<p>Willkommen zu unserer letzten sehr kurzen Folge beim datenleben-Podcast. Nach 57 Folgen, stöpseln wir das Mikro aus. Mit dieser Folge wollen wir deswegen einfach nur danke sagen, und uns verabschieden – damit dieser Podcastfeed nicht einfach nur abrupt endet. Als Data Science Podcast haben wir uns immer gern damit befasst, wie der Umgang mit Daten, Einfluss auf unser Leben und die Welt um uns herum hat. Wir hoffen, dass unsere Folgen weiterhin Menschen erreichen und die Grundgedanken hinter unseren Themen vermitteln können. Ausserdem wird es auch nicht gar keinen Content mehr geben, wie Helena kurz erzählt.</p>
<h3>Links</h3>
<ul>
<li><a href="https://www.datenleben.de/">www.datenleben.de</a></li>
<li>Social Media: Mastodon <a href="https://podcasts.social/@datenleben">@datenleben@podcasts.social</a></li>
<li>YouTube: <a href="https://www.youtube.com/@datenleben">@datenleben</a></li>
</ul>
<h3>Schlagworte zur Folge</h3>
<p>Data Science, Podcast, Abschied</p>
<h3>Macht's gut</h3>
<p>Helena: Willkommen zu unserer letzten, sehr kurzen Folge beim Datenleben Podcast. Wir sind Helena</p>
<p>Janine: und Janine</p>
<p>Helena: und haben euch 57 Folgen lang in die Welt der Daten mitgenommen.</p>
<p>Janine: Und in dieser Folge wollen wir im Wesentlichen nur Danke sagen und uns einmal verabschieden.</p>
<p>Helena: Ja, auf absehbare Zeit werden wir hier keine Folgen mehr veröffentlichen. Und deswegen dachten wir, veröffentlichen wir diese kurze Folge, damit der Podcast-Feed nicht so verwahrlost aussieht, wo dann irgendwie seit langem keine Folge mehr veröffentlicht wurde und keiner weiß, warum.</p>
<p>Janine: Als Data Science Podcast haben wir uns ja immer gern damit befasst, wie der Umgang mit Daten funktioniert, wie sie Einfluss auf unser Leben und die Welt um uns herum haben, zum Beispiel wie Daten eben unsere Handlungen oder unsere Wahrnehmung beeinflussen können, wie sie auf Entscheidungen wirken oder wie der Umgang mit Daten ganz konkret unsere Gesellschaft gestaltet, in der wir leben. Viele der Themen hatten zwar auch sehr aktuelle Aufhänger jeweils, aber haben oft einen bestimmten Kern gehabt, der weiter relevant bleiben wird. Es sind ja alles vor allem Beispiele für die grundsätzliche Art, wie Daten unser Leben beeinflussen. Und deswegen werden diese Folgen in dem Sinne auch gar nicht veralten. Empfehlt unseren Podcast ruhig gerne trotzdem weiter, wenn ihr in unseren Folgen eben Themen findet, die für andere vielleicht von Interesse sein könnten, aber neue wird es eben leider nicht mehr geben.</p>
<p>Helena: Dafür werde ich mich mehr auf die Tutorials konzentrieren, die wir seit einiger Zeit auf YouTube veröffentlichen. Die werden auch weiterhin auf unserem YouTube-Kanal zu finden sein. Und ja, also wenn ihr mehr über Datenvisualisierung mit ggplot wissen wollt, dann kommt dort doch gerne vorbei und abonniert den Kanal und wahrscheinlich werden die Tutorials auch noch in andere Richtungen weitergehen.</p>
<p>Janine: Ja, und damit bleibt nach fast fünf Jahren dann nur noch zu sagen, vielen Dank, dass ihr uns gehört habt, für euer Feedback und eure Themenvorschläge und überhaupt für euer Interesse.</p>
<p>Helena: Ja, vielen Dank für die Aufmerksamkeit und auch vielen Dank dafür, dass ihr uns die 57 Folgen lang zugehört habt. Also bis vielleicht auf YouTube. Ciao!</p>
<p>Janine: Tschüss!</p>


<description>Willkommen zu unserer letzten sehr kurzen Folge beim datenleben-Podcast. Nach 57 Folgen, stöpseln wir das Mikro aus. Mit dieser Folge wollen wir deswegen einfach nur danke sagen, und uns verabschieden – damit dieser Podcastfeed nicht einfach nur abrupt endet. Als Data Science Podcast haben wir uns immer gern damit befasst, wie der Umgang mit Daten, Einfluss auf unser Leben und die Welt um uns herum hat. Wir hoffen, dass unsere Folgen weiterhin Menschen erreichen und die Grundgedanken hinter unseren Themen vermitteln können. Ausserdem wird es auch nicht gar keinen Content mehr geben, wie Helena kurz erzählt.</description>

... und danke für den Fisch (;

Willkommen zu unserer letzten sehr kurzen Folge beim datenleben-Podcast. Nach 57 Folgen, stöpseln wir das Mikro aus. Mit dieser Folge wollen wir deswegen einfach nur danke sagen, und uns verabschieden – damit dieser Podcastfeed nicht einfach nur abrupt endet. Als Data Science Podcast haben wir uns immer gern damit befasst, wie der Umgang mit Daten, Einfluss auf unser Leben und die Welt um uns herum hat. Wir hoffen, dass unsere Folgen weiterhin Menschen erreichen und die Grundgedanken hinter unseren Themen vermitteln können. Ausserdem wird es auch nicht gar keinen Content mehr geben, wie Helena kurz erzählt.

dl058: macht's gut


<h3 class="wp-block-heading">Intro (00:00:00)</h3>


<h3 class="wp-block-heading">Thema des Podcasts (00:00:18)</h3>


<p>Willkommen zur zwölften Folge beim datenleben-Podcast, dem Podcast über Data Science.<br>Wir sind Helena und Janine und möchten euch mitnehmen in die Welt der Daten. Je mehr Daten die Menschheit produziert, desto größer und wichtiger wird die Rolle von Data Science in unserem Leben.<br>Darum möchten wir euch Data Science näher bringen!</p>


<h3 class="wp-block-heading">Thema der Folge (00:00:39 )</h3>


<ul><li>Diese Folge ist Teil 2 unserer Doppelfolge "Menschen und Maschinen".</li>
<li>Es geht um das Thema Künstliche Intelligenz, das im Data Science Feld sehr verbreitet ist.</li><li>Meistens im Kontext Maschinelles Lernen.</li>
<li>Es uns hier aber nicht um den technischen Askepkt, sondern die Frage: Können Maschinen denken?</li>
<li>Mit dabei ist als Gäst*in Elisa. Elisa hat sich mit dem Turing-Test und dem Film Ex Machina befasst und dabei besonders auf den Genderaspekt Bezug genommen.</li
><li>Uns beschäftigt: Welche Konsequenzen würden aus der Existenz denkender Maschinen entstehen?</li>
<li>Es gibt in der Populärkultur viele verschiedene Ansätze Künstliche Intelligenz zu denken</li><li>Neben Isaac Asimovs Robotergesetzen, reden wir auch über die Folge "Wiedergänger" von Black Mirror, über das Buch "Maschinen wie ich" von Ian McEwan und über den Film "Ex Machina"</li></ul>


<h3 class="wp-block-heading">Worum ging es nochmal in Teil 1? (00:01:30)</h3>


<ul><li>In dem Aufsatz <a href="https://www.csee.umbc.edu/courses/471/papers/turing.pdf">Computing Machinery and Intelligence</a> von <a href="https://de.wikipedia.org/wiki/Alan_Turing">Alan Turing</a> stellt er 1950 die Frage "Können Maschinen denken?"</li><li>Testaufbau Imitationsspiel: A = Mann, B = Frau, C = interviewende Person; A muss so tun als sei er eine Frau, B soll C bei der Identifikation unterstützen</li><li>Im nächsten Schritt: Wenn A jetzt eine Maschine ist, was käme dann heraus, würde C bei der Identifikation genauso oft richtig oder falsch liegen?</li><li>Spannend ist, dass er in seinem Imitationsspiel auch die Genderfrage diskutiert</li><li><a href="https://de.wikipedia.org/wiki/Ada_Lovelace">Ada Lovelace</a> wandte Mitte des 19. Jhs. ein, dass Maschinen nur können, was der Mensch hineingibt</li><li>Turing: Dabei kann der Mensch auch nur, was in ihn "einprogrammiert" wurde</li><li>Elisa hat herausgestell, dass Turing sagt, dass Menschen sich gerne überlegen fühlen</li><li>Daher auch das Pochen einiger darauf, dass nur Menschen zum Denken fähig wären</li><li>Das Rückt ein Konzept von Mensch ins Zentrum, der seine Vormachtsstellung bedroht sieht</li><li>Angst vor Kontrollverlust ist oft Thema in kulturellen Bearbeitungen des Themas Künstliche Intelligenz</li><li>Also die Angst davor die Schöpfung nicht beherrschen zu können und von ihr angegriffen zu werden</li><li>Dabei werden zwei Geschichten erzählt: Entweder die Geschichte einer Menschwerdung oder die Geschichte von Macht und Unterdrückung</li><li>Turing hilft uns nicht weiter, ob Maschinen denken können: ihn interessiert nur das beobachtbare Verhalten, nicht die inneren Vorgänge (von Mensch oder Maschine)</li><li>Er hat aber schon auf wesentliche Bedingungen in der Mensche-Maschine-Beziehung hingewiesen</li><li>Das Thema treibt viele um und mehr als Spekulieren ist bis heute immer noch nicht möglich</li><li>Auch deswegen ist das Thema Künstliche Intelligenz in kultureller Auseinandersetzung so präsent</li><li>Und damit geht es jetzt weiter:</li></ul>


<h3 class="wp-block-heading">Über die Robotergesetze von Isaac Asimov (00:06:13)</h3>


