Data Science Foliensatz 2

Lernziele

• Nach dem Studium dieses Kapitels wird es möglich sein, strukturierte und unstrukturierte Daten zu unterscheiden und zu beschreiben
• Die Fähigkeit, den Unterschied zwischen Daten und Informationen zu erklären
• Erläuterung des DIKW-Modells
• Man kann Fähigkeiten benennen und beschreiben, die für Data Scientists erforderlich sind
• Es wird möglich sein, wichtige Probleme und Gefahren im Zusammenhang mit Data Science zu benennen und zu erläutern

Arten von Daten

• Es gibt zwei Haupttypen von Daten: strukturierte und unstrukturierte

Einfachste Unterscheidung von Daten

• Strukturierte Daten sind über Tabellen dargestellt
• Unstrukturierte Daten sind über Freitext dargestellt

Arten von Daten: Strukturierte Daten

• Strukturierte Daten gelten weiterhin als die am häufigsten verwendete Datenart
• Sie verwenden feste Labels, was sie interpretierbar macht
• Labels sind Werte, Bezeichnungen oder Kategorien, die eindeutig zugeordnet sind
• Beispiele für strukturierte Daten sind:
  • Numerische Werte wie 1,2,3,4,5
  • Text/Wort wie Einfamilienhaus, Düsseldorf
  • Boolesche Werte wie Wahr oder Falsch
  • Kategoriale Werte wie Gender, Ja/Nein
  • Symbole wie €
• Es ist wesentlich, dass strukturierte Daten beschriftet werden, damit ihre Bedeutung verständlich ist

Datenpunkt 2848

• Mithilfe der Tabellenstruktur kann man aus der Zahl 2848 ablesen
• Es ist möglich, aus dieser Zahl durch die Tabellenstruktur abzulesen

Arten von Daten: Unstrukturierte Daten

• Unstrukturierte Daten enthalten keine vordefinierten Labels
• Sie haben das gleiche Format wie strukturierte Daten, z. B. numerisch, Text, kategorial, aber sie sind oft nicht einheitlich
• Diese Daten sind typischerweise in natürlicher Sprache, z. B. in der Art und Weise, wie Menschen kommunizieren
  • E-Mails
  • Videos
  • Tweets/Posts in sozialen Medien
  • CT/MRT Scans
• Unstrukturierte Daten sind in sehr großen Mengen vorhanden und benötigen einen großen Zeitaufwand, um Informationen zu extrahieren
  • Data Science hilft bei der Analyse großer Mengen unstrukturierter Daten
  • Algorithmen und maschinelles Lernen werden hier genutzt, z. B. Natural Language Processing

Datenpunkt 2848

• Nur die Zahl selbst kann abgelesen werden
• Die Struktur der Tabelle ermöglicht es, die Zahl abzulesen
• Es gibt einen Unterschied zum vorherigen Beispiel mit strukturierten Daten

Beispiel für unstrukturierte Daten

• Jemand möchte eine Cookie-Bäckerei eröffnen und den möglichen Gewinn für 6 Stunden Verkauf ermitteln
• Um Cookies zu backen, benötigt die Person Mehl, Schokolade, Butter und andere Zutaten, die zusammen 3,75 € pro Pfund kosten
• Die Einrichtung der Bäckerei kostet einmalig 1.580 €, die Arbeitskosten pro Stunde betragen 30 € pro Stunde
• Die Person kann zwei Bleche mit Cookies pro Stunde zubereiten, von denen jedes 250 Cookies fasst
• Jedes Blech benötigt 15 Pfund Zutaten und jedes Cookie kann für 2 € verkauft werden
• Hier ist, wie ein Datenset aussehen könnte
  • Die einmaligen Kosten betragen 1.580 €
  • Die Kosten pro Stunde sind 15 Pfund x 3,75 € x 2 Bleche + 30 € = 142,50 €
  • Der Umsatz pro Stunde ist 250 x 2 € x 2 Bleche = 1.000 €
  • Die anfallenden Kosten pro Tag betragen 142,50 € x 6 = 855 €
  • Der Umsatz pro Tag betrug 6.000 €
  • Der mögliche Gewinn betrug 6.000 - 1.580 - 855 = 3.565 €

Zusammenfassung: Strukturierte und unstrukturierte Daten

• Strukturierte Daten verwenden definierte Labels, während unstrukturierte Daten keine definierte Beschriftung oder Labels verwenden
• Strukturierte Datentypen sind numerisch oder textbasiert, während unstrukturierte Datentypen Text und multimodale Daten sind
• Strukturierte Daten werden in einem Data Warehouse gespeichert, während unstrukturierte Daten in der Regel in einem Data Lake gespeichert werden
• Strukturierte Daten sind skalierbar und effizient bei großen Datenmengen, während unstrukturierte Daten Probleme bei der Verarbeitung großer Datenmengen haben
• Strukturierte Daten sind leicht maschinenlesbar, während unstrukturierte Daten schwer maschinenlesbar sind
• Strukturierte Daten erfordern wenig Expertise für die Nutzung, während unstrukturierte Daten Expertise erfordern, um sie zu nutzen
• Viele Tools können direkt auf strukturierte Daten angewendet werden, aber nur wenige Tools können direkt auf unstrukturierte Daten angewendet werden
• Strukturierte Daten machen etwa 20 % aller Daten aus, unstrukturierte Daten machen etwa 80 % aller Daten aus

