Unter „Corporate Digital Responsibility“(CDR) wird allgemein die gesellschaftliche Verantwortung von Unternehmen im Rahmen der Digitalisierung verstanden. In Anlehnung und als Weiterentwicklung des Begriffs der CSR („Corporate Social Responsibility“) richtet sich der – relativ junge, aber aktuell rapide an Relevanz gewinnende – Terminus auf die Anwendung „digitaler“ Technologien und den Umgang mit den daraus resultierenden Konsequenzen für die Gesellschaft und den Einzelnen. Im Kern geht es dabei um die freiwillige Selbstverpflichtung, verantwortlich mit den digitalen Ressourcen umzugehen, was sowohl grundsätzliche Fragestellungen der Unternehmensethik als auch konkrete betriebswirtschaftliche Handlungsfelder im Tagesgeschäft berührt.

Dabei stehen insbesondere folgende Themenbereiche im Mittelpunkt des Interesses:

1. die Schonung von Ressourcen bei der Erschaffung digitaler Dienste und Produkte (insbes. Energie)
2. Sozialverträglichkeit und Ermöglichung einer „humanen“ Arbeitsumgebung beim Einsatz digitaler Technologie
3. die „Demokratisierung der Digitalisierung“: Zugangserleichterung durch Kompetenzaufbau beim Einzelnen und durch die Förderung allgemein zugänglicher digitaler Infrastruktur
4. Datensicherheit, Datenschutz und Verhinderung digitalen Machtmissbrauchs aufgrund erlangter „Datenmacht“ (gegen „Überwachungskapitalismus“, „Nudging“, „invasives“ Scoring/Profiling, …)

Und:

5. der verantwortungsvolle Umgang mit KI: Transparenz der Entscheidungsbildung durch KI, Vermeidung von „KI-Bias“ und von „Diskriminierung“ durch KI.

Ansatzpunkt für CDR: KI-Bias in Unternehmensprozessen

Bei der Verarbeitung von Daten im Rahmen von KI-Anwendungen bzw. bei der Anwendung von Methoden des maschinellen Lernens besteht die Gefahr, dass es aufgrund der Eigenschaften der dabei verwendeten Datenressourcen zu Verzerrungen kommen kann („KI Bias“). Ein Beispiel hierfür ist der Prozess der Vorqualifizierung von Bewerbungsdokumenten. Dabei hat sich herausgestellt, dass vorhandene Muster in der bisherigen Belegschaft von der KI erkannt und in den Auswahlprozess einbezogen werden können, was dazu führt, dass z.B. ein Unternehmen mit wenig Frauen in Führungspositionen oder geringem Anteil von Arbeitskräften mit Migrationshintergrund eine entsprechende Personalpolitik auch in die Zukunft festschreiben könnte, wie ein entsprechendes Projekt von Amazon zeigt (welches dann entsprechend auch nicht umgesetzt wurde). Künstliche Neuronale Netze müssen im Wege maschineller Lernverfahren mit großen Mengen an Daten trainiert werden. Aber Daten sind eben zwangsläufig stets vergangenheitsbezogen und enthalten dann mitunter genau jene Vorurteile und mangelnde Diversität, denen mit CDR-Maßnahmen entgegnet werden soll.

CDR und maschinelle Spracherkennung

Ähnlich verhält es sich mit Verfahren in der Sprachverarbeitung, die unter anderem für den Betrieb von Chatbots und bei der automatisierten Texterstellung durch KI zur Anwendung kommen. Zur Erreichung eines weitreichenden „Sprachverständnisses“ müssen die Systeme mit großen Mengen an Sprachdaten trainiert werden kann. Um an diese zu gelangen, bestehen zwei Möglichkeiten, die jeweils eigene Probleme nach sich ziehen: Zum einen werden gemeinfreie Werke genutzt, welche aufgrund ihres Alters –  In Deutschland endet die Schutzfrist 70 Jahre nach dem Tod des Urhebers – meist in besonderer Weise überholte Sprachstile und auch nicht selten überkommene gesellschaftliche Vorstellungen und Motive beinhalten. Zum anderen werden allgemein verfügbare, aktuelle Inhalte aus dem Netz genutzt, wie Blogs und Forenbeiträge, welche keinerlei „manueller“ Qualitätssicherung unterliegen und damit potenziell auch extreme Positionen beinhalten können. Zwar lassen sich über automatisierte Prozesse bestimmte Inhalte – wie etwa Pornografie – herausfiltern. Diese Verfahren basieren aber meist auf vorab definierten oder identifizierten Sperrbegriffen und sind nicht in der Lage, subtiler gelagerte Probleme bei Duktus und Stilistik zu erfassen. Die „Antiquiertheit“ der Quellen führt unter anderem dazu, dass Sprachmodelle, deren Funktion in der Vervollständigung von Sätzen bzw. dem Weiterführen von Dialogen liegen, entsprechend auch heute als überkommen empfundene Geschlechterrollen reproduzieren. So werden Männer etwa standardmäßig mit Berufen wie Manager, Arzt oder Programmierer in Verbindung gebracht, Frauen hingegen eher als Hausfrau, Sekretärin oder Krankenschwester klassifiziert. Auch die Hautfarbe führt regelmäßig zu einer Vorprägung von KI, zum Beispiel hinsichtlich des Berufes, den eine Person womöglich ausüben oder auch welchen sozialen Status sie inne haben könnte.