<ul><li>Einige Jahre vor Turings Aufsatz, sind <a href="https://de.wikipedia.org/wiki/Isaac_Asimov">Isaac Asimovs</a> Robotergeschichten erschienen.</li><li>Bekannt sind sie vor allem für ihre drei, später vier, Robotorgesetze, die verhindern sollen dass Roboter sich gegen den Menschen richten</li><li>Er bringt in seinen Geschichten diese Gesetze aber auch immer wieder an ihre Grenzen</li><li>Beispiel: in einer <a href="https://de.wikipedia.org/wiki/Lucky_Starr">Lucky Starr</a> Geschichte wird Robotern eingeredet, ein Raumfahrzeug wäre unbemannt, und daher abgeschossen werden könne, obwohl das nicht stimmt und am Ende Menschen sterben</li><li>In <a href="https://en.wikipedia.org/wiki/The_Evitable_Conflict">The Evitable Conflict</a>, der letzten Kurzgeschichte aus <em>I, robot</em> (deutsch: <a href="https://www.penguinrandomhouse.de/Taschenbuch/Ich-der-Roboter/Isaac-Asimov/Heyne/e341466.rhd?rhcampaignid=&amp;gclid=EAIaIQobChMIqo3d4PrD7wIVU-R3Ch1VTgFrEAAYASAAEgJ7NvD_BwE">Ich, der Roboter</a>) gibt es eine KI, die sämtliche Geschicke der Menschen lenkt. Und es gibt ein Problem: sie fügt Menschen schaden</li>
<li>Es stellt sich heraus: Sie hat die Gesetze erweitert/neu ausgelegt, um größeren Schaden abzuwenden</li>
<li>Man kommt zu der Überzeugung, dass man Maschinen diese Gesetze nicht einprogrammieren kann</li><li>Vor allem wegen der auch von Asimov schon aufgezeigten Schwächen und Komplikationen</li><li>Paradox: Man versucht über die KI Macht auszuüben, die man über die Menschheit selbst nicht hat</li><li>Weitere Frage: Kann KI zu überlegen sein? Nimmt sie dann eine göttliche Position ein? (allwissend etc.)</li><li>Beispiele: <a href="https://www.ullstein-buchverlage.de/nc/buch/details/qualityland-20-9783550201028.html">Qualityland 2.0</a>, Buchreiche <a href="https://marie-grasshoff.de/die-buecher/neon-birds/">Neon Birds</a></li><li>Würde sich eine solche KI überhaupt für die Menschheit interessieren?</li><li>William Gibbson <a href="https://de.wikipedia.org/wiki/Neuromancer-Trilogie">Neuromancer</a>: Superintelligenz will nur andere ihrer Sorte finden, Menschen sind egal</li><li>Wenn sie sich nicht für uns interessiert, rottet sie uns dann vielleicht versehentlich aus?</li><li>Dietmar Dath: <a href="https://www.fischerverlage.de/buch/dietmar-dath-der-schnitt-durch-die-sonne-9783103973068">Der Schnitt durch die Sonne</a>, hier nutzt auch eine (nicht technische) Superintelligenz die Menschen aus, um andere Superintelligenzen zu finden</li><li>Am Ende bleibt vor allem die Frage: Wie geht der Mensch mit sich selber um?</li><li>Was passiert, wenn Menschen und Maschinen aufeinander treffen?</li></ul>


<h3 class="wp-block-heading">Über die Folge "Wiedergänger" der Serie Black Mirror (00:17:31)</h3>


<ul><li>Beispiel 1, Serie: Black Mirror-Folge Be Right Back, auf deutsch <a href="https://de.wikipedia.org/wiki/Black_Mirror_(Fernsehserie)/Episodenliste#Staffel_2">Wiedergänger</a></li><li>Nach dem Unfalltot ihres Freundes Ash, nimmt Martha, zunächst Abstand von einem Dienst, bei dem man per Messenger mit einer KI kommuniziert, die den Charakter Verstorbener Menschen nachahmt</li><li>Als sie erfährt, dass sie schwanger ist, tut sie es dann doch, weil sie nicht weiß wohin mit sich.</li><li>Sie bekommt tatsächlich das Gefühl mit Ash zu schreiben und entwickelt eine Sehnsucht nach ihm.</li><li>Irgendwann wird auch ein nachgebildeter Mensch angeboten, der mit seinem Profil bespielt ist</li><li>In der Interaktion mit ihm, merkt sie immer deutlicher, dass etwas mit ihm "nicht" stimmt", dass es einfach kein Ersatz für ihren Ash ist, muss sich aber jetzt mit der Maschine befassen</li><li>Offensichtliches Problem: Datengrundlage wird immer Lücken haben; z.B.: Wie lernt die Person Neues?</li><li>Was ebenfalls fehlt: Erinnerungen und Bewertung von Erinnerungen wie Fotos etc., weil Wissen fehlt</li><li>Klassisch bei Black Mirror ist ja bestimmte technische Möglichkeiten durchzuspielen</li><li>Frage, die das aufwirft: Würde man einen lieben Menschen als KI überhaupt simuliert haben wollen?</li><li>KI wird das komplexe Bewusstsein des Menschen nicht mit hinterlassenen Daten nachbauen können</li><li>Dennoch hegen wir vielleicht (wie Martha) eine gewisse Hoffnung</li><li>In Wiedergänger nutzt eine Firma ihr Modell, um Trauernden Geld abzunehmen, sie verkaufen Hoffnung</li><li>Mensch-Maschine-Interaktion: auf dieser Basis muss sie scheitern muss, aber wie scheitert sie?</li><li>Es gibt auch mindestens eine Serie, in der ein Mensch komplett "gespeichert" und in einen maschinellen Host eingesetzt wird</li><li>Menschen versuchen tatsächlich sich nach dem Tod einfrieren zu lassen, in der Hoffnung künftig wieder in einem künstlichen Körper leben zu können</li><li>In der Serie <a href="https://de.wikipedia.org/wiki/Altered_Carbon_%E2%80%93_Das_Unsterblichkeitsprogramm">Altered Carbon</a> wird auch das Bewusstsein auf einem Chip gespeichert: Unsterblichkeit, etc.</li><li>Ist ein menschliches Bewusstsein, das man auf einem Chip speichert und einsetzen kann, wirklich Künstliche Intelligenz?</li></ul>


<h3 class="wp-block-heading">Über den Roman "Maschinen wie ich" von Ian McEwan (00:30:52)</h3>


<ul><li>Beispiel 2, Buch: <a href="https://www.diogenes.ch/leser/titel/ian-mcewan/maschinen-wie-ich-9783257609585.html">Maschinen wie ich</a> von Ian McEwan, erschienen bei Diogenes</li><li>Spielt im London im Jahr 1982: aufgrund von Alan Turings Forschungen gibt es bereits Internet, selbstfahrende Autos und den ersten echten künstlichen Menschen</li><li>Es ist eine Alternativwelt, in der Alan Turing nicht so früh gestorben ist und eine KI entwickelt hat</li><li>Charlie kauft sich einen "Adam", weil er gerne (außer seiner Freundin Miranda) einen Freund hätte</li><li>Dies führt zu einer komplizierten Dreierkonstellation mit Adam</li><li>Adam immitiert erfolgreich Bewusstsein, weil Charlie ihn selbst als Black Box beschreibt</li><li>Charlie und Miranda, können ausserdem Adams Eigenschaften im Vorfeld bestimmen können</li><li>In diesem Roman werden sehr viele verschiedene wichtige Aspekte in Bezug auf KI dargestellt und Fragen aufgeworfen</li><li>Auch zum Beispiel die Frage danach, in wie fern eine KI Liebe empfinden kann und was Liebe ist</li><li>Es wird auch reflektiert, wie man als Mensch auch miteinander umgehen sollte, bzw. wie gerade nicht</li><li>Weitere Aspekte: Charlie "besitzt" Adam und Charlie und Miranda haben eine Art von Elternschaft</li></ul>


<h3 class="wp-block-heading">Über den Film "Ex Machina"</h3>


<ul><li>Beispiel 3, Film: <a href="https://de.wikipedia.org/wiki/Ex_Machina_(Film)">Ex Machina</a></li><li>Besonders interessant, weil der Turing-Test konkret vorkommt und stark auch der Genderaspekt</li><li>Ein junger Entwickler wird eingeladen in eine Forschungseinrichtung, wo er einen Turing-Test durchführen soll an der KI namens Ava</li><li>Die KI wird offensichtlich als Maschine, aber auch offensichtlich als weiblich dargstellt</li><li>Avas Ziel ist es frei zu kommen aus dem Forschungsbunker und verhält sich dafür explizit weiblich</li><li>Es wird klar gemacht, dass Ava ein funktionierendes Bewusstsein hat, Frage ist, wie der Mensch darauf reagiert und damit umgeht</li><li>Der Film ist aber auch hinsichtlich von Macht, Sexismus und Rassismus kritisch zu betrachten</li><li>Der Schöpfer in diesem Film verlässt sich sehr auf sein Können, aber die KI lernt darüber hinaus</li><li>Das Motiv des hochmütigen Schöpfers kommt hier wieder vor</li><li>Ava betätigt sich auch künstlerisch, hier wird die Frage aufgeworfen was Kreativität</li><li>Wie werden weibliche KIs dargestellt, wie männliche KIs? Sind bedrohliche KIs immer bedrohlich? Weibliche immer Assistenzen?</li><li>Zumindest in The 100 gibt es eine weibliche KI, die für die Menschheit sehr bedrohlich wird</li><li>Göttähnliche Super-KI aus Neonbirds ist auch eine weibliche KI</li><li>In Ex Machina ist Gender sehr wichtig in Hinsicht darauf, was wir von den Genderrollen erwarten</li></ul>


<h3 class="wp-block-heading">Fazit (01:00:24)</h3>


<ul><li>Wir konnten hoffentich etwas vertiefend darstellen, wie der Turing-Test von Alan Turing gemeint war, dass auch der Genderaspekt darin eine wichtige Rolle spielt</li><li>Ausserdem wissen wir sehr gut, dass Zukunft und KI nicht vorhersehbar sind, man kann sich nur Gedanken machen</li><li>Wir müssen darauf achten mit KI keine Diskriminierungsformen zu reproduzieren</li><li>Man kann nicht genug über (vermeintliche) Selbstverständlichkeiten nachdenken, wie Turing auch</li><li>Fiktionen sind wichtig um Konzepte durchzudenken, zu entwickeln, sich damit zu konfrontieren</li><li>Da gibt es viel, was man sich ansehen und lesen kann; Fiktionen geben Spekulationen nötigen Raum</li><li>Was ist der Human Bias? Was erwarten wir, was wollen wir, was tragen wir an KI heran?</li></ul>


<h3 class="wp-block-heading">Nächste Folge: Datenvisualisierung am 24.04.2021 (01:05:25)</h3>


<ul><li>Es wird wieder technischer: und zwar mit Datenvisualisierung im Allgemein, weil es ein riesiges Feld ist</li><li>Was kann man damit zeigen? Wofür verwendet man es? Und auch: Wie manipuliert man damit?</li></ul>


<h3 class="wp-block-heading">Call to Action (01:05:58)</h3>


<ul><li>Wenn ihr uns weiter hören möchtet, folgt uns auf Twitter unter <a href="https://twitter.com/datenleben">@datenleben</a></li><li>Oder besucht unsere Webseite: <a href="https://www.datenleben.de/">www.datenleben.de</a></li><li>Hinterlasst uns gerne Feedback, wir würden uns darüber sehr freuen</li><li>Habt ihr Fragen oder Themen, die euch interessieren? Dann schreibt uns!</li></ul>


