Big Data? Intelligente Maschinen
This is a modal window.
The media could not be loaded, either because the server or network failed or because the format is not supported.
Formal Metadata
| Title |
| |
| Title of Series | ||
| Number of Parts | 126 | |
| Author | ||
| License | CC Attribution - ShareAlike 3.0 Germany: You are free to use, adapt and copy, distribute and transmit the work or content in adapted or unchanged form for any legal purpose as long as the work is attributed to the author in the manner specified by the author or licensor and the work or content is shared also in adapted form only under the conditions of this | |
| Identifiers | 10.5446/33456 (DOI) | |
| Publisher | ||
| Release Date | ||
| Language |
Content Metadata
| Subject Area | ||
| Genre | ||
| Abstract |
|
re:publica 20142 / 126
15
19
22
26
29
31
33
34
35
41
42
49
50
58
68
71
72
74
78
84
87
88
89
91
93
97
100
102
105
106
107
108
109
110
112
119
121
122
123
125
126
00:00
MicrosoftPartition of a setAbbildung <Physik>MathematicsComputer animationLecture/Conference
01:07
MathematicsInternetCurve
01:30
InternetService (economics)ACIDFINANZ <Programm>DatabaseMathematicsSet (mathematics)Physical quantityLecture/Conference
02:30
Artificial intelligenceLecture/ConferenceMeeting/Interview
03:04
Lecture/Conference
03:33
Systems <München>
04:06
Zusammenhang <Mathematik>InformationDemoscene
04:33
InformationLecture/ConferenceMeeting/Interview
05:24
Zusammenhang <Mathematik>Real-time operating systemMultiplicationArtificial intelligenceFusion <Programm>
06:08
MathematicianPhysicistActive DirectoryHand fanLecture/ConferenceMeeting/Interview
07:09
NumberSimilarity (geometry)Zusammenhang <Mathematik>Set (mathematics)InformationLecture/Conference
08:48
Data fusionLecture/ConferenceMeeting/Interview
09:24
MicrosoftDecision theoryAlgorithmLecture/Conference
10:34
Trans-European NetworksReal numberOnline chatLecture/ConferenceMeeting/Interview
11:11
SoftwareAlgorithmComputer animation
11:48
Moment (mathematics)FactorizationLinieLecture/Conference
12:54
CurveSoftwareAlgorithmLecture/Conference
13:29
AlgorithmLimit (category theory)
14:04
AlgorithmMechanism designLecture/ConferenceDiagram
14:44
AlgorithmMechanism designLecture/Conference
16:06
Systems <München>Data fusionFINANZ <Programm>AlgorithmLecture/ConferenceMeeting/Interview
16:52
InformationMoment (mathematics)FluxLecture/Conference
17:55
AlgorithmMeeting/Interview
19:07
Precedence diagram methodLecture/Conference
19:44
CladePrecedence diagram method
20:21
InformationLecture/Conference
21:01
Data storage deviceComputer hardwareLecture/Conference
21:24
InformationBlock (periodic table)Lecture/Conference
22:03
Data centerMetadataEmailLecture/Conference
23:05
MittelungsverfahrenRobotLecture/Conference
23:55
Diagram
24:38
State of matterLecture/Conference
25:39
Algebraic closureMathematicianMobile appSystems <München>Constraint (mathematics)Data fusionLecture/Conference
27:32
Document management systemMathematicianMeeting/InterviewLecture/Conference
27:56
MicrosoftComputer animation
Transcript: German(auto-generated)
00:16
Entschuldigung. Wir wollen mit Kunst beginnen, das ist die Glasskulptur, 3D Glasskulptur eines britischen Künstlers namens Luke Jarom.
00:26
Es ist aber nicht nur Kunst, sondern es ist auch eine Metapher dafür, wie Mathematik unser Leben bestimmt. Wie wir mit Mathematik unser Leben formen. Das ist nämlich die Abbildung der Preiskurve der New York Stock Exchange der letzten 60 Jahre.
