Data Literacy

Dr. Simon David Hirsbrunner

Senior researcher am Internationalen Zentrum für Ethik in den Wissenschaften (IZEW) der Universität Tübingen

Verfahren des maschinelles Lernens revolutionieren derzeit die Art, wie wir aus digitalen Daten Wissen generieren können. Dadurch ergeben sich neue Möglichkeiten wissenschaftlicher Erkenntnisse, vielfältige Vorteile für Konsument*innen, neue Geschäftsfelder für Unternehmen, aber auch potentielle Chancen für die Adressierung gesellschaftlicher Herausforderungen wie dem Klimawandel. Durch die Kraft dieser Technologien und deren Einbettung in Dateninfrastrukturen und soziale Handlungsfelder ergeben sich jedoch auch eine Reihe gesellschaftlicher Risiken. Gerade in Hochrisiko-Bereichen wie der Verarbeitung biometrischer Daten oder der Anwendung von KI in der polizeilichen Ermittlungsarbeit muss sichergestellt werden, dass Betroffene vor ethisch problematischen Wirkungsweisen der Technologie geschützt werden. So muss beispielsweise verhindert werden, dass es bei Entscheidungen der KI zu Verzerrungen kommt, die Nachteile für Betroffene aus unterprivilegierten Gruppen (Gender, Ethnie, Behinderung, etc.) mit sich bringen. Mit diesen und ähnlichen Fragen (bspw. Schutz von Privatheit, Erklärbarkeit und Transparenz, Vertrauenswürdigkeit) beschäftigt sich das Forschungsfeld der KI-Ethik. Doch wie können ethische Prinzipien in der praktischen Entwicklung von KI verhandelt und operationalisiert werden? Wie lassen sich die unterschiedlichen Interessen von technischen Entwickler*innen, Anwender*innen und Betroffenen miteinander in Einklang bringen oder auch kontrovers diskutieren? Der Beitrag führt hierzu in inter- und transdisziplinäre Ansätze wie die integrierte Technikentwicklung, Werte-sensitives Design und reflexive data science ein und illustriert anhand von verschiedenen KI-Anwendungsfeldern (Social Media Analytics, Erkennungstechnologie in der polizeilichen Ermittlungsarbeit, etc.).

Miriam Klöpper, M.A.

Wissenschaftliche Mitarbeiterin am FZI Forschungszentrum Informatik Karlsruhe

In weiten Teilen des Personalmanagements kommen immer häufiger sogenannte People-Analytics-Anwendungen zum Einsatz. Basierend auf algorithmischen Auswertungen sollen diese Anwendungen automatisiert beispielsweise Produktivität der Beschäftigten ermitteln, geeignete Teamzusammensetzungen und ungewollte Fluktuation prognostizieren oder auch Lebensläufe von Bewerber*innen auswerten. Dabei analysieren die Anwendungen sowohl historisch im Unternehmen gewachsene Datensätze, sammeln aber auch kontinuierlich von Arbeitnehmer*innen ganz nebenbei generierte Daten, wie die Anzahl der gesendeten Emails oder geführten Telefonate bis hin zu Mausbewegungen oder Tastenanschlägen. Während Befürworter*innen der Systeme deren vermeintliche Neutralität und Fairness loben, kommen einige Wissenschaftler*innen zu dem Schluss, dass die Nachteile der Technologie, zum Beispiel die Verstärkung sozialer Ungerechtigkeiten und Diskriminierung durch Vorurteile in den Datensätzen, die positiven Aspekte deutlich überwiegen. Im Vortrag werden diese Systeme und die zugrundeliegenden Datensammlungen betrachtet und es wird erörtert, ob ein Einsatz der Systeme in Sinne der Arbeitnehmenden überhaupt möglich ist.

Diana M. Tangen

Stellv. Leitung Benutzung und Leitung Informationskompetenz der KIT-Bibliothek. Leitung der Fachbibliotheken der Hochschule Karlsruhe, Technik und Wirtschaft (FBH) sowie der Dualen Hochschule Baden-Württemberg, Standort Karlsruhe (FBD)

Im Zuge der digitalen Transformation gewinnen Datenkompetenzen zunehmend für die globale Wissensgesellschaft in allen Bereichen und Disziplinen an Bedeutung. Bereits im Studium sollte die Fähigkeit, planvoll mit Daten umzugehen und sie im jeweiligen Kontext bewusst einzusetzen, vermittelt werden.Wissenschaftliche Bibliotheken übernehmen eine aktive Rolle bei der Förderung von überfachlichen Datenkompetenzen und bei der Entwicklung von Werkzeugen zum Forschungsdatenmanagement sowie dem dauerhaften Betrieb von Datenrepositorien.

Prof. Dr. Achim Streit

Direktor des Steinbuch Centre for Computing (SCC), KIT

Big Data, Data Analytics, Künstliche Intelligenz und Cloud Computing sind Schlagworte des heutigen Lebens in Wissenschaft, Wirtschaft und Gesellschaft. Dieser Vortrag gibt einen Überblick über die Aktivitäten des Steinbuch Center for Computing (SCC) des KIT in diesen Themenbereichen und ermöglicht und unterstützt damit die Generierung von Wissen aus Daten.