CDR durch KI-Methoden sicherstellen?

Im Sinne eines wirkungsvollen CDR-Konzeptes müssen Unternehmen, die auf Verfahren des maschinellen Lernens zurückgreifen oder entsprechende Produkte einsetzen, sicherstellen, dass diese Verwerfungen eliminiert werden. Allerdings sind damit in der Praxis erhebliche Herausforderungen verbunden: Technisch gibt es bereits erste Ansätze, KI-Bias auch mit KI-Methoden zu bekämpfen, indem man beispielsweise – händisch, über Supervised Learning – entsprechende Texte identifiziert und als „unerwünschte“ Ergebnisse etikettiert. In einem iterativen Prozess, immer begleitet durch die menschliche Überprüfung, könnte man damit dann eine Trainingsgrundlage für die KI schaffen, die Sprachdaten und Texte auf ihren Bias-Gehalt überprüft und entsprechend anpasst. Die Forschungspraxis steht in diesem Bereich allerdings noch ganz am Anfang. Und gerade die enge Verwebung von Mensch und maschinellem Lernen birgt natürlich neue Bias-Problematiken.

CDR als Verhandlungsproblem der öffentlichen Meinung

Grundsätzlich erweist sich bereits die Identifizierung anwendbarer Wertmaßstäbe als schwierig: Nicht immer erscheint die Sachlage so eindeutig wie in den zuvor skizzierten Beispielen: Was allgemein akzeptabel oder wünschenswert erscheint und welche Entwicklungen zu kritisieren sind, ist schließlich Gegenstand permanenter „öffentlicher“ Verhandlung und einem steten Wandel unterworfen. Die viel beklagte gesellschaftliche Fragmentierung erschwert die Extraktion eines allgemein gültigen Wertmaßstabes zusätzlich. Politische Diskurse bilden sich damit automatisch auch in der konkreten Anwendung von KI ab.

Die Berücksichtigung von CDR in diesem Kontext erfordert die Entwicklung eines entsprechenden Instrumentariums, das sowohl die technischen Belange als auch die organisationalen und betriebswirtschaftlichen Anforderungen bedient. Eingebettet in ein zu ermittelndes ethisches Grundgerüst gilt es die Voraussetzungen für ein zielgerichtetes CDR-Management zu schaffen. Dabei müssen die Grenzen zwischen (gewinnorientiertem) Management und technischer Umsetzung sowie zwischen Unternehmertum und gesellschaftlichen Anliegen zwangsläufig verwischen. Wie kann es gelingen, Betriebswirtschaftliches mit dem Gesellschaftlichen zu vereinen? Welche – konkreten – technischen Ansätze sind dabei sinnvoll, um CDR exemplarisch im Kontext von KI-Bias und der Sprachverarbeitung sicherzustellen? Welche strukturellen Maßnahmen gilt es darüber hinaus zu ergreifen? Und wie kann dies alles in eine übergreifende CDR-Strategie eingebettet werden? All dies sind Fragen, welche die derzeitigen Überlegungen zu CDR flankieren müssen. Es ist eine Sache, allgemeine Ziele innerhalb dieses ohne Zweifel sinnvollen Klassifizierungsrahmens aufzustellen. Aber die praktische Umsetzung stellt Forschung, Unternehmen und Politik vor enorme Herausforderungen.

Mehr zum Thema: Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Wie der Staat mit Daten umgeht.“:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag CDR (Corporate Digital Responsibility) und KI-Bias erschien zuerst auf Nerdwärts.de.

Der Begriff der Governance bezeichnet in den Politik- und Gesellschaftswissenschaften gewöhnlich die staatliche Aufgabe der Führung und Steuerung der Amts- bzw. Regierungsgeschäfte und dient dabei der Beschreibung der dazu notwendigen Prozesse und Strukturen. Von Algorithmic Governance ist dann meist die Rede, wenn in diesem Kontext diskutiert wird, ob menschliche politische Entscheidungen durch datenbasierte Technologie ergänzt oder vollständig ersetzt werden könnten oder sollten.

Code is Law – Wenn-Dann-Prinzip und Algorithmic Governance

In Anlehnung an Laurence Lessigs Diktum „Code is Law“  ließe sich diese Vorgehensweise als die Automatisierung der Ausführung vorab definierter (staatlicher) Regeln beschreiben. Die Anwendung des hier zugrundeliegenden, der Computerprogrammierung entlehnten „Wenn-Dann“-Prinzips („if this … then that…“, „IFTTT“) basiert auf der Annahme, dass sich zuvor definierte – und legitimierte – Entscheidungsmuster auf spätere Situationen anwenden lassen. Die nachfolgende Exekution anstehender Entscheidungen kann dann idealerweise autonom erfolgen, ohne dass es eines weiteren menschlichen Eingreifens zwingend bedürfte.

Chancen und Herausforderungen von Algorithmic Governance

Die Vorteile eines solchen Systems werden zuerst in der Effizienzsteigerung gesehen, die hierbei für die staatliche Entscheidungsfindung und -ausführung durch die Automatisierungszuwächse zu erwarten wären. Ähnliche oder identische Entscheidungsfragen müssten nicht immer wieder neu verhandelt, sondern könnten durch die einmalige Festlegung auch für die Zukunft verbindlich geregelt werden. Des Weiteren ließen sich Verwaltungsentscheidungen versachlichen, da das einmal gefundene Regelsystem für alle Betroffenen gleichermaßen zur Anwendung käme, ungeachtet möglicher persönlicher Präferenzen der Entscheider „vor Ort“. Damit ginge dieser Argumentation folgend ein Zuwachs an Fairness und Gleichberechtigung einher.