00:43
Interessant übrigens nur als Nebenbemerkung ist, dass es hier alles relativ flach geht bis etwa die 80er Jahre beginnen. Das liegt eben daran, dass Bankengeschäfte relativ langweilig gewesen sind bis dahin. Banken durften nämlich nur Kredite an die Realwirtschaft ausreichen. Und sie haben den bargeldlosen Zahlungsverkehr zur Verfügung gestellt.
01:01
In den 80er Jahren haben Ronald Reagan und Margaret Thatcher, den die Finanzmärkte liberalisiert, dereguliert. Und hier ging dann also die Spekulation los. Und Sie sehen, dass eine entsprechende Volatilität zustande kommt. Mathematik hat insbesondere die letzten Jahre diese Kurve bestimmt. Also diesen einen Einbruch, den Sie hier vorne sehen, das ist 1987 der erste Börsencrash in der Wall Street, den wir gesehen haben.
01:27
Der Internet bubble burst im Jahr 2000. Hier hinten sehen wir das Jahr 2008. Die Glasskulptur hält etwa bei 2010-11 auf. Ich kann Ihnen sagen, meine Damen und Herren, wir sind jetzt über dem Alltime-High drüber. Das heißt also, wir können mit der nächsten Krise rechnen, wir wissen nur nicht genau, wann sie kommt.
01:45
Da stehen wir also. Und insbesondere die letzten Jahre sind sehr von Mathematik geprägt. Warum ist das der Fall? Weil eben an den Finanzmärkten sehr viele Big-Data-Systeme eingesetzt werden. Wir kommen gleich dazu. Big Data ist jetzt schon der Begriff, der gefallen ist.
02:03
Mathematik beschäftigt sich mit der Auswertung großer Datenmengen. Big Data ist der Modebegriff, der gehypte Begriff dafür. Die Nutzer, die vor dem Bildschirm, wenn sie das Internet benutzen, sitzen, die denken immer, Big Data, das sind riesige Datenmengen, die irgendwo abgelegt sind in Datenbanken.
02:22
Und diese Datenbanken seien sie los. Und da gibt es eben eine ganze Menge Produkte, Services, Fotos, die dort hinterlegt sind, geblockte Artikel und so weiter und so fort. Aber das, meine Damen und Herren, das ist ein ganz fataler Irrtum. Denn Big Data ist eine Ökologie, die sich hinter dem Bildschirm bildet, die Big Data Ökologie.
02:42
Und sie besteht aus ganz vielen intelligenten Maschinen, aus künstlicher Intelligenz. Denn künstliche Intelligenz ist derzeit die einzige Technologie, die große Datenmengen in Echtzeit tatsächlich verarbeiten kann. Darf ich gerade nochmal um Hilfe bitten?
03:01
Entschuldigung. Das hat jetzt nicht funktioniert. Ich komme auf die nächste. Entschuldigen Sie. Danke.
03:22
Ja, bitte. So, Big Data ist tatsächlich etwas, das schon 20 Jahre etwa alt ist. Und es verwundert uns nicht. Es kommt aus dem Militär. Ich habe Ihnen hier ein Big Data-System, ein frühes Big Data-System an die Wand geworfen.
03:41
Das kennen Sie alle. Das ist die Airwax. Was ist daran jetzt Big Data? Was ist daran intelligent? Auf der einen Seite sehen Sie, dass diese Maschine ausgerüstet ist mit Sensorik. Das ist eine ganz berühmte Sensorik, die Sie da oben sehen. Dieses Rotodom, das ist ein Westinghaus-Radar. Mit diesem Westinghaus-Radar fliegt also die Airwax herum,
04:01
beispielsweise jetzt ganz aktuell, über dem Baltikum und hört dort ab, überwacht den Luftraum und stellt dort fest, wer ist denn in diesem Luftraum unterwegs? Sind dort eventuell russische Jagdflugzeuge unterwegs? Verletzen die den Luftraum der EU in dem Zusammenhang bereits? Das ist etwas, was die Airwax herausfinden soll.
04:23
Und mit diesem System ist sie ausgestattet. Und sie geht hier in drei Schritten vor. Das erste ist eben, sie überwacht den Luftraum. Und das tut sie mit ihren Sensoren. Es ist allerdings auch so, dass zusätzliche Informationen hier eine Rolle spielen. Hinzu kommen beispielsweise zivile Flugpläne. Wer sollte da sonst unterwegs sein in dem Luftraum?