<h3 class="wp-block-heading">Outro (01:06:24)</h3>


<h3 class="wp-block-heading">Schlagworte zur Folge</h3>


<p>Künstliche Intelligenz, KI, Alan Turing, Imitationsspiel, Robotergesetze, Ex Machina, Black Mirror, Ian McEwan</p>


<h3 class="wp-block-heading">Quellen</h3>


<ul><li><a href="https://www.csee.umbc.edu/courses/471/papers/turing.pdf">Computing Machinery and Intelligence</a></li><li><a href="https://de.wikipedia.org/wiki/Alan_Turing">Wikipedia: Alan Turing</a></li><li><a href="https://de.wikipedia.org/wiki/Ada_Lovelace">Wikipedia: Ada Lovelace</a></li><li><a href="https://de.wikipedia.org/wiki/Isaac_Asimov">Wikipedia: Isaac Asimovs</a></li><li><a href="https://de.wikipedia.org/wiki/Lucky_Starr">Wikipedia: Lucky Starr</a></li><li><a href="https://en.wikipedia.org/wiki/The_Evitable_Conflict">Wikipedia: The Evitable Conflict</a></li><li><a href="https://www.penguinrandomhouse.de/Taschenbuch/Ich-der-Roboter/Isaac-Asimov/Heyne/e341466.rhd?rhcampaignid=&amp;gclid=EAIaIQobChMIqo3d4PrD7wIVU-R3Ch1VTgFrEAAYASAAEgJ7NvD_BwE)">Isaac Asimov: Ich, der Roboter</a></li><li><a href="https://www.ullstein-buchverlage.de/nc/buch/details/qualityland-20-9783550201028.html">Marc-Uwe Kling: Qualityland 2.0</a></li><li><a href="https://marie-grasshoff.de/die-buecher/neon-birds/">Marie Grasshoff: Neon Birds</a></li><li><a href="https://de.wikipedia.org/wiki/Neuromancer-Trilogie">Wikipedia: Neuromancer (William Gibbson)</a></li><li><a href="https://www.fischerverlage.de/buch/dietmar-dath-der-schnitt-durch-die-sonne-9783103973068">Dietmar Dath: Der Schnitt durch die Sonne</a></li><li><a href="https://de.wikipedia.org/wiki/Black_Mirror_(Fernsehserie)/Episodenliste#Staffel_2">Wikipedia: Black Mirror, Episodenliste Staffel 2 (siehe Wiedergänger)</a></li><li> <a href="https://de.wikipedia.org/wiki/Altered_Carbon_%E2%80%93_Das_Unsterblichkeitsprogramm">Wikipedia: Altered Carbon</a></li><li><a href="https://www.diogenes.ch/leser/titel/ian-mcewan/maschinen-wie-ich-9783257609585.html">Ian McEwan: Maschinen wie ich</a></li><li><a href="https://de.wikipedia.org/wiki/Ex_Machina_(Film)">Wikipedia: Ex Machina</a></li></ul>


<h3 class="wp-block-heading">Weiterführende Links</h3>


<ul><li><a href="https://www.deutschlandfunkkultur.de/kuenstliche-intelligenz-das-maerchen-vom-computer-gott.1005.de.html?dram:article_id=444126">Deutschlandfunk Kultur: Das Märchen vom Computer-Gott. Ein Kommentar von Enno Park</a></li><li><a href="https://lithub.com/have-robots-always-been-with-us/">LITHUB: Have Robots… Always Been With Us? Rebecca Morgan Frank on Books by Charles Dickens, Elizabeth King, Karel Čapek, and More</a></li><li><a href="https://www.hsozkult.de/event/id/event-95431">hsozkult: Queere KI. Zum Coming-out smarter Maschinen Digitales Symposium des Schaufler Kolleg@TU Dresden in Kollaboration mit der GenderConceptGroup</a></li><li><a href="https://www.youtube.com/watch?v=l912iOfgs9w">Bryce Edward Brown: The Ending Of Be Right Back Explained</a></li></ul>


<p></p>


In dieser Folge sprechen wir über Künstliche Intelligenz. Aber wir wollen dabei nicht so sehr über den technischen Aspekt reden, sondern über die Frage: Können Maschinen denken? In Teil 1 ging es vor allem um Alan Turing und darum, wie Turing seinen Test ursprünglich dachte und welche Einwände es gegen seinen Test gibt. In Teil 2 sprechen wir jetzt vor allem über verschiedene Darstellungen von Mensch-Maschine-Beziehungen in der Populätkultur: Asimovs Robotergesetze und weitere Romane, Serien und Filme werden erwähnt und genauer angeschaut.

Wie werden Mensch-Maschine-Beziehungen dargestellt?

dl012: menschen und maschinen - teil 2


<h3 class="wp-block-heading">Intro (00:00:00)</h3>



<h3 class="wp-block-heading">Thema des Podcasts (00:00:18)</h3>



<p>Willkommen zu unserer elften Folge beim datenleben-Podcast, dem Podcast über Data Science. Wir sind Helena und Janine und möchten euch mitnehmen in die Welt der Daten. Was ist Data Science? Was für verschiedene Daten gibt es und wie gehen wir mit diesen um? Was können wir mit Daten lernen? Diesen Fragen gehen wir in unserem Podcast nach.</p>



<h3 class="wp-block-heading">Thema der Folge (00:00:39 )</h3>



<ul class="wp-block-list"><li>In dieser Folge sprechen wir über Künstliche Intelligenz. Aber wir wollen dabei nicht so sehr über den technischen Aspekt, sondern über die Frage: Können Maschinen denken?</li><li><a href="https://de.wikipedia.org/wiki/Alan_Turing">Alan Turing</a> stellte diese Frage der Beschreibung seines <a href="https://de.wikipedia.org/wiki/Turing-Test">Turing-Test</a> voran</li><li>Wie Turing seinen Test ursprünglich dachte, darum soll es heute unter anderem gehen</li><li>Es gibt ganz viele verschiedene Ansätze und Implikationen Künstliche Intelligenz zu denken, das sehen wir uns an einigen Beispielen der Populärkultur an</li></ul>



<h3 class="wp-block-heading">Warum ist Künstliche Intelligenz ein wichtiges Thema? (00:01:42)</h3>



<ul class="wp-block-list"><li>KI ist im Data Science Feld sehr verbreitet, meistens ist hier damit Maschinelles Lernen gemeint</li><li>Bildklassifizierung, Texterfassung etc. - Aber heute geht es um denkende Maschinen</li><li>Technisch ist das noch nicht absehbar, ab wann es so weit ist, dass eine Maschine 'denken' kann</li><li>Aber viele Menschen gehen davon aus, dass wir diesen Punkt irgendwann erreichen werden</li><li>Daher gibt es zwei Fragen: Woher wissen wir dann, dass wir diesen Punkt erreicht haben? Und was bedeuted das für unsere Gesellschaft?</li><li>Weil es philosophischer zugehen wird, haben wir uns Unterstützung dazugeholt</li><li>Elisa hat bei den Datenspuren 2019 über <a href="https://media.ccc.de/v/ds19-10484-mit_ava_und_alan_im_patriarchatscode_hacken">Alan Turing, Gender und den Film Ex Machina</a> gesprochen</li></ul>



<h3 class="wp-block-heading">Vorstellung Elisa (00:03:56)</h3>



<ul class="wp-block-list"><li>Elisa (Twitter: <a href="https://twitter.com/3lli_el">@3lli_el</a> oder E-Mail: 3lisa@mailbox.org erreichbar) macht ganz viele unterschiedliche Dinge, begreift sich als feminist killjoy</li><li>Studiert Medienwissenschaften und hat diese <a href="http://www.datenleben.de/wp-content/uploads/2021/02/3lisa_simulating-gender_ava_und_alan.pdf">Arbeit über Turing in Ex Machina</a> geschrieben</li><li>Verknüpfung mit Genderstudies lag hier — als eines von Elisas Kernthemen — auf der Hand</li></ul>



<h3 class="wp-block-heading">Einspieler: Von künstlichen Wesen (00:05:56)</h3>



<ul class="wp-block-list"><li>Die Idee vom Künstlichen Menschen ist alt. Sehr alt.</li><li>Wann immer man sich mit diesem Thema befasst, stößt man auf zwei Urtypen des Künstlichen Wesens:</li><li>Der <a href="https://de.wikipedia.org/wiki/Golem">Golem</a> aus der jüdischen Kultur und auf das <a href="https://de.wikipedia.org/wiki/Frankenstein_(Roman)">Frankensteinsche Monster</a> von Mary Shelley</li><li>Ausgehend von den Golem-Legenden prägte der Literat Josef Capek den Begriff Robot, der auf das tschechische robota zurückgeht, das mit Frondienst/Zwangsarbeit übersetzt werden kann</li><li>Sein Bruder Karel Capek machte den Begriff mit seinem Drama <a href="https://de.wikipedia.org/wiki/R.U.R.">R.U.R. – Rossum’s Universal Robots</a> von 1920 weltweit bekannt.</li><li>Mit solchen Entwicklungen in Literatur, Theater und mehr, hat sich die Erzählung über künstliche Wesen in alle Bereiche ausgedehnt</li><li>Dabei werden zwei Geschichten erzählt: Entweder die Geschichte einer Menschwerdung oder die Geschichte von Macht und Unterdrückung</li><li>Fragen: Können Maschinen denken? Können sie sogar Fühlen? Und welche Absichten haben sie?</li></ul>



<h3 class="wp-block-heading">Was ist Künstliche Intelligenz, oder wie Turing fragte: Können Maschinen denken? (00:08:53)</h3>