Prof. Dr. Michael Mönnich

Stellvertretender Direktor der KIT-Bibliothek

Metadaten sind Daten, die Informationen über Objekte enthalten. Dabei kann es sich um analoge Dinge wie Bücher, Gemälde und andere Artefakte oder digitale Daten wie Computerdateien, Videos oder Forschungsdaten handeln. Metadaten sind immer strukturiert und maschinell lesbar. Sie sind unerlässlicher Bestandteil jeder größeren Datensammlung und stellen die Grundlage für Vorgänge wie Internetsuche, Webindexierung und Data Mining dar. Auf der Auswertung von Metadaten basieren auch neuere Konzepte des Information Retrievals wie Semantic Web oder Web 3.0. Bei der Erstellung und Verarbeitung von Metadaten kommt dem Aspekt der Interoperabilität und der Standardisierung besondere Bedeutung zu. Im Vortrag werden neben den Grundlagen des Metadatenmanagements exemplarisch wichtige Standards für das Erstellen von interoperablen Metadaten vorgestellt sowie einige Beispiele für deren Verarbeitung gezeigt.

Angela Hühnerfuß, M.A.

Koordination KIT Graduate School Computational and Data Science

Dr. Sebastian Lerch

Leiter der Nachwuchsgruppe KI-Methoden für probabilistische Wettervorhersagen am Institut für Volkswirtschaftslehre (ECON)

Kontinuierliche wissenschaftliche und technologische Fortschritte haben in den vergangenen Jahrzehnten zu einer fundamentalen, jedoch oft wenig beachteten, Revolution der Wettervorhersage beigetragen. Dieser Vortrag gibt einen Überblick über die Entwicklung der Wettervorhersage von historischen Anfängen in der Antike bis hin zu physikalischen Modellen der Atmosphäre und modernen Methoden der Künstlichen Intelligenz. Der Fokus wird insbesondere auf der Rolle der Mathematik und der Daten für die moderne Wettervorhersage liegen.

Im Rahmen des Vortrags wird die KIT Graduate School Computational and Data Science des KIT-Zentrums MathSEE vorgestellt, die im Wintersemester 2022/23 startet. Die englischsprachige internationale Graduiertenschule bietet ein dreijähriges interdisziplinäres Qualifizierungsprogramm für Doktorandinnen und Doktoranden an, die am KIT an daten- und modellgetriebenen Projekten an der Schnittstelle zwischen Mathematik und einem SEE-Fach (Natur-, Wirtschafts- und Ingenieurwissenschaften) arbeiten. Die Themen der Promotionsprojekte umfassen ein breites Spektrum, von der Wettervorhersage bis hin zu cyber-physikalischen Systemen, die beim autonomen Fahren zum Einsatz kommen.

Dr. Andreas Kugel

OK Lab Karlsruhe

Neben wissenschaftlichen Daten (z.B. Satellitenbilder oder Wetterdaten) versuchen sich seit einiger Zeit auch öffentliche Verwaltungen an der digitalen Datenbereitstellung. Mit der Nutzung solcher Daten durch die Zivilgesellschaft - also durch uns alle - kann mehr Transparenz und demokratische Teilhabe erreicht werden. Im Vortrag werden zunächst am Beispiel einiger Open-Data-Portale typische Quellen, Zugangsmöglichkeiten und -probleme sowie nützliche Fertigkeiten und Werkzeuge gezeigt. Eine Auswahl von nicht-kommerziellen Anwendungen aus dem Umfeld des "Code For Germany" Netzwerks dient anschließend als Einstieg in die Diskussion.

Dr. Maren Lübcke

HIS-Institut für Hochschulentwicklung, stellvertretende Leiterin des Geschäftsbereichs Hochschulmanagement, Schwerpunkt Digitalisierung in Lehre und Forschung, Hannover

„Data Science“ bzw. Datenwissenschaft etabliert sich als rasch wachsende Wissenschaftsdisziplin mit hohem Innovationspotenzial an der Schnittstelle zwischen Angewandter Informatik, Mathematik, Statistik und weiteren Fachgebieten (z. B. Betriebswirtschaftslehre, Informationswissenschaften, Design und Kommunikation). Da die neuen Methoden der Aus- und Verwertung von großen Datenmengen international u. a. weitreichende Auswirkungen auf Geschäftsmodelle von Unternehmen und implizit auch auf die Ansprüche von Bürgern oder der Politik an die Akteure im öffentlichen Bereich haben, kommt der Wissenschaftsdisziplin Data Science gesamtgesellschaftlich wie makroökonomisch erhebliche Bedeutung zu. Angesichts eines vielfach diagnostizierten erheblichen Mangels an Expert(inn)en in diesem Bereich wird die Frage gestellt, welche Rolle Hochschulen bei der Deckung der Nachfrage nach Data ScienceExpert(inn)en am Arbeitsmarkt zukommt und ob Data Science darüber hinaus Potentiale auch für andere Wissenschaftsdisziplinen bietet.

© Kristina Schäfer

Dr. Stefan Brink

Landesbeauftragter für den Datenschutz und die Informationsfreiheit Baden-Württemberg a. D.

Abstract

Leistungsnachweis:

Leitfaden für Lernprotokolle