04:41
Oder auch Intelligence-Informationen von Agenten. Also es ist einerseits mal das Datensammeln. Alles in Echtzeit. In der nächsten Stufe ist es so, dass hier eine entsprechende Lageanalyse stattfindet. Das brauchen die Militärs. Die machen sich ein Bild davon, wie sieht gerade die Situation aus.
05:02
Damit natürlich ist es nicht genug, wenn die Militärs eine Lage festgestellt haben. Zum Beispiel, ein russischer Jäger hat den Luftraum verletzt, muss eine Entscheidung getroffen werden. Was mache ich mit dem Jäger? Wenn es ein feindlicher Jäger ist, muss ich den jetzt abschießen, lasse ich ihn weiter fliegen. Also es geht in einer dritten Stufe um die Entscheidung.
05:21
Im besten Falle in Anführungsstrichen ist es so, dass diese Entscheidung auch von einer Maschine getroffen wird. Das nennen wir eine sogenannte Kontrollstrategie. Das heißt also, wir haben hier in dem Zusammenhang der Big Data-Analyse, wir nennen das Multisensor-Daten-Fusion,
05:41
in diesem Zusammenhang einen dreistufigen Prozess. Wir sammeln sehr viele Daten ein in Echtzeit. Wir analysieren in Echtzeit diese Daten, setzen die zu einem Lagebild zusammen und in einer dritten Stufe treffen wir dann eben eine Entscheidung, eine Kontrollentscheidung. Implementiert ist das Ganze mit Verfahren der künstlichen Intelligenz,
06:03
beispielsweise mit Lernverfahren, mit Optimierungsverfahren. Kleiner Sprung, im Jahr 2000, war es politischer Wille, in der Bundesrepublik oder überhaupt in Europa den europäischen Rüstungsmarkt zu konsolidieren.
06:21
Man hat einen künstlichen Konzern geschaffen, wenn Sie so wollen, mit dem Namen EADS, European Aerospace and Defense Systems. Und unter dieser EADS hat man mittelständische Rüstungsunternehmen aus der Bundesrepublik Deutschland zusammengefangen. Und man hat diese Rüstungsunternehmen eben unter diesem Dach EADS miteinander kombiniert
06:44
und zusammengefahren in ein einziges großes Unternehmen, eigentlich in einen Monopolisten. Das war politischer Wille. Viele der Mathematiker und Physiker, die bis dahin in der Rüstungsindustrie gearbeitet haben in Deutschland, haben diesen Schritt nicht mitgemacht.
07:02
Die wollten nicht mit ihren vorherigen Konkurrenten unter einem Dach zusammenarbeiten. Was ist also passiert? Sie haben die Industrie verlassen, sind in andere Industrien hinübergetreten und haben das, was Sie da gemacht haben,
07:22
was Sie vormals gemacht haben in der Militärindustrie, in der Rüstungsindustrie, das haben Sie in anderen Industrien zur Anwendung gebracht. Man nennt das Pro-Lieferation, also die Wucherung von Wissen aus einer Industrie in andere Industrien hinein. Da haben Sie einen ganz interessanten Anwendungsfall gefunden. Sie sind nämlich an die Börse gegangen, an die Wall Street.
07:43
In dem Zusammenhang möchte ich zwei meiner Kollegen begrüßen, die hier im Publikum sitzen, die beide für Wall Street-Firmen gearbeitet haben. Wir haben an der Börse eine ganz ähnliche Situation, wie wir sie militär vorfinden.
08:04
Wir haben nämlich eine ganze Menge Datenquellen, die nicht kommensurabel sind, wie wir das nennen. Das heißt also, die produzieren Daten, die sind von völlig verschiedener Qualität. Sie haben einerseits Preisdaten, die von Banken kommen, über irgendwelche Aktienwerte, Optionen, Währungspreise.