Demgegenüber ist jedoch eine potenzielle „Entmenschlichung“ politischer Entscheidungen durch eine weitergehende Automatisierung anzumerken. Gerade dann, wenn diese nicht mehr unter Berücksichtigung individueller Situationen getroffen werden, sind Verzerrungen und soziale Härten zu erwarten. Auch stellen sich Fragen nach den Verantwortlichkeiten im Einzelfall – und zwar sowohl politisch als auch rechtlich.

Die Herausforderung für Algorithmic Governance besteht demnach vor allem darin, das richtige Maß und einen Ausgleich zwischen diesen beiden Polen zu finden.

Von Algorithmic Governance zu AI Governance

Sofern in der Regierungs- und Verwaltungstätigkeit nicht nur fest programmierte Algorithmen, sondern auch intelligente, selbst lernende Systeme zum Einsatz kommen, verändert dies die Spielregeln für den Einsatz algorithmischer Verfahren und ebenso deren Bewertungsmaßstäbe grundsätzlich. Entsprechend hat sich hier inzwischen der Begriff der AI Governance (AI für Artificial Intelligence) als abgrenzende Bezeichnung etabliert.

Ganz entscheidend ist dabei: Der Einsatz von intelligenten, autonomen, selbst lernenden Systemen steht im Widerspruch zum IFTTT-Automatismus des „Code is Law“. Während herkömmliche Algorithmic Governance allein auf einem festen, menschlich definierten Regelsystem beruht, führt die Kombination mit KI potenziell zu einer Verselbständigung der Entscheidungsmuster. Begründet liegt dies in den Methoden des maschinellen Lernens, die ja gerade auf Autonomie in der Funktionsfähigkeit eines Systems zielen. Insbesondere wenn eine Anwendung eigenständig Kausalitäten identifizieren soll (wie beim Unsupervised Learning) oder eine eigene Strategieentwicklung gefordert ist (wie beim Reinforcement Learning), verwischen die Grenzen zwischen ursprünglicher menschlicher Intention und abgeleiteter Systemlogik schnell. In der Praxis kommen heute zudem immer öfter Kombinationen aus verschiedenen Verfahren zum Einsatz, was die Problematik weiter verschärft. Es ist oft schwierig, den Pfad der Entscheidungsfindung, den ein lernendes System eigenständig eingeschlagen hat, zu rekonstruieren. Damit ist aber gerade eben keine starre Festlegung von abgewogenen Entscheidungsalternativen für spezifische Situationen möglich.

AI Governance: KI und Algorithmic Governance

Während Maßnahmen auf Grundlage herkömmlicher Algorithmic Governance ihre Rechtmäßigkeit aus diesem zuvor abgestimmten, „festverdrahteten“ Regelsystem beziehen, justieren sich KI-Systeme auf Grundlage ihres Lernfortschrittes permanent eigenständig neu. Dies mag legitim erscheinen, sofern zumindest die Ziele, anhand derer dies geschieht, Ausfluss eines am Staatszweck orientierten (demokratischen) Verfahrens sind. Gleichwohl ist für die Erreichung politischer Ziele in der Demokratie auch die Art und Weise ihres Zustandekommens relevant. Zieldefinitionen, anhand derer ein lernendes System sich ausrichtet, können schließlich stets nur quantitativer Natur sein. Die Auswirkungen einer solchen politischen Zieloptimierung weisen jedoch immer auch eine qualitative Dimension auf, deren Tragweite ein Algorithmus nie erfassen kann. Beispielsweise ist es sicherlich möglich, einem System eine bestimmte „optimale“ Budgetallokation als Ziel vorzugeben, die Frage, ob diese dann im Ergebnis im Einklang mit einem wie auch immer definierten Gemeinwohl steht, ist eine ganz andere und kann weder in der Praxis technisch noch in der Theorie legitim durch eine KI beantwortet werden, sondern verbleibt zwangsläufig Gegenstand der menschlichen Domäne.

Die faktischen Erscheinungsformen von Algorithmic Governance sollen in einem folgenden Beitrag behandelt werden, bevor sich dann ein weiterer Artikel mit der Legitimation algorithmischer Entscheidungen – insbesondere auch unter Rückgriff auf Verfahren des maschinellen Lernens und KI befasst.

Der Artikel erschien in überarbeiteter und deutlich erweiterter Form in der SWS-Rundschau, Andreas Wagener: Demokratische Legitimation von AI Governance, Sozialwissenschaftliche Rundschau, Heft 4/2021, 61. Jahrgang, S. 369 – 390

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Wie der Staat mit Daten umgeht. Was ist gesellschaftlich akzeptabel?“:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Algorithmic Governance – KI und Algorithmen in der Politik erschien zuerst auf Nerdwärts.de.