<ul class="wp-block-list"><li>Turing veröffentlichte 1950 den Aufsatz <a href="https://www.csee.umbc.edu/courses/471/papers/turing.pdf"><em>Computing Machinery and Intelligence</em></a></li><li>Steigt mit der Frage ein: Können Maschinen denken?</li><li>Einfache Darstellung des Turing-Testes: Ein Interviewer soll bei einem textbasierten Interview unterscheiden, ob die Antwortenden Menschen oder Maschinen sind</li><li>Turing entwickelt sein Imitationsspiel, in der ersten Variante gibt es 3 Parteien</li><li>Partei A = Mann, B = Frau, C = interviewende Person; A muss so tun als sei er eine Frau, B soll C bei der Identifikation unterstützen</li><li>Frage: mit welcher Wahrscheinlichkeit entscheidet C, wer die Frau ist?</li><li>Im nächsten Schritt: Wenn A jetzt eine Maschine ist, was käme dann heraus, würde C bei der Identifikation genauso oft richtig oder falsch liegen?</li><li>Warum macht er das? In diesem Testaufbau geht es nur noch um das Beobachtbare Verhalten, nicht um die inneren Vorgänge (von Mensch oder Maschine)</li><li>Turing geht es um Maschinen als digitale Computer und dachte sie weiter, als sie seinerzeit existierten</li><li>Mit seinem Gedankenexperiment stellt er aber vor allem die Frage: Was ist menschliches Denken?</li><li>Das führt dazu zu fragen: Was meinen Menschen, dass sie können und welchen Anspruch haben sie an eine potentiell denkende Maschine?</li><li>Turing greift auch den <a href="https://de.wikipedia.org/wiki/Evolution%C3%A4rer_Algorithmus">genetischen Algorithmus</a> schon vorweg: Man nimmt in den Tests erfolgreiche Komponenten, kombiniert diese und stellt mit einem Zufallselement dann Mutationen dar</li><li>Heute benutzt man genetische Algorithmen als Methode im Maschinellen Lernen</li><li>Turing ging es damals mehr um das philosophische Interesse an den kommenden Möglichkeiten</li><li>Er untergräbt die Trennung zwischen dem natürlichen Denken und der maschinellen Programmierung</li><li>Spannend ist, dass er in sein Imitationsspiel die Genderfrage diskutiert und wird oft selten beachtet</li><li>Die Frage stellt sich, wenn man davon ausgeht, dass männliches und weibliches Verhalten erlernbar ist</li><li>Sind die Verhaltensregeln nicht auch eine Form von Programmierung? (kulturelle Sozialisation)</li></ul>



<h3 class="wp-block-heading">Kritiken am Turing Test (00:30:42)</h3>



<ul class="wp-block-list"><li>Kritiken, die Turing in seinem Aufsatz diskutiert:</li><li>Theologisches Argument: Denken ist Gottgegeben, und kann daher nicht vom Menschen auf eine Maschine übertragen werden</li><li>Dagegen spricht: Tiere als Wesen Gottes wird das Denken in der Form auch nicht zugesprochen</li><li>"Gott" wird durch Wissenschaft immer weiter aufgehoben als Erklärungsmodell</li><li>Verbindung hier zu Frankenstein sichtbar, der als Mensch den Hochmuth besitzt, Leben zu schaffen</li><li><a href="https://de.wikipedia.org/wiki/Ada_Lovelace">Ada Lovelace</a> wandte Mitte des 19. Jhs. ein, dass Maschinen nur können, was der Mensch hineingibt</li><li>Auch Menschen sind nur kreativ und erzeugen Fortschritte, indem sie sich auf Vorarbeiten berufen</li><li>Bewusstseins-Einwand: Nur als die Maschine, könnten wir wissen, ob sie denkt oder fühlt</li><li>Dagegen spricht: wir können auch nicht mit Sicherheit sagen , ob andere Menschen denken/ein Bewusstsein haben</li><li>Übernatürliche Fähigkeiten: Wenn der Interviewer per Telepathie die Gedanken der Menschen so mehr oder weniger lesen kann, dann könnte er schnell herausfinden wo die Maschine sitzt</li><li>Argument gegen den Bau denkender Maschinen: Sie könnten uns gefährlich werden</li><li>Turing sagt, dass Menschen gerne glauben möchten, dass sie überlegen wären</li><li>Daher auch das Pochen einiger darauf, dass nur Menschen zum Denken fähig wären</li><li>Rückt ein Konzept von Mensch ins Zentrum, der seine Vormachtsstellung bedroht sieht</li><li>Zeigt sich auch darin: Mensch ist Schöpfer, Maschinen können nicht kreativ schaffen</li><li>Verweis auf Platons <a href="https://de.wikipedia.org/wiki/Ideenlehre">Ideenlehre</a>: Kreativität schon dem Menschen abgesprochen</li><li>Gegenentwurf: Der Mensch als künstlerisches Genie</li><li>Angst vor Kontrollverlust ist oft Thema in kulturellen Bearbeitungen des Themas Künstliche Intelligenz</li><li>Also die Angst davor die Schöpfung nicht beherrschen zu können und von ihr angegriffen zu werden</li></ul>



<h3 class="wp-block-heading">Moderne Kritiken (00:44:35)</h3>



<ul class="wp-block-list"><li>Null-Hypothese: Beweis einer Nichtexistent nicht möglich, weil im Zweifel nur nicht die richtigen Fragen gestellt wurden</li><li>Zirkelschluss: Der Test definiert die Eigenschaft für die er ein Beweis sein soll</li><li>Intelligenz: Es wird nicht getestet, ob die Maschine intelligent ist, sondern ob sie gut betrügt</li><li>KI-Forschung: Turingtest als Ziel der KI-Forschung zu definieren, schadet dem Feld der Forschung, weils ein binärer Test ist; im Rahmem des Tests sieht es so aus, als gäbe es keinen Fortschritt</li><li>Alternative: Man sollte die Frage stellen, wie lange kann die KI den Menschen überlisten?</li><li>Erfahrungswissen: Können KIs ohne eigenen Körper Erfahrungswissen haben?</li><li>Frage: Könnte aber nicht eine Superintelligenz Erfahrungswissen durch Simulationen generieren?</li><li>Warum sollte es das Ziel sein den Menschen zu kopieren, statt spezialisierte KIs zu bauen die den Menschen unterstützen?</li><li>Vergleichbarkeit: Künstliche mit menschlicher Intelligenz vergleichen ist nicht zielführend.</li><li>Vorschlag: Turingtest abwandeln, nicht fragen ob es gelingt, sondern wie lange es der Maschine gelingt den Menschen überzeugend zu imitieren</li><li>Wir haben so große Fortschritte in Computer Vision gemacht, und der Turing Test ignoriert das!</li><li>Quellen zu den Kritiken: <a href="https://www.amazon.science/latest-news/does-the-turing-test-pass-the-test-of-time">Does the Turing Test pass the test of time</a> und <a href="http://www.ijcai.org/Proceedings/95-1/Papers/125.pdf">Turing Test Considered Harmful</a></li><li>Auch spannend: Was passiert mit dem Imitationsspiel, wenn die Maschine vorwiegend mit einem weißen und männlichen Bias gespeist wird?</li></ul>



<h3 class="wp-block-heading">Zwischenfazit (00:58:24)</h3>



<ul class="wp-block-list"><li>Turing selbst hilft uns nicht weiter, ob Maschinen denken können; sagt auch nichts über das Erreichen des Meilensteins Künstlicher Intelligenz</li><li>Er hat aber schon auf wesentliche Bedingungen in der Mensche-Maschine-Beziehung hingewiesen</li><li>Das Thema treibt viele um und mehr als Spekulieren ist bis heute immer noch nicht möglich</li><li>Auch deswegen ist das Thema Künstliche Intelligenz in kultureller Auseinandersetzung so präsent</li></ul>



<h3 class="wp-block-heading">Nächste Folge: Menschen und Maschinen — Teil 2 am 27.03.2021 (01:00:05)</h3>



<ul class="wp-block-list"><li>Weil unser Gespräch überraschend lang und gehaltvoll geworden ist, haben wir uns dazu entschieden, dass wir das Thema über zwei Folgen behandeln.</li><li>Wir reden über die Beziehungen zwischen Menschen und Maschinen und wie sie in kulturellen Adaptionen stattfinden</li><li>Allen voran spielen natürlich Isaacs Robotergesetze eine Rolle.</li><li>Ausserdem sprechen wir über die Folge "Wiedergänger" von Black Mirror, über das Buch "Maschinen wie ich" von Ian McEwan und über den Film "Ex Machina"</li></ul>



<h3 class="wp-block-heading">Call to Action (01:00:58)</h3>



<ul class="wp-block-list"><li>Wenn ihr den zweiten Teil und unsere anderen Folgen nicht verpassen möchtet, abonniert unseren Podcast, folgt uns auf Twitter unter <a href="https://twitter.com/datenleben">@datenleben</a></li><li>Oder besucht unsere Webseite: <a href="https://www.datenleben.de/">www.datenleben.de</a></li><li>Hinterlasst uns gerne Feedback, wir würden uns darüber sehr freuen</li><li>Habt ihr Fragen oder Themen, die euch interessieren? Dann schreibt uns!</li></ul>



<h3 class="wp-block-heading">Outro (01:01:22)</h3>



<h3 class="wp-block-heading">Schlagworte zur Folge</h3>



<p>Künstliche Intelligenz, KI, Alan Turing, Imitationsspiel, Gottesbeweis, Ada Lovelace,</p>



<h3 class="wp-block-heading">Quellen</h3>



<ul class="wp-block-list"><li><a href="https://de.wikipedia.org/wiki/Alan_Turing">Wikipedia: Alan Turing</a></li><li><a href="https://de.wikipedia.org/wiki/Turing-Test">Wikipedia: Turing-Test</a></li><li><a href="https://media.ccc.de/v/ds19-10484-mit_ava_und_alan_im_patriarchatscode_hacken">Media.CCC.de: Alan Turing, Gender und den Film Ex Machina</a></li><li><a href="http://www.datenleben.de/wp-content/uploads/2021/02/3lisa_simulating-gender_ava_und_alan.pdf">3lisa: Simulating Gender. Mit Ava und Alan den Patriachatscode hacken</a></li><li><a href="https://de.wikipedia.org/wiki/Golem">Wikipedia: Golem</a></li><li><a href="https://de.wikipedia.org/wiki/Frankenstein_(Roman)">Wikipedia: Frankenstein (Roman)</a></li><li><a href="https://de.wikipedia.org/wiki/R.U.R.">Wikipedia: R.U.R. – Rossum’s Universal Robots</a></li><li><a href="https://www.csee.umbc.edu/courses/471/papers/turing.pdf">Alan Turing: Computing Machinery and Intelligence</a></li><li><a href="https://de.wikipedia.org/wiki/Evolution%C3%A4rer_Algorithmus">Wikipedia: Evolutionärer Algorithmus</a></li><li><a href="https://de.wikipedia.org/wiki/Ada_Lovelace">Wikipedia: Ada Lovelace</a></li><li><a href="https://de.wikipedia.org/wiki/Ideenlehre">Wikipedia: Ideenlehre</a></li><li><a href="https://www.amazon.science/latest-news/does-the-turing-test-pass-the-test-of-time">Amazon Science: Does the Turing Test pass the test of time</a></li><li><a href="http://www.ijcai.org/Proceedings/95-1/Papers/125.pdf">Patrick Hayes und Kenneth Ford:Turing Test Considered Harmful</a></li><li><a href="https://mitpress.mit.edu/books/what-computers-still-cant-do">Hubert L. Dreyfus: What Computers Still Can’t Do. A Critique of Artificial Reason</a></li><li><a href="https://www.campus.de/buecher-campus-verlag/wissenschaft/soziologie/die_herrschaft_der_regel-13628.html">Bettina Heintz: Die Herrschaft der Regel. Zur Grundlagengeschichte des Computers</a></li></ul>