08:20
Das sind quantitative Daten, also Zahlen. Und dann haben Sie auch andere Daten mit anderer Qualität, beispielsweise Textinformation. Die Textinformation, das können Unternehmensnachrichten sein, das können EZB-Statements sein auf irgendwelchen Pressekonferenzen und Ähnlichem. Und es gilt einfach, an der Börse diese Information zusammenzufügen,
08:41
um sich ein Bild zu verschaffen, wie sieht denn der Markt aus? Lohnt es sich, eine bestimmte Währung zu kaufen? Lohnt es sich, eine bestimmte Aktie zu kaufen? Das heißt also, wir haben nicht kommensurable Datensourcen. Wir haben auch den Fall, dass wir eben Lageranalyse vornehmen müssen und dass wir dann eine Handelsentscheidung treffen müssen, ob ich etwas tue.
09:02
Und diese Handelsentscheidung muss man dann auch natürlich nachziehen, überwachen. Also wir haben hier wirklich auch wieder diesen dreistufigen Prozess der Datenfusion. Datensammeln, Lageranalyse erstellen, Kontrollstrategie veranlassen. Das trifft an der Börse zu.
09:21
Jetzt ist es so, dass seit dem Jahr 2006 an der Wall Street die Sache sich ein bisschen verlagert hat. Nicht so sehr, was das intelligente Entscheidend anbelangt, sondern wir haben hier etwas, das sich Hochfrequenzhandel nennt, also Big Data an der Wall Street heißt eigentlich eben auch Big Speed.
09:46
Hochfrequenzhandel ist ein anderes Wort dafür. 80 Prozent des Handels in den USA ist elektronisch, ist maschinell, ist Hochfrequenzhandel. Das heißt, Hochfrequenzhandel, da handelt wirklich nur noch die Maschine mit der Maschine.
10:01
Sie dürfen sich nicht mehr vorstellen, dass die Börse so ist, wie Sie es im Fernsehen sehen. Es sitzt heute kein Händler mehr vor dem Bildschirm und schaut sich Marktpreise an. Der Bildschirm, den Sie sehen und die Preise, die Sie auf dem Markt sehen, das ist nicht der Markt. Der Markt findet statt in Rechenzentren, wo eine sogenannte Kolokation von Maschinen und Algorithmen stattfindet.
10:23
Kolokation bedeutet, die Algorithmen, die Maschinen, die die Aktien, die Titel handeln, sind direkt neben den Börsenbetreibern installiert, neben den Maschinen der Börsenbetreiber installiert, mit Hochgeschwindigkeitsnetz verbunden, damit da möglichst wenig Zeit vergeht, um einen entsprechenden Trade abzuwickeln.
10:46
Das heißt, die Trades finden hier statt im Millisekunden, ja sogar bereits im Mikrosekundentakt. Und das hat nichts mehr mit der Realwirtschaft zu tun, das hat nichts mehr mit dem realen Markt zu tun. Und das, was wir Menschen sehen, das ist einfach alles viel langsamer.
11:01
Was kann jetzt dabei schiefgehen? Das kann dabei schiefgehen. Manchmal können wir das mit bloßem Auge betrachten und auch sehen, es finden nämlich sogenannte Flashcrash statt an der Börse, verursacht durch Maschinen. Das können Fehler sein, die in den Maschinen vorliegen, beispielsweise Softwarebugs, wenn Sie so wollen.
11:28
Das kann sein, dass sich entsprechende Algorithmen beim Börsenbetreiber auf den Maschinen verhaken, weil sie alle hinter dem besten Preis her sind. Es ist aber durchaus so, dass diese Flashcrash, die hier auftreten, manchmal so schnell sind, dass wir sie eben nicht mehr sehen.
11:46
Es gibt ein Forscherteam, das hat eine Untersuchung vorgenommen auf Daten, die aufgezeichnet worden sind in den USA. Es gibt ein Unternehmen in den USA, das heißt Nanex. Es ist in Boston domiziliert und die zeichnen alle elektronischen Daten auf, die an den amerikanischen Börsen gehandelt werden.
12:07
Preise. Und wenn man diese Preise dann ex post analysiert, dann kann man hinterher feststellen, so etwas ist passiert, sogenannte Flashcrash. Die Definition ist, dass wir hier Standard Deviations von der normalen Volatilität, die sehen Sie ganz oben, fast das gerade Linie haben, also eine Abweichung von
12:24
Faktor 30 oder größer 30 von der normalen Volatilität eben verursacht durch die Maschine. Diese Flashcrash sind aufgetreten in einer Anzahl, die sehr unglaublich ist, nämlich sie haben festgestellt 18.500 Flashcrash in den amerikanischen Börsen seit 2006.