Bekannt war die Verwendung von DNS-Informationen („Desoxyribonukleinsäure“ als Träger der genetischen „Erbinformationen“ bzw. „DNA“ in der englischen Schreibweise, die wir ab jetzt in diesem Artikel verwenden) bisher vor allem aus der Analyse hinterlassener „DNA-Spuren“. Ein derart gewonnener „genetischer Fingerabdruck“ kann Zusammenhänge zwischen verschiedenen Taten herstellen und gilt als anerkannter Nachweis des Aufenthalts des Verdächtigen am jeweiligen Tatort. Digitale Transformation und Datenökonomie führen nun jedoch zu einer Ausweitung der Wirkungsmacht dieses Instrumentariums. Einschlägige Websites, wie 23andme, MyHeritage und Ancestry, die auf Grundlage einer selbst eingereichten DNA-Probe die „genetische Herkunft“ oder auch das Bestehen von Verwandtschaften mit anderen, unbekannten Nutzern ermitteln, erfreuen sich insbesondere in den USA einer stetig wachsenden Anwenderzahl.

Aufgrund der damit entstehenden Netzeffekte, der möglichen Querverweise und der digitalen Auswertungsmöglichkeiten ist es möglich, damit immer weitergehende Aussagen zu treffen. Intensiv diskutiert wurde vor diesem Hintergrund die Aufklärung des jahrzehntelang ungelösten Fall des „Golden State Killers“, der zwischen 1974 und 1986 für 12 Morde und 51 Vergewaltigungen in Kalifornien verantwortlich gemacht wurde. Dieser hatte zwar am Tatort DNA-Spuren hinterlassen, allerdings ließen sich diese keinem bestehenden Profil zuordnen, da der Täter anderweitig nicht aktenkundig straffällig geworden war.

„Rasterfahndung“ auf Basis von DNA-Daten

Die Ermittler nutzen aber eine der einschlägigen kommerziellen DNA-Websites, GEDMatch, und speisten dort die vorhandenen DNA-Daten ein. Zwar ergab sich daraus kein vollständiger „Match“, der „Golden State Killer“, war selbst dort nicht registriert. Gleichwohl gelang es über den DNA-Abgleich, Verwandte der Person zu ermitteln, von der die Spuren stammten. Damit ließ sich der Kreis der Verdächtigen schnell eingrenzen, was kurze Zeit später auch zur Verhaftung des vermutlichen Täters führte.

Tatsächlich geht man davon aus, dass die DNA-Informationen von nur 2% einer Bevölkerungsgruppe ausreichen, um daraus auf die Verwandtschaftsverhältnisse fast jeder Person bis zum dritten Verwandtschaftsgrad schließen zu können. Es wird angenommen, dass diese Bedingung etwa für die europäisch-stämmigen US-Amerikaner durch deren weitreichende Anmeldung in den DNA-Portalen bereits erfüllt ist.

Neben der Anwendung in der Strafverfolgung führt die systematische Erhebung von DNA-Daten unweigerlich auch zu ihrer ökonomischen Nutzbarmachung. Es existieren bereits erste Apps, die, gefüttert mit den Informationen aus dem persönlichen DNA-Test, mittels eines Scans der Produktcodes mit dem Smartphone „passende“ und „unpassende“ Lebensmittel identifizieren und so ein „erbgutgerechtes“ Kaufverhalten ermöglichen sollen.

Weltweit führend auf dem Gebiet des DNA-Targetings dürfte derzeit die chinesische Firma iCarbonX sein. Diese versteht sich als ganzheitlicher Anbieter von digitalen Gesundheitsprodukten, Basis ist die Plattform „Meum“, auf der sämtliche gesundheitsbezogene Kundendaten eingesammelt werden, unter anderen eben auch Informationen zur eigenen DNA. Mithilfe von KI (z.B. zur Ableitung von Proteinstrukturen) lassen sich daraus individuelle Angebote ableiten – z.B. personalisierte Anwendungen und Therapien wie ein entsprechendes Sportprogramm bei ermittelter Diabetes-Veranlagung.

Nestlé betreibt in Japan ein ähnliches Angebot bei dem die teilnehmenden Kunden Ernährungstipps auf Grundlage ihrer Blut- und DNA-Testergebnissen erhalten. Ebenso lassen sich daraus individuelle Nahrungsmittel erstellen, die dann im „personalisierten“ Abonnement vermarktet werden. Und auch in Deutschland bemüht sich MyMuesli darum, seinen erfolgreichen „customizing“-Ansatz auf Grundlage eines „DNA-Tests“ noch persönlicher zu gestalten. Was ursprünglich als Aprilscherz begann, wurde binnen weniger Monate Realität. Nun können sich Kunden auf Basis einer DNA-Analyse maßgeschneiderte Empfehlungen zu Müslimischungen erstellen lassen.

 „Sociogenomics“ & „Genetic Income Score”

Doch zielen aktuelle Bestrebungen in der Verwendung von DNA weit über derartige Ansätze hinaus. Eine „Sociogenomics“ genannte Forschungsrichtung hat sich zum Ziel gesetzt, Soziologie und Genforschung zu verbinden. So werden vor diesem Hintergrund etwa die Zusammenhänge von Genetik und sozialer Mobilität untersucht. Angeblich lässt sich auch aus der Analyse der DNA und der Berechnung eines “polygenetic scores”, wie es auch zur Ermittlung von Veranlagungen zu Krankheiten erfolgt, eine, wenngleich schwache, Korrelation spezifischer DNA-Informationen mit dem Einkommen belegen. Mit einem solchen „Genetic Income Score” wäre es möglich, gezielt soziale Fördermaßnahmen einzuleiten – oder aber auch denkbar, die Langzeit-Kaufkraft eines Kunden zu ermitteln.

