Zeit, die das Automobil benötigte, um sich so tief zu etablieren, erkennt man, dass es leider nicht ganz so schnell geht.

Weiterlesen

Lebenslang lernen: Man ist nie zu alt

Früher hätte man einen Menschen über 50 belächelt, wenn er gesagt hätte: Ich lerne jetzt Programmieren. Lebenslang lernen? Lieber nicht. Es herrschte der allgemeine Glaube, dass ab einem bestimmten Alter das Gehirn nicht mehr in der Lage ist neues zu lernen. Hieß es doch „Fürs Leben lernen“. Die Frage ist, wofür muss ich lernen, damit ich in 10 bis 20 Jahren gewappnet bin? Das kann keiner beantworten. Gerade der heutige Fortschritt geht so schnell, dass wir immer und ständig neues lernen müssen. Zum Glück ist unser Gehirn bis ins hohe Alter lernfähig.

Wie hoch das Alter sein kann, um etwas gänzlich Neues zu lernen und erfolgreich zu betreiben, zeigt Masako Wakamiya aus Japan. Die Dame ist 84 Jahre alt und App-Entwicklerin. Auch wenn sie mit erscheinen des ersten iOS SDK im Jahr 2008 angefangen hätte, wäre sie 73 Jahre alt gewesen. Das finde ich genauso beeindruckend wie inspirierend. Höre niemals auf Neues zu lernen! Egal wie alt du bist.

I have turned 84, and I feel I am more intelligent than before.

Masako Wakamiya

© 2020 sandtner.net. Alle Rechte vorbehalten.

Thema von Anders Norén.