<h3 class="wp-block-heading">Weiterführende Links</h3>



<ul class="wp-block-list"><li><a href="https://www.deutschlandfunkkultur.de/kuenstliche-intelligenz-das-maerchen-vom-computer-gott.1005.de.html?dram:article_id=444126">Deutschlandfunk Kultur: Das Märchen vom Computer-Gott. Ein Kommentar von Enno Park</a></li><li><a href="https://lithub.com/have-robots-always-been-with-us/">LITHUB: Have Robots… Always Been With Us? Rebecca Morgan Frank on Books by Charles Dickens, Elizabeth King, Karel Čapek, and More</a></li><li><a href="https://www.hsozkult.de/event/id/event-95431">hsozkult: Queere KI. Zum Coming-out smarter Maschinen Digitales Symposium des Schaufler Kolleg@TU Dresden in Kollaboration mit der GenderConceptGroup</a></li></ul>



<p></p>


<description>In dieser Folge sprechen wir über Künstliche Intelligenz. Aber wir wollen dabei nicht so sehr über den technischen Aspekt reden, sondern über die Frage: Können Maschinen denken? Alan Turing stellte diese Frage der Beschreibung seines Turing-Test voran. Es geht unter anderem darum, wie Turing seinen Test ursprünglich dachte und welche Einwände es gegen seinen Test gibt. Dabei kommen wir auch immer wieder auf die Darstellung von Mensch-Maschine-Beziehungen in der Populärkultur zu sprechen.</description>

Können Maschinen denken?

In dieser Folge sprechen wir über Künstliche Intelligenz. Aber wir wollen dabei nicht so sehr über den technischen Aspekt reden, sondern über die Frage: Können Maschinen denken? Alan Turing stellte diese Frage der Beschreibung seines Turing-Test voran. Es geht unter anderem darum, wie Turing seinen Test ursprünglich dachte und welche Einwände es gegen seinen Test gibt. Dabei kommen wir auch immer wieder auf die Darstellung von Mensch-Maschine-Beziehungen in der Populärkultur zu sprechen.

dl011: menschen und maschinen - teil 1


<h3 class="wp-block-heading">Intro (00:00:00)</h3>



<h3 class="wp-block-heading">Thema des Podcasts (00:00:18)</h3>



<p>Willkommen zu unserer achten Folge beim datenleben-Podcast, dem Podcast über Data Science.<br>Wir sind Helena und Janine und möchten euch die Welt der Daten näher bringen.<br>In unserer Welt wird es immer wichtiger Daten in das Große Ganze einzuordnen.<br>Als Data Science-Podcast wollen wir deswegen Data Science anhand von Themen erklären, die uns alle betreffen.</p>



<h3 class="wp-block-heading">Thema der Folge: Temperaturkurven (00:00:39)</h3>



<ul><li>Letzten Folge war eine Recherchefolge, um verschiedene Einzelthemen des Klimawandels anzusehen</li><li>Es ging um Temperaturkurven, Waldbrände und den Meeresspiegelanstieg</li><li>Helena war begeistert von Temperaturkurven, weil hier besonders interessante Aspekte drin stecken</li><li>z.B. wie man mit den Messdaten umgehen muss, um auf aussagekräftige Ergebnisse zu kommen</li><li>Deswegen geht es in dieser Folge um Temperaturkurven, Probleme und Möglichkeiten bei der Analyse</li></ul>



<h3 class="wp-block-heading">Warum sind Temperaturmessdaten interessant? (00:01:30)</h3>



<ul><li>Wie in der letzten Folge ausgeführt, gibt es im Klimasystem der Erde verschiedene Kippelemente, die die Klimakrise verstärken können, wenn sie ausgelöst werden</li><li>Der Anstieg der Temperaturen kann verschiedene dieser Kippelemente triggern</li><li>Daher ist es eines der wichtigsten Klimaziele die Erderwärmung über 1,5° zu verhindern</li><li>Deswegen wollten wir genauer hinschauen, wie Temperaturmessungen auf globaler Skala funktionieren</li><li>Folgende Fragen hatte ich nach der letzten Folge zum Thema Temperaturanstieg:</li><li>Wie wird heute die globale Temperatur gemessen?</li><li>Woher kennen wir die globale Temperatur des vorindustriellen Zeitalters?</li><li>Wie wurde die globale Temperatur vor 50 Jahren, bzw. vor 100 Jahren gemessen?</li><li>Wieso sind die Temperaturmessungen von heute mit denen von vor 100 Jahren vergleichbar?</li></ul>



<h3 class="wp-block-heading">Einspieler: Die globale Temperatur (00:03:59)</h3>



<ul><li>Seit dem 17./18. Jahrhundert gibt es Methoden, Temperaturen zu messen und zu vergleichen</li><li>Woher wissen wir aber, welche Temperaturen auf der Erde herrschten lange bevor es Menschen gab?</li><li>Das wissen wir aus den Klimaarchiven, den natürlich und menschenlichen Datenquellen</li><li>Forscher haben <a href="https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2020/10/blick-zurueck-ins-klima-der-zukunft.html">anhand des Minarals Siderit das Klima vor rund 55 Millionen Jahren rekonstruiert</a></li><li>Die mittlere jährliche Lufttemperaur im heutigen Kolumbien lag bei gut 41° Celsius lag</li><li>Eis auf den Polkappen gab es in dieser Zeit nicht</li><li>Schwankungen gab es schon immer, was ist aber an den aktuell steigenden Temperatur besonders?</li><li>Warum sind die Aussagen der Klimakrisenspektiker, dass es das schon immer gab, so problematisch?</li><li>Jetzige Temperaturanstieg ist bedrohlich, weil er so schnell ist, die Natur kann sich nicht anpassen</li><li>Steigt die globale Temperatur weiter, werden wir bald erleben, wie der Planet ins Warmklima wechselt</li><li>Aber, obwohl wir über eine globale Erdtemperatur sprechen, ist es nicht so einfach sie zu bestimmen</li><li>Das liegt daran, dass sich über die Zeit die Messmethoden geändert haben</li><li>Oder auch daran, dass wir nicht von allen Orten der Erde die Temperaturen kennen</li><li>Man muss verschiedene Datenquellen unterschiedlicher Qualitäten miteinander in Beziehung setzen</li><li>Dazu muss man sie kalibrieren, d.h. sie vergleichbar machen und die Werte anpassen</li></ul>



<h3 class="wp-block-heading">Wie wird die globale Temperatur bestimmt? (00:07:31)</h3>



<ul><li>Man kann nicht einfach Messstationen aufstellen, deren Messungen nehmen und den Mittelwert berechnen</li><li>Grund: Wert schwankt sehr stark je nach Messmethode (Satelliten vs. Bodengestützte Beobachtungen)</li><li>Beispiel: Studie von 2003 gibt einen Anstieg von <a href="https://www.quarks.de/umwelt/klimawandel/warum-die-angabe-einer-globalen-durchschnittstemperatur-unsinnig-ist/#:~:text=Um%20die%20exakte%20Temperatur%20auf,man%20dann%20150%20Billionen%20Thermometer">15°C auf 15.6°C</a>, NASA 2012 gibt <a href="https://www.youtube.com/watch?v=hqhh8e6J7lE">13.6°C auf 14.6°C</a> an</li><li>Vergleicht man die errechnete Mitteltemperatur 2003 und 2012, scheint es, als sinke die Temperatur</li><li>Aber: Das liegt daran, dass die Unsicherheit bei der Berechnung der absoluten globalen Mitteltemperatur die gleiche Größenordnung hat, wie der Temperaturanstieg</li><li>Die Relativtemperaturen können aber mit einer größeren Genauigkeit angegeben werden</li><li>Denn: die <a href="https://www.spektrum.de/kolumne/verwirrspiel-um-die-globale-mitteltemperatur/1548343">Erwärmung selbst lässt sich auf 0.1° genau bestimmen, der Absolutwert nur auf 1°</a></li><li>Beispiel Treppenstufen: Man kann messen, wieviel höher man bei jeder einzelnen Stufe steht</li><li>Macht man das für Treppen, muss man auch die Unsicherheiten pro Stufe mitdenken (z.B. 1mm/Stufe)</li><li>Die absolute Höhe der Treppe ist unsicherer, als die einer einzelnen Treppenstufe</li><li>Das selbe gilt auch für Wetterstationen. Jede davon steht quasi für eine Treppenstufe</li><li>Und jede Station hat eigene Unsicherheitswerte für die Absoluttemperatur, die zusammengerechnet werden müssen (nicht addieren, its more complacated)</li><li>Trotzdem können Stationen relativ zu früheren Werten darin übereinstimmen, dass es Erwärmung gibt</li><li>Andere Schwierigkeit: Lücken in den Daten. Es sind längst nicht alle alten Daten digitalisiert</li><li>Oder: Es können auch Fehler beim Übertragen passieren</li><li>Fazit globale Temperatur: es ist also eher kompliziert, verschiedene Messmethoden kommen noch dazu</li></ul>



<h3 class="wp-block-heading">Was ist eigentlich ein Thermometer? (00:14:30)</h3>



<ul><li>Frage vorab: Womit wird Temperatur gemessen, was ist ein Thermometer?</li><li>Die ersten 100 Jahre seit ca. 1880 war das <a href="https://de.wikipedia.org/wiki/Quecksilberthermometer">Quecksilberthermometer</a> der Standard</li><li>Quecksilber ist das einzige Metall, dass auch flüssig ist; das Volumen dehnt sich bei Wärme aus</li><li>Deswegen "klettert" das Quecksilber in seinem Glasröhrchen nach oben, darauf ist die Temperaturskala</li><li>Mittlerweise wird elektrisch gemessen, dafür müssen Thermometer kalibriert werden</li><li>Elektrischer Widerstand verändert sich je nach Temperatur, müssen aber eingemessen werden</li></ul>



<h3 class="wp-block-heading">Wie wird Temperaturanstieg an Land gemessen? (00:20:56)</h3>