Natürlich stoßen diese Entwicklungen auch auf Skepsis und Widerstand. In den USA wird inzwischen der Ruf nach einem umfangreicheren Schutz von DNA-Daten vor dem Zugriff des Staates und privater Unternehmen zunehmend lauter. Insbesondere die Möglichkeit, von freiwillig übermittelten DNA-Informationen auch auf die genetischen Daten völlig Unbeteiligter zu schließen, ohne dass diese ein Chance besitzen, der Verwendung zuzustimmen, wird kritisch gesehen. 

DNA-Targeting in Deutschland

Hierzulande scheinen diese Bedenken jedoch noch nicht im allgemeinen Diskurs angekommen zu sein. Die Diskussionen, die derzeit über die Verwendung von DNA-Daten in der Strafverfolgung und -prävention geführt werden, blenden diesen Aspekt weitgehend aus. Im Gegenteil, tatsächlich wurden die Polizeibefugnisse in diesem Kontext gerade ausgeweitet. So ist es nun gestattet, Haut-, Haar- und Augenfarbe von Tatverdächtigen anhand von DNA-Spuren feststellen zu dürfen, wobei sich der Vorschlag Bayerns, auch nach „biogeografischer Herkunft“ klassifizieren  zu lassen, nicht durchsetzte.

Doch zeigt der Blick auf China wie sich ein solches ethnisches „Phänotargeting“ auch missbrauchen lässt: Die von der chinesischen Regierung seit Jahren betriebene und mit härtesten Mitteln geführte Kampagne zur „Assimilierung“ der muslimischen Minderheit der Uiguren wird mitunter als „kultureller Genozid“ bezeichnet. Laut einem Bericht der New York Times wird dort versucht, eingesammelte DNA-Informationen in Verbindung mit Gesichtserkennung zu nutzen, um Angehörige dieses seit Jahren auf Eigenständigkeit bedachten „Turkvolkes“ ethnisch eindeutig als solche zu identifizieren und Zwangsmaßnahmen, wie systematische Internierungen, höchst effizient einleiten zu können.

Der Rückgriff auf Informationen der DNA wirkt in diesem Licht hoch problematisch. Auch spiegelt er womöglich eine Gewissheit vor, die so gar nicht existiert. Es sei dabei erinnert an die angebliche Querverbindung zwischen den NSU-Verbrechen und dem Mordfall Peggy, die aber letztlich auf eine Verunreinigung des in beiden Fällen verwendeten Untersuchungswerkzeugs zurückzuführen war.

DNA-Daten: eine neue Dimension der Privatheit

Die Analyse der DNA hat eine ganz andere Tragweite als wir uns das heute oft klar zu machen scheinen: Einerseits dürften die DNA-Daten, die vielleicht privatesten Daten sein, über die wir verfügen. Es ist etwas grundlegend Anderes, ob jemand weiß oder glaubt zu wissen, welche Schuhe wir kaufen möchten und welche Inhalte zu unseren Nutzungsverhalten passen, oder ob jemand Kenntnis darüber erlangt, welche Erbkrankheiten wir in uns tragen oder welchen Ton unsere Hautfarbe hat.

Andererseits liegt die Gefahr dieser Daten gerade darin, dass sie nicht nur Rückschlüsse auf einen selbst, sondern auch auf Außenstehende, mit uns selbst mehr oder weniger verwandte Personen zulässt. Der Umgang mit den eigenen Daten ist damit nicht mehr nur auf die eigene Sphäre und die eigene Freizügigkeit begrenzt. Wer seine eigenen DNA-Daten freigibt, trifft damit nicht nur eine Entscheidung für sich selbst, sondern zerrt unweigerlich auch Unbeteiligte in das Licht der allgemeinen Datentransparenz.

Dabei muss uns immer bewusst sein, dass DNA-Daten eine völlig andere Qualität besitzen, als die Daten mit denen wir es sonst im Internet und im Rahmen der Digitalisierung bislang zu tun hatten: der freie Zugang zu ihnen und ihre freie Verfügbarkeit bedeutet den ultimativen Verlust der Privatheit.

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Wenn der genetische Fingerabdruck digital wird: DNA-Targeting in Politik & Wirtschaft erschien zuerst auf Nerdwärts.de.

Plakat Programm Vortragsreihe Digitalisierung der Hochschule Hof 2019

Seit 2015 findet die alljährliche Vortragsreihe im Audimax der Hochschule Hof statt. Auch in diesem Wintersemester geht es ab Oktober um Digitalisierung, um Daten und die Erprobung dieser Themen in der Praxis. Am 16.10. lädt die Fakultät Wirtschaft der Hochschule Hof, unterstützt durch den Alumniverein der Hochschule sowie dem Hofer „Institut für Informationssysteme“ (iisys) und dem Digitalen Gründerzentrum EINSTEIN1 zum Auftakt, wo es um die neuesten Trends im digitalen Marketing gehen wird. Es folgen meist im wöchentlichen Abstand weitere Vorträge zum Themenkreis.