12:46
Fast unsichtbar für das oder unsichtbar für das menschliche Auge in dem Moment, wo sie auftreten. Wie gesagt, manche sind sichtbar. Der Vater des Flashcrashs hat erst am 6. Mai 2010 stattgefunden. Da ist der Dow Jones Index um 9% gefallen innerhalb von wenigen Sekunden.
13:03
Das hat 1987, Sie haben gerade die Kurve gesehen, noch einen ganzen Tag gedauert. Das heißt also, wir haben hier ein systemisches Risiko für die Finanzmärkte verursacht durch Maschinen, durch den maschinellen Hochfrequenzhandel. Jetzt ist es aber so, dass diese Flashcrashs nicht nur auftreten, wenn hier irgendwelche Fehler in der Software vorhanden sind,
13:26
sondern ist es so, dass diese Maschinen und Algorithmen ganz bewusst eingesetzt werden, um den Markt zu manipulieren.
13:41
Auch das kann man feststellen, wenn man eine Analyse ex post betreibt. Man schaut sich also die Daten an und dann findet man beispielsweise so eine Preiskurve, diese weißen Preise sind die Preise. Und dann sieht man, das kann nur von einer Maschine gehandelt worden sein. So handelt kein Mensch einen Markt.
14:00
Das ist der Fractal Limit Order Booster Algorithmus. Dann hatten wir am 6. Januar diesen Jahres den allerersten Goldeinbruch auch verursacht durch eine Maschine und zwar hatte eine ganz spezielle Eigenschaft nachgewiesen.
14:23
Und zwar ist es so, dass wenn sie an der Börse handeln, mit Hochfrequenzalgorithmen handeln, dann haben die Börsen entsprechende Stoppmöglichkeiten eingebaut. Wenn die also sehen, dass hier der Handel zu schnell wird, also fast in den Microsecond-Bereich geht, dann ist es so, dass ein bestimmter Stoppmechanismus zum Tragen kommt.
14:41
Das ist der sogenannte Circuit Breaker Mechanismus. Und die Börsen sagen uns natürlich, wie dieser Circuit Breaker Mechanismus aussieht. Und dieser Algorithmus, der hat den Circuit Breaker Mechanismus der Chicago Mercantile Exchange ausgenutzt. Das heißt also, der Algorithmus hat sich so verhalten, dass er den Goldpreis manipuliert hat, nämlich nach unten getrieben hat,
15:07
immer darauf bedacht, ja, bloß diesen Stoppmechanismus nicht auszulösen. Gestoppt wurde dieser Breakdown im Gold erst an der New Yorker Börse, an der COMEX, denn der Handel natürlich, der setzt sich dann fort über alle Börsen weltweit.
15:26
Und in der nächsten Börse, wo er dann eben ankommt, dieser Circuit Breaker hat dann zugeschlagen und hat dann verhindert, dass das Gold noch weiter runterfällt. Man hat dann hinterher analysiert, wie hoch die Aufträge waren, die hier über diesen Algorithmus abgewickelt worden sind.
15:41
Und man hat festgestellt, dass es hier quasi nur einen Verdächtigen gibt, der so einen Algorithmus in den Markt schickt. Können Sie sich vorstellen, wer das war? Die Federal Reserve Bank, also die amerikanische Notenbank. Wir haben gerade ein Zitat gesehen von Generalmayor Stephen Smith bei der Airwax.
16:03
Er hat gesagt, wir haben einen großen Informationsvorteil. Und wenn wir einen großen Informationsvorteil haben über die Systeme, die uns die Airwax gibt, durch die Überwachung und durch die Datenfusion, dann sind wir eine erfolgreiche Streitmacht. Dasselbe können Flash Traders oder Traders an der Börse auch sagen. Die sagen, wir sind dann erfolgreich, in Anführungsstrichen profitabel, wenn wir über einen Informationsvorteil verfügen.