<ul><li>Wenn man Temperatur misst, kommt es sehr stark darauf an, wo das Thermometer dafür angebracht ist</li><li>Früher: immer an der Hauswand im Schatten</li><li>Aber: in der Nähe von Gebäuden ist es oft wärmer, als weiter weg; auch sind Städte wärmer als Umland</li><li><a href="https://www.dwd.de/DE/service/lexikon/Functions/glossar.html;jsessionid=42B88BB2194DBEF9C5BF7DEC283B6A70.live11054?lv2=101640&amp;lv3=101778">Stichwort Mikroklima</a>: auch innerhalb von Städten gibt es verschiedene klimatische Bedingungen</li><li>Beispiel: enger Straßenzug ist wärmer als ein kleiner Park in der Nähe</li><li>Den Effekt gibt es auch nachts, verschiedenen Umgebungen geben unterschiedlich Wärme wieder ab</li><li>Diese Effekte sind für Konzepte von städtischem Wohnen im Kontext Klimaerwärmung interessant</li><li>Bei Temperaturmessungen an Land, daher wichtig: Wo steht die Station?</li><li>Messstationen können den Standort ändern, das kann zu Sprüngen in den Messreichen führen</li><li>Änderungen müssen für Korrekturen gut dokumentiert sein, aber oft fehlen diese Informationen</li><li>Art der Messung geändert: statt an Hausfassaden im Schatten zu messen, misst man jetzt zwei Meter über dem Boden im Freien im Schatten und zwar digital</li><li>Um die Zahlen mit früheren Messungen vergleichen zu können, müssen sie dann kalibrier werden</li><li>Wie kann man das denn wissen, dass das funktioniert mit dem Kalibrieren?</li><li>Möglichkeiten: einfachste ist, dass man zwei Therometer parallel misst -&gt; Korrekturwert bestimmen</li><li>Oder bei <a href="http://www.pik-potsdam.de/~stefan/Publications/Book_chapters/der_klimawandel_kapitel2.pdf">Wetterstationen in Städten</a>: indem stürmische Tage mit windstillen Tagen verglichen werden,</li><li>Dabei ist nur an windstillen Tagen der Wärmeinsel-Effekt spürbar</li></ul>



<h3 class="wp-block-heading">Wie wird Temperaturanstieg im Ozean gemessen? (00:30:46)</h3>



<ul><li>Messungen im Ozean: Seit jeher von Handelsschiffen, inzwischen auch von Wetterbojen durchgeführt</li><li>Anfang des 20. Jahrhunderts warf man Eimer an einem Seil vom Schiff, später sog man das Wasser direkt in den Maschinenraum</li><li>Wir wissen, dass die Kessel-Methode zu tiefe Werte liefert, weil das Wasser verdunstet und abkühlt</li><li>Während Messungen im warmen Maschinenraum zu hoch sind</li><li>Auch das muss dann kallibriert werden, alte und neue Methode werden zeitweise parallel verwendet</li><li>Lücken bei Messungen: Daten aus der Arktis jenseits von Schiffsrouten fehlen zum Beispiel</li><li>Unter anderem deswegen fand die Mission des Forschungseisbrechers Polarstern in der Arktis statt</li><li>Vor 20 Jahren wurden stationäre Messungen im Meer angefangen durchzuführen mittelns Bojen</li><li>Hier wird direkt im Ozean die Temperatur gemessen, diese liegt zwischen Eimer und Maschinenraum</li><li>Vermutung: Messungen von Schiffen aus, sind Daten eines menschlichen Klimaarchives (Logbücher)</li></ul>



<h3 class="wp-block-heading">Wie wird Temperaturanstieg aus dem Weltraum gemessen? (00:38:14)</h3>



<ul><li>Vorteil: Satelliten können in kurzer Zeit viele Daten über den gesamten Planeten liefern</li><li>Exkurs Physik: Was ist eigentlich Temperatur?</li><li>Temperatur ist keine fundamentale Eigenschaft der Natur, sie setzt sich aus anderen Größen zusammen</li><li>Sie ist eine emergente Größe – ein Muster aus zugrundeliegenden Strukturen</li><li>Temperatur ist im Wesentlichen die Beschreibung mikroskopischer Bewegungen von Molekülen und Atomen</li><li>Dabei steht die Temperatur erstmal nicht für eine konkrete Bewegungsenergie/Geschwindigkeit, sondern für eine Verteilung von Bewegungsenergien</li><li>Für Gase kann man die <a href="https://de.wikipedia.org/wiki/Maxwell-Boltzmann-Verteilung">Maxwell-Bolzmann-Verteilung</a> heranziehen</li><li>Es entsteht Elektromagnetische Strahlung, wenn geladene Teilchen (wie Atomkerne/Elektronen) sich beschleunigt/gebremst bewegen</li><li>Aus der statistischen Verteilung der Bewegungen folgt eine statistische Verteilung dieser Strahlung</li><li>Im Falle der meisten irdischen Temperaturen ist es ein nennenswerter Teil Infrarotstrahlung</li><li>Beispiele: Glühbirnen und die Sonne leuchten wegen ihrer Temperatur</li><li>Diese IR Strahlungsverteilung lässt sich dann von einem Satelliten aus Messen</li><li>Misst der Satellit schräg, kann die Temperatur weiterer Atmosphärenschichten bestimmt werden</li><li>Randnotiz: Satelliten sind inzwischen auch oft paarweise unterwegs, um Informationen zusammen erfassen zu können (<a href="https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/tandem-x/?tx_news_pi1%5Bcontroller%5D=News&amp;tx_news_pi1%5Baction%5D=detail&amp;cHash=fdd3c044296e5daea68e8ae4e423d77e">3D Modelle der Erdoberfläche</a>, <a href="https://twitter.com/NASAEarth/status/1326205637257261058?s=20">Gewicht von Eis zu bestimmen</a>)</li><li>Problematik: Satelliten werden durch Atmossphäre abgebremst, dadurch ändert sich der Messwinkel</li><li>Strahlung messen funktioniert: Alles was eine Temperatur hat, gibt elektromagnetische Strahlung ab</li></ul>



<h3 class="wp-block-heading">Fazit (00:49:51)</h3>



<ul><li>Wie hängt das alles jetzt mit Data Science zusammen?</li><li>Bei Temperaturmessungen hängt alles mit unserem Motto zusammen: Kenne Dein Messverfahren!</li><li>Es spielen so viele Faktoren eine wichtige Rolle, dass es ein Paradebeispiel für Data Science ist</li><li>Es ist nicht nur einfach platte Statistik, man muss sich sehr viele Gedanken machen</li><li>Wie geht man mit fehlerhaften Daten der Vergangenheit um? Wie werden die digitalisiert?</li><li>Helena würde jetzt ihre Fragen anders stellen, die sie am Anfang der Recherche zur Folge hatte</li><li>Wichtiger ist z.B. die Frage, worher wir wissen, das sich die Erde bereits um 1° erwärmt hat</li><li>Es geht auch nicht darum, wie früher die globale Temperatur gemessen wurde, sondern es ist wichtig, wie Temperatur überhaupt gemessen wurde</li><li>Wieso sind die Temperaturmessungen von heute mit denen von vor 100 Jahren vergleichbar? -&gt; bleibt eine wichtige Frage, aufgrund der Kallibrierungen, die erfolgen müssen</li></ul>



<h3 class="wp-block-heading">Nächste Folge: Jahresrückblick am 19.12.2020 (00:53:13)</h3>



<ul><li>In der nächsten Folge wollen einen kleinen Jahresrückblick wagen</li><li>Unser erstes halbes Podcast Jahr geht zu Ende</li><li>Es ist eine globale Pandemie ausgebrochen, was wir auch in unserer <a href="https://www.datenleben.de/index.php/2020/07/25/dl002-coronadaten/">zweiten Folge</a> thematisiert haben</li><li>Die Präsidentschaftswahl in den USA hat stattgefunden und die allermeisten sehr mitgerissen</li><li>Helena wird ein wenig was zu Data Science Themen 2020 erzählen</li><li>Das sind so ein paar Dinge, über die wir reden und auch was uns vielleicht im nächsten Jahr erwartet</li></ul>



<h3 class="wp-block-heading">Call to Action (00:55:06)</h3>



<ul><li>Wenn ihr uns weiter hören möchtet, könnt ihr uns abonnieren</li><li>Folgt uns gerne auf Twitter unter <a href="https://twitter.com/datenleben">@datenleben</a></li><li>Oder besucht unsere Webseite: <a href="https://www.datenleben.de/">www.datenleben.de</a></li><li>Hinterlasst uns Feedback wenn ihr mögt, wir würden uns darüber sehr freuen</li><li>Habt ihr Fragen oder Themen, die euch interessieren? Dann schreibt uns!</li></ul>



<h3 class="wp-block-heading">Outro (00:55:57)</h3>



<h3 class="wp-block-heading">Schlagworte zur Folge</h3>



<p>Messverfahren, Temperaturmessungen, Temperatur, Klima, globale Erwärmung, Satelliten, Wassertemperatur</p>



<h3 class="wp-block-heading">Quellen</h3>



<ul><li><a href="https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2020/10/blick-zurueck-ins-klima-der-zukunft.html">ETH Zürich, Peter Rüegg: Blick zurück auf das Klima der Zukunft</a></li><li><a href="https://www.quarks.de/umwelt/klimawandel/warum-die-angabe-einer-globalen-durchschnittstemperatur-unsinnig-ist/#:~:text=Um%20die%20exakte%20Temperatur%20auf,man%20dann%20150%20Billionen%20Thermometer">Quarks: Warum eine globale Durchschnittstemperatur unsinnig ist</a></li><li><a href="https://www.youtube.com/watch?v=hqhh8e6J7lE">Youtube, NASAEarthObservatory: Modern Global Temperature</a></li><li><a href="https://www.spektrum.de/kolumne/verwirrspiel-um-die-globale-mitteltemperatur/1548343">Spektrum, Stefan Rahmstorf: Verwirrspiel um die globale Mitteltemperatur</a></li><li><a href="https://de.wikipedia.org/wiki/Quecksilberthermometer">Wikipedia: Quecksilberthermometer</a></li><li><a href="https://www.dwd.de/DE/service/lexikon/Functions/glossar.html;jsessionid=42B88BB2194DBEF9C5BF7DEC283B6A70.live11054?lv2=101640&amp;lv3=101778">Deutscher Wetterdienst, Wetterlexikon: Mikroklima</a></li><li><a href="http://www.pik-potsdam.de/~stefan/Publications/Book_chapters/der_klimawandel_kapitel2.pdf">Stefan Rahmstorf und Hans Joachim Schellnhuber: Der Klimawandel, hier S. 36.</a></li><li><a href="https://de.wikipedia.org/wiki/Maxwell-Boltzmann-Verteilung">Wikipedia: Maxwell-Bolzmann-Verteilung</a></li><li><a href="https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/tandem-x/?tx_news_pi1%5Bcontroller%5D=News&amp;tx_news_pi1%5Baction%5D=detail&amp;cHash=fdd3c044296e5daea68e8ae4e423d77e">Copernicus: Mission TanDEM-X</a></li><li><a href="https://twitter.com/NASAEarth/status/1326205637257261058?s=20">Twitter, @NASAEarth: GRACE-FO uses two satellites flying in line together</a></li></ul>


Letzten Folge war eine Recherchefolge, um verschiedene Einzelthemen des Klimawandels anzusehen. Es ging um Temperaturkurven, Waldbrände und den Meeresspiegelanstieg. Helena war begeistert von Temperaturkurven, weil hier besonders interessante Aspekte drin stecken: z.B. wie man mit den Messdaten umgehen muss, um auf aussagekräftige Ergebnisse zu kommen. Deswegen geht es in dieser Folge um Temperaturmessungen, Probleme und Möglichkeiten bei der Analyse und darum, was es mit der globalen Temperatur auf sich hat.