Es ist geplant, alle Vorträge aufzuzeichnen, diese sollen dann anschließend über den Youtube-Kanal der Hochschule und diese Website zugänglich gemacht werden.

Zu den Vorträgen im Einzelnen:

16.10. 2019
Prof. Dr. Andreas Wagener 
Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting

Beschreibung:
Während wir hierzulande noch über die Sinnhaftigkeit der Digitalisierung an Schulen und Hochschulen nachdenken und über Fakenews, Filterblasen und die gesellschaftliche Wirkungsmacht von Influencern sinnieren, dreht sich die digitale Welt um uns herum immer schneller. Kaum ein Managementbereich entwickelt sich dabei so rasant wie Marketing und Vertrieb. „Erweiterte“ und echte „virtuelle“ Realitäten schaffen völlig neue Betätigungsfelder, Künstliche Intelligenz übernimmt kreative und gestalterische Aufgaben ebenso wie das eigenständige Management kompletter Businesseinheiten. Und Marketingmaßnahmen lassen sich mithilfe von KI anhand von DNS und des menschlichen Genoms perfekt auf den Einzelnen zuschneiden. Die Gegenwart hat die Zukunft längst eingeholt: ein neues Zeitalter im Marketing hat begonnen.

23.10.2019
Prof. Dr. iur. Martin Wachovius
Digitalisierung und Nachhaltigkeit: Widerspruch oder Wechselwirkung?

Beschreibung:
Digitalisierung und Nachhaltigkeit sind die beiden Megatrends unserer Zeit. Am Beispiel der seltenen Erden, die in vielen Bereichen der Digitalisierung in immer größerem Umfang Verwendung finden, wird deutlich, dass die Ziele der Digitalisierung nur unter Beachtung einer nachhaltigen Entwicklung erreicht werden können. Auch die mit der zunehmenden Digitalisierung verbundene Erhöhung des Energiebedarfs unterstreicht diese These. Die Digitalisierung kann aber gleichzeitig auch zur Erreichung nachhaltiger Ziele beitragen, z.B. durch Smart Farming oder autonomes Fahren. Ziel muss sein, dass Digitalisierung und Nachhaltigkeit nicht gegeneinander, sondern miteinander die Zukunft gestalten.

30.10.2019
Prof. Dr. Michael Seidel & Herrmann Hohenberger (Geschäftsführung Einstein1)
Einstein1: das Startup-Ökosystem am Campus der Hochschule Hof Herausforderungen, Erfolge, Vision

Beschreibung:
Einstein1 ist seit Anfang 2017 als Digitales Gründerzentrum am Campus der Hochschule Hof die Anlaufstelle für Gründer/-innen und Startups aus Hochfranken und dem Vogtlandkreis. Mit einem kleinen, hochmotivierten Team unterstützt es regionale Gründer/-innen bei der Weiterentwicklung ihrer Geschäftsidee, hilft bei Finanzierungsfragen und sorgt proaktiv durch Events und Netzwerk-Aktivitäten für eine Vernetzung mit wichtigen Akteuren aus Wirtschaft, Wissenschaft, Lehre und Politik.Das diesjährige Highlight wird die Eröffnung des eigenen Gebäudes mit Coworking-Space, Büros, Event-Space und Konferenzräumen für Gründer, Startups, Techies und Freelancer am Campus der Hochschule Hof sein.Im Rahmen eines kurzen Sneek Peeks geben Geschäftsführer Hermann Hohenberger und Prof. Dr. Michael Seidel in ihrem Kurzvortrag Einblicke in die digitale Startup-Szene Hochfrankens und des Vogtlandkreises und stellen das wachsende Startup-Ökosystem am Campus der Hochschule Hof vor. Im Anschluss werden regionale Tech-Startups mit kurzen Pitches ihre Geschäftsidee vorstellen: ahearo bietet mit seiner Audiostreaming-App eine einzigartige Audioplattform mit einem verlagsübergreifenden Journalismus-Angebot an Hörmagazinen und hörbaren Inhalten. Flowdust bietet mit seiner Feedback-Plattform Website- und Online-Shop-Betreibern die Möglichkeit, schnell und ohne Programmierkenntnisse wertvolles Feedback von Usern zu sammeln.

06.11.2019
Prof. Dr. Stefan Wengler
Von der Market Intelligence zur erfolgreichen Lead-Generierung

Beschreibung:
Aufgrund des intensiven Wettbewerbs gestaltet sich die Gewinnung von Neukunden für viele Unternehmen immer schwieriger und kostenintensiver. Abhilfe können integrierte Market-Intelligence-Systeme schaffen, die die Unternehmen nicht nur dabei unterstützen, näher an ihre potenziellen Kunden heranzurücken, sondern zukünftig auch mehr über diese zu wissen. Wie diese integrierten Market-Intelligence-Systeme gestaltet sein müssen und wie die zusätzlichen Informationen genutzt werden können, um erfolgreich neue Leads bzw. Neukunden zu generieren, erläutert Prof. Dr. Wengler im Rahmen seines Vortrags.