16:28
Und den versuchen sie sich auf allen Wegen zu verschaffen, eben auch durch Manipulation. So jetzt haben wir über Industrien gesprochen, über die Rüstungsindustrie, über die Finanzserviceindustrie.
16:40
Jetzt ist es ja klar, dass die Entwicklung nicht stehen bleibt. Das heißt also, wo werden diese Anbieter, diese Algorithmen, ihre nächsten Opfer suchen? Die nächsten Opfer, das sind wir alle. Also Big Data wird jetzt auf uns angewendet. Mit genau dieser Absicht, sich einen Informationsvorteil zu verschaffen, um profitabel zu werden.
17:03
Wir haben also jetzt gerade im Moment eine zweite Kommerzialisierungswelle, die wir sehen. Und man muss halt ganz klar sagen, dass es eine ganz andere Qualität hat, einen Menschen zu überwachen, als beispielsweise einen Börsenkurs oder eine Flugzeugturbine. Das ist nicht dasselbe.
17:23
Wo ist es also der Fall, dass wir mit intelligenten Maschinen konfrontiert werden? Also wir denken beispielsweise an den Gesundheitsbereich. Im Gesundheitsbereich geht sehr viel voran. Wir haben hier den intelligenten Rollstuhl. Der kann die Gedanken seines Behinderten lesen.
17:41
Das funktioniert so, dass der Behinderte entsprechende elektromagnetische oder elektronische Flüsse im Gehirn aufweist, wenn er denkt, wenn er denkt, fahre nach rechts, fahre nach links. Und die Maschine, also dieser intelligente Rollstuhl, wird trainiert auf diesen speziellen Behinderten,
18:01
also auf die Daten, die dieser Behinderte gedanklich erzeugt, auf die Gehirnströme. Und wenn der Rollstuhl dann trainiert ist, das heißt, der lernt, dann kann der Behinderte diesen Rollstuhl steuern, indem er denkt, fahre nach rechts, fahre nach links. Das ist der Gesundheitsbereich. Dann haben wir gerade bei Professor Victor Mayer-Schönberger gehört, Versicherungen,
18:23
die neuen Telematiktarife bei den Versicherungen, sie fahren mit einem kleinen Kästchen in ihrem Auto herum, das überwacht ihr Fahrverhalten in Echtzeit permanent ohne Unterbruch und beurteilt dann, ob Sie ein guter oder ein schlechter Autofahrer sind. Fast 70 Prozent der deutschen Autofahrer würden sich permanent überwachen lassen,
18:44
um eine billige Versicherung zu bekommen. Ich glaube, dass das ziemlich leichtfertig ist, weil keiner von uns natürlich a priori sagen kann, wie gut ist denn die Situationsanalyse, der Algorithmus, der bestimmt, ob Sie ein guter oder ein schlechter Autofahrer sind. Also für die Versicherung ein profitabler oder ein nicht profitabler Autofahrer sind.
19:06
Vorsicht. Drittes Beispiel, Bank. Investmentbanken machen in der Zwischenzeit Netzwerkanalysen. Mein Team hat im Jahr 2000 für das Bayerische LKA eine Netzwerkanalyse gebaut.
19:22
Die organisierte Kriminalität hat uns gebeten, ein System zu implementieren, dass eine bestimmte Hypothese verifizieren sollte, nämlich dass sich der Drogenhandel in Bayern von einer Stadt A in eine andere Stadt B verschiebt. Die Netzwerkanalyse hat dann alle Daten, die bei den Polizeidienststellen vorhanden waren, zusammengeführt
19:44
und hat dann tatsächlich etwas festgestellt, nämlich dass sich der Drogenhandel von einer ethnischen Gruppierung zu einer anderen ethnischen Gruppierung verschoben hat. Aber wir hatten dann auch einen Anruf bekommen und es hieß dann irgendwann vom Leiter organisierter Kriminalität, das System hat geholfen, den Finanzchef von Bin Laden zu schnappen in Bayern.
20:02
Das ist über zehn Jahre her. Diese Netzwerkanalysen machen heute Banken. Die schauen, sind Sie verheiratet? Wie sind Ihre Familienverhältnisse? Mit wem sind Sie befreundet? Sind Sie kreditwürdig? Wie viel Kreditbedarf haben Sie? Wie viel Finanzbedarf haben Sie?