Was es mit der globalen Temperatur auf sich hat

dl008: temperaturkurven

<h2>Shownotes DL001: Data Science</h2>
<h3>Intro (00:00:00)</h3>
<h3>Thema des Podcasts und der Folge (00:00:18)</h3>
<p>Willkommen zu unserer ersten Folge beim datenleben-Podcast!<br />Wir sind Helena und Janine und möchten euch mitnehmen in die Welt der Daten.<br />Was ist Data Science? Was bedeuten die Daten für unser Leben? Woher kommen sie und wozu werden sie benutzt?<br />Das sind alles Fragen, mit denen wir uns auseinander setzen werden.<br />Wer schon immer mehr über Daten und deren Effekt auf unser Leben wissen wollte, ist hier genau richtig.</p>
<p>In unserer ersten Folge möchten wir etwas allgemeiner in Data Science einführen.<br />Wir möchten euch zeigen, warum Data Science ein wichtiges Thema ist, was ein Data Scientist wie Helena zum Beispiel ausmacht und wie die Arbeit eines Data Scientist aussieht, vor allem wie vielfältig sie ist.</p>
<h3>Vorstellung (00:01:03)</h3>
<h4>Wer ist Helena? (00:01:03)</h4>
<ul>
<li>arbeitet freiberuflich als Data Scientist</li>
<li>hat Physik studiert und in experimenteller Physik promoviert, sie bereitet sich auf ihre Disputation vor</li>
<li> sie ist Teil der Hackercommunity, hat den Braunschweiger Hackerspace <a href="https://stratum0.org/">Stratum0</a> mitgegründet</li>
</ul>
<h4>Wer ist Janine? (00:03:52)</h4>
<ul>
<li>promoviert in Literaturwissenschaft zum Thema Wissenschaft und Technik in der Gegenwartsliteratur</li>
<li>wissenschafts- und technikaffin und interessiert sich für Themen rund um Naturwissenschaft, Datenschutz und digitale Gesellschaft</li>
<li>natürlich aber vor allem für Bücher und auch kreative Dinge mit allen möglichen Materialien und Techniken</li>
</ul>
<h3>Warum ist Data Science ein wichtiges Thema? (00:04:42)</h3>
<ul>
<li>Data Science ist jetzt schon wichtig und wird in den kommenden Jahren immer wichtiger werden</li>
<li>Immer mehr Daten werden erfasst und stehen zur Verfügung, um benutzt zu werden</li>
<li>Daten werden uns mittels Statistiken ständig gezeigt, in den Nachrichten, Sozialen Medien und verschiedenen anderen Formaten</li>
<li>Oft fehlt der Kontext: Woher kommen die Daten, was sagen die Daten selbst und wofür werden sie vielleicht benutzt?</li>
<li>Statistik ist oft schwer zu verstehen: <a href="https://de.wikipedia.org/wiki/Liste_gefl%C3%BCgelter_Worte/T#Traue_keiner_Statistik,_die_du_nicht_selbst_gef%C3%A4lscht_hast.">"Traue keiner Statistik, die du nicht selbst gefälscht hast."</a></li>
<li>Man muss sich immer fragen, wie Daten eigentlich erhoben werden, um zu wissen, welche Schlüsse man aus Statistiken ziehen kann</li>
<li>Grundthese und unser Motto: Kenne dein Messverfahren!</li>
<li>Beispiel Rauschprofil von Kameras: Hat eine Kamera in einer physikalischen Messung etwas Bedeutendes gezeigt oder war es nur ein Artefakt der Kamera?</li>
<li>Daten und die Methode ihrer Erhebung müssen immer hinterfragt werden</li>
</ul>
<h3>Erzählung: Wenn ein Data Scientist nicht schlafen kann (00:06:53)</h3>
<ul>
<li>Mit Data Science wird Wissen gewonnen</li>
<li>Eine Fragestellung oder ein Problem braucht eine Lösung</li>
<li>Daten erfassen über das Problem (Schlafmangel) und seine Rahmenbedingungen (Verhalten, Ernähurung, Stimmung)</li>
<li>Daten korrelieren: Schlafmangel mit Verhalten, Ernährung und Stimmung abgleichen</li>
<li>Aus den Beobachtungen Schlüsse ziehen</li>
<li>Korrelation ist noch nicht Kausalität: den Blick weiten und auch die Daten anderer Tage angucken, gezogene Schlüsse überprüfen</li>
<li>Kausalität im Experiment überprüfen: Rahmenbedingungen verändern und neue Daten erfassen</li>
<li>Ablesen, ob sich Hypothesen bestätigt haben, ggf. erneut anpassen und Daten sammeln</li>
<li>Am Ende können auf Basis von Daten Entscheidungen getroffen werden</li>
</ul>
<h3>Was ist Data Science? (00:10:02)</h3>
<ul>
<li>Datenerfassung: Mikro, Kamera, Umfragen, Bewegungsprofile, Nutzerverhalten</li>
<li>Datenanalyse: klassisch mit Statistik, Text aus Tonaufnahmen extrahieren, Objekterkennung auf Fotos</li>
<li>Maschinelles Lernen, wird bereits manchmal als Künstliche Intelligenz bezeichnet, ist aber noch nicht als solche zu verstehen</li>
<li>Eine spezielle Form des Maschinellen Lernens sind Neuronale Netze</li>
<li>Programmieren -&gt; Hackermentalität</li>
<li>Statistik zu können reicht nicht aus, man muss auch programmieren können, um etwa Schritte zu automatisieren, die sich wiederholen</li>
<li>Beispiel: Wildtierkamera</li>
<li>Datenanalyse passiert schon bei der Datenerfassung: die Kamera soll nur auslösen, wenn ein Tier vor der Kamera ist</li>
<li>Wenn die Kamera schließlich aus dem Wald geholt wird, geschieht die umfassende Analyse: Welche Tiere wurden fotografiert?</li>
<li>Wie oft sind an diesem konkreten Ort diese Tiere erfasst wurden und zu welcher Zeit?</li>
<li>Daten mit anderen Kamerastandorten in Verbindung bringen und über mehrere Jahre betrachten</li>
<li>Zeigt die Ausbreitung und die Anzahl einer Population beobachteter Tierarten (Beispiel Ansiedlung Luchse im Harz)</li>
<li>Mittels Maschinellem Lernen müssen keine Menschen die umfangreichen Bildsammlungen auswerten, Auswertung wird automatisiert</li>
<li>Software erkennt das Tier</li>
<li>Das Trainieren des Programms ist aufwändig, die Anwendung dann aber nicht mehr, sie erleichtert viele Arbeitsschritte durch Automatisierung</li>
</ul>
<h3>Wofür Data Science? (00:17:15)</h3>
<ul>
<li>Ziel von Data Science: informierte Entscheidungen treffen</li>
<li>Data Science generiert Daten und daraus gewinnen wir Wissen über die Welt um uns herum</li>
<li>Dieses Wissen hilft uns zu entscheiden, z.B. wie Technik um uns herum funktionieren soll, welche Ziele sie haben kann</li>
<li>Firmen beauftragen Data Scientists mit Datenerfassung und -analysen, um eine Geschäftsstrategie zu entwickeln</li>
<li>Beispiel Glasfaserkabel: Ein Unternehmen möchte wissen, in welcher Stadt sie mit dem Ausbau von Glasfaserkabeln anfangen sollten</li>
<li>Beispiel Diskriminierung: Auch gesellschaftliche Aspekte lassen sich aus Daten ablesen, wie und wo findet etwa Diskriminierung statt?</li>
<li>Beispiel Statistiken: Wahlumfragen verschiedener Institute fallen immer etwas anders aus, zeigt, dass es auch drauf ankommt, wer Daten sammelt und wie er sie auswertet</li>
<li>Wahlstatistiken können dabei auch den Effekt haben, sich auf Wahlentscheidungen von Wähler*innen auszuwirken</li>
<li>Das kann dabei völlig unbewusst passieren, oder bewusst, weil man sich etwa an der 5%-Hürde orientiert</li>
<li>Es ist auch immer die Frage, wer die Daten mit welchen Hintergrund analysiert</li>
<li>Beispiel Kredite: Betrachten übervorsichtig ihre Daten und neigen dazu die Vergangenheit zu reproduzieren (alte Klischees haben Bestand, Gruppen werden ausgeschlossen)</li>
<li>Klassisches Beispiel ist hier auch die SchuFa</li>
<li>Beispiel Postleitzahlen: Beim Einkaufen werden wir nach Postleitzahlen gefragt, das kann verschiedene Effetke haben</li>
<li>Werbung verteilen: Reichweite messen, wo hat Werbung zu mehr Kunden geführt, woher kommen Kunden, welche Werbung funktioniert?</li>
<li>Postleitzahlennutzung durch Dritte: Institutionen kaufen die Datensätze auf und verkaufen sie weiter, z. B. an Kreditinstitute</li>
<li>Diese können dann sehen, ob ein Kunde in einem Stadtteil mit hoher Kaufkraft lebt und ihre Entscheidung über Kredite daran binden</li>
<li>Data Science spielt gerade beim Umgang mit personenbezogenen Daten eine große Rolle, gerade auch im Kontext Diskriminierung</li>
<li>Zum Thema Diskriminierung durch Daten ist bereits eine Folge in Planung</li>
</ul>
<h3>Was macht Helena als Data Scientist konkret? (00:22:50)</h3>
<ul>
<li>Die Arbeit besteht aus sehr viel Softwareentwicklung</li>
<li>Für Kunden, die Daten vorliegen haben, werden eigene Lösungen entwickelt</li>
<li>Dabei werden verschiedene statistische Modelle entwickelt oder implementiert</li>
<li>Beispiel Wetterdaten: Projekt für das Europäische Zentrum für mittelfristige Wettervorhersagen (EZMW) zusammen mit einer Designerin</li>
<li>Ziel war es aus den Daten eine Darstellung zu entwickeln, die nicht verschweigt, dass Wettervorhersagen unsicher sind</li>
<li>Konzept entwickelt, wie man darstellen kann, mit welcher Wahrscheinlichkeit eine Wetterprognose für einen bestimmten Tag zutrifft</li>