13.11.2019
Prof. Dr. René Peinl
Computer lernen Bildverstehen – Praxisbeispiele und iisys Projekte

Beschreibung:
Seit die Digitalfotografie den Kinderschuhen entwachsen ist, lassen wir den Computer Bilder verarbeiten. Er kann sie drehen, beschneiden, Farbe und Kontraste anpassen oder den Menschen dabei unterstützen Bildverfremdungen oder künstlerische Ergänzungen vorzunehmen. Was er bisher nicht konnte ist den Bildinhalt verstehen. Dank Deep Learning ändert sich das gerade und erschließt dem Computer durch die Masse an verfügbaren Bildern im Internet ganz neue Einsatzbereiche. In dem Vortrag erfahren sie, was die Formula Student, ein Parkplatzleitsystem für die Hochschule und die Steuerung des Avatars in Virtual Reality Anwendungen miteinander gemein haben und wo die Möglichkeiten und Grenzen aktueller maschineller Lernverfahren für Bilderkennung liegen.

20.11.2019
Prof. Dr. Henning Schröder
Machine Learning und KI in der Absatzplanung

Beschreibung:
Was hat die Bratwurst mit künstlicher Intelligenz zu tun?
Dass man auch an einem schönen Sommerabend zum Grillen nicht leer ausgegangen ist, kann gut auf den Einsatz von Machine Learning Verfahren zurückzuführen sein. Unternehmen stehen vor der Herausforderung, auch bei stark schwankender Nachfrage Produktion und Vertrieb zu planen. Moderne datenbasierte Prognoseverfahren bieten hierbei häufig eine hohe Präzision, stellen die Unternehmen aber vor neue Herausforderungen wie z.B. die Datenverfügbarkeit.
Prof. Dr. Henning Schröder wird in seinem Vortrag einen Überblick geben, welche Möglichkeiten Machine Learning und KI in der Absatzplanung bieten, welche Methoden zum Einsatz kommen und mit welchen Herausforderungen der Einsatz der Prognoseverfahren verbunden ist.

Die aufgezeichneten Vorträge des vergangenen Jahres finden Sie an dieser Stelle, so wie auch diesen hier:

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Zum fünften Mal: Vortragsreihe zur Digitalisierung der Hochschule Hof erschien zuerst auf Nerdwärts.de.

Künstliche Intelligenz in aller Munde

Kaum eine Diskussion um die Zukunft der Digitalisierung kommt in jüngster Zeit ohne den Begriff der „Künstlichen Intelligenz“ („KI“) aus. Dahinter verbirgt sich in der Regel die Fähigkeit autonomer digitaler Systeme, Muster und Logiken zu erkennen (etwa in Texten oder Bildern), auf dieser Basis eigenständig Entscheidungen zu treffen und aus den daraus resultierenden Aktionen selbsttätig Verbesserungen abzuleiten, also de facto – zu lernen.

Medienunternehmen und Künstliche Intelligenz

Gerade auch für Medienunternehmen ergeben sich daraus neue Szenarien: sei es, dass Inhalte per lernendem Algorithmus personalisiert und maßgeschneidert an den Nutzer ausgeliefert werden oder dass Chatbots – oder deren Hardware-gewordene Version in Form von Amazons „Echo“ und dem Sprachassistenten „Google Home“ – die bisherige meist eher einseitige mediale Informationsvermittlung in einen Dialog wandeln. Die branchenspezifischen Spielregeln könnten sich jedenfalls – wieder mal – nachhaltig ändern. In erster Linie dürfte es dabei um eine Verbesserung oder Erweiterung des medialen Angebots gehen. Aber Künstliche Intelligenz wird auch zunehmend die Prozesse in Herstellung und Vertrieb beeinflussen, indem entsprechende Systeme immer mehr Tätigkeiten automatisiert übernehmen. Auch bei der Preisgestaltung – Stichwort „Dynamic Pricing“ – kommt KI zunehmend zum Einsatz und reduziert damit den menschlichen Anteil an der Entscheidungsfindung.

„Buzzword-Hochzeit“? Blockchain & Künstliche Intelligenz

Besonders spannend wird es jedoch, wenn Künstliche Intelligenz mit einem anderen „Buzzword-Thema“ zusammenwächst – der Blockchain. Der Technologie, die der lückenfreien Abbildung der Transaktionen etwa bei der Kryptowährung Bitcoin dient, wird ja nun seit geraumer Zeit ein erhebliches „Disruptionspotenzial“ zugesprochen. Im Gegensatz zu einer herkömmlichen Datenbank, die Informationen an einer zentralen Stelle verwaltet, werden die Daten über die Blockchain „distribuiert“, also das Abbild der vorgenommenen Transaktionen an alle Netzwerkteilnehmer verteilt. Damit sind sämtliche Vorgänge lückenlos gespeichert und für jeden einsehbar.

Blockchain im Programmatic Advertising

In den USA findet dies bereits im Daten getriebenen Marketing, beim „Programmatic Advertising“, Anwendung. Hier versuchen erste Anbieter dezentral und automatisiert Werbeflächen zu vermarkten. Damit ist es grundsätzlich möglich, das bisher zentralistisch organisierte Marktsystem aufzubrechen: Die Transaktionsinformationen werden in einer Blockchain gespeichert und Pricing und Bietverhalten autonom über lernende digitale Systeme abgewickelt.