20:21
Es ist aber ein Riesenunterschied verglichen zur Polizei, weil ich mich erinnern kann, dass das Datenlöschsystem bei der Polizei teurer und größer war als die eigentliche Netzwerkanalyse. Es war nämlich die Frage, was passiert mit den abgeleiteten Informationen, jemandes Finanzchef von Bin Laden, wenn der vielleicht irgendwie vorbestraft war
20:45
und diese Vorstrafe verjährt war. Da musste alles gelöscht werden. Das macht keine Bank. Ein Onlineauktionshaus hat gesagt, ich habe alle Daten gespeichert seit 18 Jahren. Ich werde jetzt 18 Jahre alt. Ich habe alles gespeichert.
21:01
Wir reden über Vorratsdatenhaltung von einem Monat, drei Monaten. Es ist schon ein Unterschied, ob das beim Staat passiert, diese Datenspeicherung und Analyse, oder ob das in der Privatwirtschaft passiert. Und das ist ein Problem. Das heißt nämlich, wer Daten hat, wer Schlüsseltechnologien hat, der hat heute Macht. Und diese Macht geht weg vom Staat durch die Proliferation in andere Industrien.
21:25
Der Staat verliert an Macht, an Einfluss. Und andere gewinnen an Macht und Einfluss. Und es ist kein staatlich kontrolliertes System, was dahinter steckt. Und es ist so, dass wir auch selbst an Macht verlieren. Jede Information, die wir weitergeben, durch Bloggen, durch Facebook-Einträge,
21:46
da geben wir Macht auf. Wenn unsere Privatsphäre, wenn wir selbst unsere Privatsphäre einschränken und wir unsere Geheimnisse preisgeben, geben wir Macht auf. Wenn ich Big Data Unternehmen wäre, was würde ich machen, um meine Macht weiter auszubauen?
22:05
Erstens, ich würde viele Sensoren überall anbringen. Beispielsweise mit der magischen Brille. Ich lasse jeden mit einer Brille herumlaufen. Da werden dann entsprechende Daten gesammelt, die auch andere Menschen überhaupt nicht freiwillig geben. Ich gebe freiwillig meine E-Mail-Metadaten, meinen E-Mail-Inhalt. Okay, kann ich kontrollieren.
22:26
Aber ich kann nicht kontrollieren, wenn Sie mich filmen mit einer Brille, mit einer magischen Brille, was Sie mit meinen Daten machen. Also mit meinem Recht am Bild. Ich würde neue Körper für meine intelligenten Maschinen suchen.
22:41
Beispielsweise intelligente Heizungssensoren, intelligente Rauchmelder. Ich würde meine Maschine heraus tun aus dem Rechenzentrum hinein in Ihre Häuser. Verwanzen Sie Ihre Häuser. Das Ganze wird uns verkauft, das ist tolle Haustechnik. Noch ein Beispiel aus der Praxis. Wir haben im letzten Jahr im November in unserem Unternehmen
23:01
ein Angebot abgegeben auf eine Ausschreibung hin für intelligente Heizungssensoren. Und der Ausschreibende war ein deutsches Unternehmen, ein deutscher Energielieferant. Und in der Ausschreibung standen die Anforderungen drin. Und eine Anforderung war Messen der Luftfeuchtigkeit.
23:22
Messe ich in Ihrem Schlafzimmer die Luftfeuchtigkeit, stelle fest erhöhte Luftfeuchtigkeit, weiß ich, bei Ihnen findet erhöhte Aktivität im Schlafzimmer statt. Ich frage mich, was geht da seinen deutschen Energielieferanten an. Und wenn ich Sensor-Know-How möchte, ja dann gehe ich natürlich zum Militär, dann kaufe ich mir Militärtechnologie zu. Zum Beispiel Roboter-Technologie, Roboterfirmen,
23:45
sowas wie Boston Dynamics. Die haben ganz viel Erfahrung mit Sensoren. Und wenn ich das Ganze noch global mache, dann kaufe ich mir noch einen Drohnenhersteller. Und ich habe ganz viele fliegende Augen, nicht nur eine Airwax. 20.000 über Afrika, wow. Und das Ganze würd sich dann noch mit ein bisschen mehr Intelligenz
24:08
und mit Machine Learning. Und dann halte ich Ausschau nach kleinen Spezialanbietern von maschinellen Lernverfahren, wie zum Beispiel DeepMind in Großbritannien. Ich baue mir Schlüsseltechnologien auf und ich schau, dass ich Daten bekomme.