<li>Datenbasis des EZMW genutzt: Sie berechnen immer 50 Szenarien mit leicht verschiedenen Werten aus, die Wahrscheinlichkeit liegt nur bei 30%</li>
<li>Ergebnis war eine Darstellung, die verständlicher die Wahrscheinlichkeit von Wettervorhersagen vermitteln kann</li>
<li>Leider ist der Dienst nicht mehr online, aber auf <a href="https://github.com/ktrask/ESOWC-2018-visualisation">GitHub</a> kann man sich die grafischen Darstellungen dazu ansehen</li>
<li>Arbeitsalltag eines Data Scientist</li>
<li>Konkrete Aufgabenstellung, die man zu bearbeiten hat, oft innerhalb eines Teams, mit dem man sich besprechen muss</li>
<li>Basis ist oft ein Testdatensatz, an dem man entwickeln kann: Algorithmen, Auswertemethoden und Analysen testen oder grafische Darstellungen und Plots</li>
<li>Testdaten verhindern, dass Geschäftsgeheimnisse oder personenbezogene Daten an Data Scientists ausgegeben werden müssen</li>
<li>Nachteil ist, dass Testdaten oft andere Eigenschaften haben, sodass ein späterer Testlauf mit echten Daten oft zu Bugs (Fehlern) führt</li>
<li>Spannend an Data Science: Neue Rätsel und Logik Puzzle lösen, wo war die Annahme falsch, woran hat man nicht gedacht, was passiert mit den Daten?</li>
<li>Beispiel Adressdaten: wenn man online einkauft, muss man oft seine Adresse angeben, die Eingabemaske kann schon zum Problem werden</li>
<li>Fehlerquellen sind Sonderzeichen oder Adressen ohne Straßenangabe und Hausnummer oder internationale Adressen (nicht einheitlicher Aufbau von Adressdaten)</li>
<li>International verschickte Pakete sind daher anfällig für Fehler in der Datenerfassung und -ermittlung</li>
<li>Kaputte Adressdaten können Menschen (Paketzusteller, Paketshopmitarbeiter) zum Glück oft ausgleichen können, Drohnen wären damit vermutlich überfordert</li>
<li>Data Scientists haben oft Verschwiegenheitsverpflichtungen, deswegen kann Helena nicht wirklich über aktuelle Projekte reden, an denen sie arbeitet</li>
</ul>
<h3>Was muss man als Data Scientist können? (00:35:41)</h3>
<ul>
<li>Muss man programmieren können? Wie sehr muss man sich im IT-Bereich auskennen?</li>
<li>Im Bereich Statistik oder Mathematik kommt es nicht so sehr auf das Programmieren an, grafische Programme wie Tableu können einem das ein bisschen abnehmen</li>
<li>Das wären dann aber für Helena eher Statistiker und keine Data Scientists</li>
<li>Für Helena gehört zu Data Science neben Statistik ganz klar auch das Programmieren, dass man Ideen umsetzen kann</li>
<li>Um wirklich sicher mit Statistik umgehen zu können, reicht es nicht, nur mal ein Buch darüber gelesen zu haben, man sollte es schon im Studium gehabt haben</li>
<li>Man muss verschiedene Anwendungsbereiche können und kennen, sodass man die je nach Fall anwenden kann</li>
<li>Es wird von den meisten Data Scientists erwartet, dass sie schon sehr viel gesehen haben und das Ganze in Software umsetzen können</li>
<li>Ein Data Scientist muss sich in das Thema oder Tätigkeitsfeldes des Kunden einarbeiten und ein Verständnis für das wirtschaftliche Interesse des Kunden haben</li>
<li>Beispiel Flugverspätungen: Es gibt bestimmte Kenngrößen wie Flugverspätungen dargestellt werden</li>
<li>Man muss diese Kenngrößen verstehen, damit die Analsysen diese Kenngrößen ausliefern</li>
<li>Und man muss verstehen, wo Probleme auftreten können, die das Ergebnis eventuell verzerren</li>
<li>Ein Data Scientist muss viel Interesse, Verständnis und Logik mitbringen und bereit sein sich in viele neue Bereiche hineinzudenken</li>
<li>Neue Projekte sind daher immer spannend, weil man immer mit neuen Fragestellungen konfrontiert wird</li>
<li>Manchmal muss man aber auch einfach nur eher unspannende Dinge abarbeiten, die gut bezahlt werden</li>
<li>Was ist der Unterschied zwischen Data Scientists, Data Analysts und Data Engeniers?</li>
<li>Helena unterscheidet für sich nicht nach solchen Kategorien und zweifelt daran, wie zielführend das ist</li>
<li>In ihrer Praxis hat das bisher keine Rolle gespielt</li>
<li>Für Helena liegt der Reiz in der Vielseitigkeit, daher ist sie auch Freiberuflerin, weil sie so immer mit neuen Aufgaben konfrontiert wird</li>
<li>Sie kann natürlich nur für sich selbst sprechen</li>
</ul>
<h3>Fazit (00:42:12)</h3>
<ul>
<li>Data Science ist eine Disziplin, deren Ziel es ist, Erkenntnisse zu gewinnen und dafür Daten zu sammeln und zu verarbeiten</li>
<li>In den nächsten Folgen werden wir dann schauen, was es für Varianten gibt</li>
</ul>
<h3>Nächstes Thema: Coronadaten am 25.07.2020 (00:43:30)</h3>
<ul>
<li>Im Moment erleben wir die Covid-19-Epedemie</li>
<li>Wir sind keine Epidemiologen, aber wir wollen einfach mal über die jetzt anfallenden Daten sprechen</li>
<li>Jeder spricht über Fallzahlen, Sterblichkeit, Übersterblichkeit und Ansteckungswahrscheinlichkeiten</li>
<li>Was gibt es für Daten? Was gibt es für Fallstricke mit diesen Daten? Wie kann man sie sinnvoll einordnen?</li>
<li>Aber wir wollen keine inhaltliche Aussage treffen, sondern eher Muster beschreiben</li>
<li>Wir kriegen jeden Tag neue Werte und Zahlen präsentiert und manche fragen sich: Worauf muss ich da achten?</li>
</ul>
<h3>Call to Action (00:43:40)</h3>
<ul>
<li>Wenn euch unsere erste Folge gefallen hat, empfehlt sie weiter und folgt uns</li>
<li>Twitter unter <a href="https://twitter.com/datenleben">@datenleben</a></li>
<li>Webseite: <a href="https://www.datenleben.de/">https://www.datenleben.de/</a></li>
<li>Schreibt uns bei Fragen oder Themenvorschlägen!</li>
</ul>
<h3>Schlagworte zur Folge</h3>
<p>Data Science, Messverfahren, Maschinelles Lernen, Berufsfeld Data Science, Arbeitsalltag</p>
<h3>Quellen</h3>
<ul>
<li><a href="https://de.wikipedia.org/wiki/Liste_gefl%C3%BCgelter_Worte/T#Traue_keiner_Statistik,_die_du_nicht_selbst_gef%C3%A4lscht_hast.">Wikipedia: Liste geflügelter Worte –Traue keiner Statistik, die du nicht selbst gefälscht hast</a></li>
<li><a href="https://github.com/ktrask/ESOWC-2018-visualisation">GitHub, ktrask: ESOWC-2018-visualisation</a></li>
</ul>
<h3>Weiterführende Links</h3>
<ul>
<li><a href="https://stratum0.org/">Stratum0</a></li>
<li><a href="https://www.deutschlandfunkkultur.de/finanzexperte-dirk-ulbricht-ueber-die-schufa-die-haben-mich.1008.de.html?dram:article_id=434740">DLF Kultur: Zusammenhang Postleitzahlen und Kredite</a></li>
<li><a href="https://de.wikipedia.org/wiki/Postleitzahl#Postleitzahlen_in_der_Privatwirtschaft">Wikipedia: Postleitzahlen in der Privatwirtschaft</a></li>
<li><a href="https://www.antidiskriminierungsstelle.de/SharedDocs/Downloads/DE/publikationen/Expertisen/Studie_Diskriminierungsrisiken_durch_Verwendung_von_Algorithmen.pdf?__blob=publicationFile&amp;v=4">Antidiskriminierungsstelle des Bundes: Diskriminierungsrisiken durch Verwendung von Algorithmen</a></li>
<li><a href="https://www.sueddeutsche.de/politik/demoskopie-bitter-im-abgang-1.3669942">Süddeutsche Zeitung: Wahlumfragen sind ein Problem für die Demokratie</a></li>
<li><a href="https://www.bpb.de/mediathek/254967/wahlkabine-zum-thema-wahlumfragen">Bundeszentrale für politische Bildung: Wahlkabine zum Thema Wahlumfragen, bpb-Podcast zur Bundestagswahl 2017</a></li>
<li><a href="https://www.bundestag.de/resource/blob/501190/93c528ed2eea2e3113b3b1210695eed3/wd-1-045-16-pdf-data.pdf">Deutscher Bundestag, Wissenschaftliche Dienste: Einfluss vonMeinungsumfragen und Demoskopien aufWählerverhal-ten und Wahlergebnisse</a></li>
<li><a href="https://www.luchsprojekt-harz.de/">Luchsprojekt Harz</a></li>
<li><a href="https://de.wikipedia.org/wiki/Maschinelles_Lernen">Wikipedia: Maschinelles Lernen</a></li>
<li><a href="https://de.wikipedia.org/wiki/Data_Science">Wikipedia: Data Science</a></li>
</ul>


<p></p>


<description>Was bedeuten die Daten für unser Leben? Woher kommen sie und wozu werden sie benutzt?
Das sind alles Fragen, mit denen wir uns auseinander setzen werden.
Wer schon immer mehr über Daten und deren Effekt auf unser Leben wissen wollte, ist hier genau richtig.</description>

Was ist Data Science?

Was bedeuten die Daten für unser Leben? Woher kommen sie und wozu werden sie benutzt?
Das sind alles Fragen, mit denen wir uns auseinander setzen werden.
Wer schon immer mehr über Daten und deren Effekt auf unser Leben wissen wollte, ist hier genau richtig.

datenleben

Details

Recent Episodes