Digitale Medien und Blockchain

Analog lässt sich dieses Prinzip auf „Paid Content“-Strategien übertragen. Vorreiter ist hier aktuell die Musikbranche. Einzelne Musikdateien oder sogar bloß Teile davon, etwa ein Gitarren-Riff oder eine „bassline“, werden dezentral für verschiedene Zielgruppen – Endverbraucher, Rechteverwerter, kommerzielle Nutzer – feilgeboten. Die Blockchain ermöglicht auch hier die Transaktionsdokumentation und erlaubt sogar ein dezentrales Rechtemanagement. Über lernende Algorithmen kann man die Angebotsanalyse und den Marktmechanismus abbilden. Diese Prinzipien ließen sich sicherlich auch auf weitere Segmente der Medienbranche übertragen.

Zum Thema im Detail: Blockchain in der Musik- und Medienindustrie

Blockchain, Smart Contracts und Künstliche Intelligenz als „Game Changer“

Die Blockchain und die damit verbundene automatische Exekutierung von Verträgen via „Smart Contracts“ – könnte im Zusammenspiel mit Künstlicher Intelligenz tatsächlich zum „Game Changer“ werden – nicht nur im Bereich der Medien. Vielleicht bedarf es gerade dieser Kombination, um den einzelnen Technologie tatsächlich im ökonomischen Alltag zu verankern.

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Künstliche Intelligenz & Blockchain: Chance für die Medienbranche? erschien zuerst auf Nerdwärts.de.

KI & Blockchain

Über Künstliche Intelligenz (KI) wie auch über Blockchain und die damit verbundenen Smart Contracts wird derzeit viel gesprochen. Während KI die Nutzung von Daten und die automatisierte Entscheidungsfindung mittels lernender Systeme beschreibt, findet die Blockchain Anwendung bei der lückenfreien Abbildung von Transaktionen – etwa bei der Kryptowährung Bitcoin. Dabei werden im Gegensatz zu einer herkömmlichen Datenbank, welche die Informationen an einer zentralen Stelle verwaltet, die Daten dezentral „distribuiert“, also das Abbild der vorgenommenen Transaktionen an alle Netzwerkteilnehmer verteilt. Damit sind sämtliche Vorgänge lückenlos gespeichert und für jeden einsehbar.

Private Blockchain für die Supply Chain – meist wenig sinnvoll

Besonders vielversprechend erscheint die Verwendung der Blockchain für industrielle Prozesse etwa im Rahmen der „Industrie 4.0„. Damit geht es bei einer sinnvollen Anwendung dieser Technologie allerdings gerade eben nicht um die leidigen Versuche, eine Supply-Chain – sinnfreier Weise – mit der Hilfe einer „Private Blockchain“ statt einer hier meist viel besser geeigneten zentralen Datenbank abzubilden – auch wenn uns das viele große Tech-Unternehmen als die goldene Zukunft verkaufen wollen. Vielmehr liegt die Chance in der Dezentralisierung des (Industrial) Internet of Things und der Ermöglichung dezentraler, direkter Transaktionen zwischen den einzelnen vernetzten „Dingen“, Geräten und Maschinen. Als eigenständig lernende, intelligente Mechanismen werden diese mit der Kombination von KI und Blockchain in die Lage versetzt, ihre eigene Wertschöpfung zu verwalten.

M2M Payment im Internet der Dinge

Im Wege von Machine-to-Machine-Payment (M2M) könnte eine Maschine die notwendigen Vorprodukte autonom im „Internet der Dinge“ einkaufen und erhielte bei Übergabe des durch sie erstellten fertigen Produktes eine entsprechende Gutschrift. So entsteht eine dezentrale, unabhängige Konto- und Transaktionsverwaltung der einzelnen „Dinge“ untereinander. Dies könnte etwa für die Dezentralisierung des Strommarktes den entscheidenden Impuls setzen – wenn die technische Smart-Energy-Infrastruktur im Eigenheim eigenständig und ohne Mittelsmann an den Märkten Strom an- und verkauft und sich dabei selbsttätig permanent „optimiert“.

Autonome Maschinen: der „Roboter auf der Walz“?

Auch völlig neue Anwendungen im Micropayment sind denkbar. So ließe sich das eigene Smartphone als kommerzieller Hotspot feilbieten, indem dieses automatisiert WLAN-Zugang für andere Nutzer bereitstellt und die Geräte wechselseitig die entstehenden Kosten selbst verrechnen. In letzter Konsequenz erscheint dann sogar eine Vision von sich selbst verwaltenden Maschinen und Geräten plausibel, die durch die Lande ziehen, um sich und ihre Leistungen anzudienen und dabei ein autonomes Eigenleben führen – gewissermaßen wie ein „Roboter auf der Walz“.

Industrie 5.0: autonome Maschinen als Wirtschaftsteilnehmer

Damit wären wir der Vision völlig eigenständiger künstlicher Intelligenzen ein entscheidenden Schritt näher. Diese würden nicht nur unabhängige Entscheidungen treffen, sondern wären auch in der Lage, die daraus resultierenden Handlungen durch eigene Transaktionen zu begleiten. Ausgestattet mit einem eigenen Budget könnten einzelne Geräte und Maschinen selbsttätig am Wirtschaftskreislauf teilnehmen. Das käme sicherlich einer weiteren industriellen Revolution gleich – der Automatisierung der Automation oder der „Industrie 5.0“.

Zum Thema im Detail: Blockchain, Industrie 5.0 & das Internet der Dinge 

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Blockchain & KI: auf dem Weg zur Industrie 5.0? erschien zuerst auf Nerdwärts.de.