24:26
Und hier muss ich Sie entsprechend desillusionieren. Wir haben ja das Motto hier dieser Konferenz, das heißt into the wild. Muss ich mich jetzt anders verhalten, weil ich werde ja überwacht überall, es wird ja immer enger. Das Problem ist, wenn Sie maschinelle Lernverfahren, also Maschinen richtig gut intelligent machen,
24:45
dann geben Sie denen ein sogenanntes Meta-Learning-Verfahren mit. Diese Maschinen werden merken, wenn sie sich anders verhalten. Und die ziehen ihr Verhalten nach, die sind nämlich adaptiv. Es gibt fast keine Möglichkeit mehr rauszukommen.
25:00
Und das diejenigen, die diese Technologien und die Daten in der Hand haben, die haben eine Möglichkeit. Die können geistiges Terraforming betreiben. Und wo wir dann hinkommen, meine Damen und Herren, das ist ein Supra-Staat, was hier entsteht. Und das hat nichts mehr mit Demokratie zu tun. Da haben wir auch nichts mehr zu sagen.
25:22
Demokratie bedeutet Willensbildung von unten. Das haben wir nicht bestimmt. Wir kriegen das von oben auf oktruiert. Und wir sollten gut daran tun, wenn wir auf diese Visionäre hören. Die sagen uns nämlich, was sie wollen. Die sagen uns, Staaten werden in der Zukunft nur noch Aufpasserfunktion haben. Wir wissen, was gut für euch ist.
25:42
Wir machen die Welt geistiges Terraforming. Und der Grund, weshalb ich heute hier bin, ist zum Abschluss. Ich möchte Ihnen sagen, wir sind auf dem Weg dahin. Das war kein Science-Fiction, was ich Ihnen erzählt habe. Das ist ja passiert.
26:00
Das haben Sie ja auch gewusst, wen ich meine. Sie müssen wissen, Sie geben Macht weg mit jedem Datum, das Sie weggeben. Freiwillig oder auch unfreiwillig. Was machen wir also als Gesellschaft? Wir haben auch Verantwortung für unsere Freiheit. Victor Mayer-Schönberger hat das eben auch gerade gesagt. Wir müssen auch auf den Start zugehen und sagen, wir sind in einer neuen Zeit.
26:22
Wir müssen neue Regeln haben. Wir müssen das irgendwie organisieren, einschränken. Unsere Kartellregeln beispielsweise. Die halten nicht mehr. Die nützen hier nichts. Die müssen geändert werden. Wir würden in keiner anderen Industrie ein Seuchtsmonopol, wie es jetzt hier gerade entsteht, akzeptieren.
26:43
Ändere was. Stelle neue Regeln auf. Und der Aufruf geht natürlich auch an die Technologen. Die Technologen sind angehalten, die Technologien besser zu machen. Die Rechte, die wir haben, die Freiheitsrechte, die wir haben,
27:01
einzubauen in Applikationen, Anwendungen, Big Data Fusion. Wir müssen Privacy by Design einbauen, Security by Design und Rules of Encounter. Systeme müssen wissen, sie haben Benimmregeln zu befolgen. Die können nicht einfach tun, was sie wollen.
27:20
Denn ich möchte eines, meine Damen und Herren. Ich will, dass Sie bestimmen, wie die Kurviere weitergeht. Und nicht irgendwelche Mathematiker, wenige Mathematiker, wenige Unternehmen, die über Daten und Technologien verfügen. Unsere Freiheit ist in ganz zerbrechlichen Gefäßen.
27:43
Aber wir sind da souverän. Sie sollen bestimmen, wie es hier weitergeht. Das ist Ihre Hausaufgabe für heute. Vielen herzlichen Dank.
Recommendations
Series of 2 media