Seite - 7 - in Die Big-Data-Debatte - Chancen und Risiken der digital vernetzten Gesellschaft

7 Datenmaterial zu erkennen und zu deuten. Und sie müssen in der Lage sein, diese Muster auch auf neue Daten anzuwenden und sich selbstständig in einem begrenzten Rahmen Lösungswege zu erarbeiten. Für diesen Prozess müssen zwei Bedingungen erfüllt sein: Zum einen benötigt das System riesige Datenmengen, um den Algorithmus zu trainieren. So hat Google alle im Internet vorhandenen Texte in sein Sprachübersetzungstool ein- gegeben, um alle möglichen Muster des Gebrauchs von Wörtern zu trainieren (Mayer-Schönberger und Ramge 2018, S. 78). Zum anderen braucht das System beständiges Feedback, um sich selbst an neue und veränderte Umstände anpassen zu können. Big Data und Algorithmen bzw. Künstliche Intelligenz sind also kom- plementäre Elemente. Wohl deshalb werden die drei Begriffe oft synonym ver- wendet, um diese neue Stufe der Verarbeitung von gigantischen Datenvolumina zu beschreiben. Es ist die Verbindung dieser drei Elemente, die das Potenzial für technologische Sprünge erzeugt. 1.1.3 Arten, Herkunft und Nutzer von Daten: Annäherung an eine Dual-Use Technologie Um Massendaten nutzen zu können, müssen sie zuvor allerdings analysierbar gemacht werden. Kein Problem ist das bei sogenannten strukturierten Daten, ins- besondere solchen, die als Zahlen oder Buchstaben in Tabellenform erfasst sind und die sich in Datenbanken z. B. von Suchmaschinen leicht und schnell durch- suchen lassen. Hinzukommen aber die sogenannten unstrukturierten Daten, die z. B. als Textdateien, Präsentationen, Videos, Audiodaten unbearbeitet vor- liegen, d. h. in einer nicht formalisierten, oft nutzergenerierten Struktur von den Nutzern selbst ins Netz gestellt werden (‚user generated content‘) und in denen nicht zuletzt das Verhalten von Menschen, deren Präferenzen und Stimmungen aufgezeichnet werden, und zwar unabhängig davon, ob diese explizit geäußert werden oder nicht. Um sie dennoch analysieren zu können, kommen Verfahren wie Text- und Spracherkennung oder Stimmanalysen zum Einsatz. Damit sind unstrukturierte Daten ebenfalls zu analysieren, denn die in ihnen gespeicherten Informationen lassen sich in strukturierte Daten umwandeln, dementsprechend durchsuchen und schließlich auf Korrelationen überprüfen. Unstrukturierte Daten enthalten also latente Informationen, z. B. über Persön- lichkeitsmerkmale oder Emotionen, die dann neben den demografischen Daten wie Alter, Geschlecht oder Wohnort für die personalisierte Ansprache genutzt wer- den, um den Nutzer beispielsweise ganz banal in seinen persönlichen Präferen- zen für Streaming-Dienste, aber genauso auch in seinen Sicherheitsbedürfnissen 1.1 Big Data und Datenschutz im politischen …