Open Data

• Offene Datensätze spielen in Wissenschaft, Wirtschaft, Sozialwissenschaften und Gesundheitswesen eine wichtige Rolle, da sie neue Erkenntnisse liefern
  • Beispiele umfassen: Corona-Sequenzierung, Gründungsmonitor, Wahlen, Wetterbedingungen usw.
• Open Data bedeutet, dass Daten ohne Beschränkungen frei verfügbar sind
  • Regierungen, NGOs und Forschungsinstitutionen führen Initiativen für Open Data durch
  • Beispiele sind: GOV Data, U.S. Census Bureau, Bundesbank, Destatis, OSF, Github, Kaggle usw.
• Die folgenden Prinzipien gelten für Open Data
  • Öffentlichkeit (Datenschutz, Sicherheit, Schutz der Privatsphäre gewährleistet)
  • Zugänglichkeit (gängiges Datenformat)
  • Etikettiert
  • Wiederverwendbarkeit (Open Source Lizenz)
  • Vollständigkeit (Primär- und Aggregatdaten)
  • Aktualität (rechtzeitig)
  • Folgenachfrage/Betreuung (Kontaktpersonen)

Daten aus sozialen Medien

• Social-Media-Daten sind eine wichtige Datenquelle für Forschung, Marketing und Personalbeschaffung
• Anwendungsprogrammierschnittstellen (APIs) ermöglichen den Zugriff auf diese Datensätze
• Social-Media-Unternehmen veröffentlichen einige ihrer anonymisierten Datensätze für die Forschung

Multimodale Daten

• Multimodale Daten umfassen verschiedene Medienformen
  • Bilder
  • Musik
  • Gesten
  • Sprache
• Beispiel: Funktionelle Nahinfrarotspektroskopie (fNIRS)

Daten vs. Informationen

• Daten sind Plural vom lateinischem Datum: gegeben
• Informationen sind aussagekräftige Daten

Daten

• Daten bilden die Grundlage für die Generierung von Informationen
• Oft roh und ohne Bedeutung gesehen
• Als Öl des 21. Jahrhunderts bezeichnet

Informationen

• Entstehen aber durch Umwandlung von Daten in verwendbare Form mit Bedeutung
• Sie können interpretiert, analysiert und verwendet werden
• Die Datenentstehung wird berücksichtigt

DIKW-Modell

• Das DIKW-Modell ist eine hierarchische Struktur, die die Beziehungen zwischen Daten, Informationen, Wissen und Weisheit beschreibt
• Die Daten sind Fakten oder Symbole, die ohne Kontext keine Bedeutung haben
• Informationen sind Daten, die Bedeutung haben und genutzt werden können
• Wissen ist die Fähigkeit, Informationen zu verstehen, Strukturen zu erkennen und Einblicke zu gewinnen
• Weisheit ist die Verknüpfung von Wissen und Erfahrung, das Ableiten von Schlussfolgerungen und das Treffen von besseren Entscheidungen
• Das DIKW-Modell wird eingesetzt, um zu verstehen, wie Daten und Informationen in Wissen und schließlich in Erkenntnisse und Aktionen umgewandelt werden können

DIKW-Modell Beispiel

• Die Bedeutung von Primzahlen in der Mathematik ist Weisheit
• Primzahlen? sind Wissen
• 2,3,5,7,11 ist Information
• 2,11,7,3,5 sind Daten

Der menschliche Faktor

• Der Mensch spielt eine wichtige Rolle bei der...
  • Problemauswahl, um zu entscheiden, welches Problem mit Data Science gelöst werden soll
  • Datenbereinigung, um ungültige Werte oder Ausreißer zu erkennen und über ihre Relevanz zu entscheiden
  • Datenanalyse, da die Auswahl bestimmter Methoden hier von entscheidender Bedeutung ist
  • Interpretation, da Einschränkungen von Methoden und Modellen verstanden, erläutert und kommuniziert werden
  • Kommunikation, um wichtige Erkenntnisse der Datenwissenschaft zu vermitteln

Fähigkeiten für Data Science

• Experimentierfreude ist wichtig, weil man neue Wege braucht, um ein Problem zu lösen
• Mathematisches Denken ist wichtig, weil Daten meist numerisch vorliegen und grundlegende mathematische und statistische Kenntnisse eine Voraussetzung sind
• Datenkompetenz ist wichtig, weil Daten analytisch betrachtet werden müssen, um Informationen zu generieren, und weil datengestützte Entscheidungsfindung eine treibende Kraft für Innovation ist

Experimentierfreude

• Die Fähigkeit, ein Problem zu formulieren, Hypothesen zu formulieren und es mit analytischen und kreativen Ideen zu lösen
• In einigen Fällen werden Bewerber:innen Fragen gestellt, um ihre logische Denkweise auszuwerten, es geht aber nicht um die "richtige" Antwort, sondern vielmehr um wie sie an diese gelangen

Bearbeitungstechniken

• Man sollte Annahmen klären
  • Länge und Breite eines VW Golf
  • Größe eines Golfballs
• Problem zerlegen
  • Volumen des VW Golf berechnen
  • Volumen eines Golfballs berechnen
  • Ergebnisse kombinieren, um Gesamtzahl abzuschätzen
  • Annäherung der Gesamtzahl

Datenkompetenz

• Die Fähigkeit, die Daten zu verstehen und wichtige Fragen daraus zu beantworten
• Datensatz mit Körpergröße und Gewicht (Zoll und Pfund)
• Es ist möglich zu entscheiden, wie viel Gewichtszunahme man bei einer Zunahme der Körpergröße um einen Zoll erwarten würde

Probleme von Data Science

• Datenschutz
  • Die Datenerhebung muss datenschutzkonform erfolgen
  • Wo, wie und warum sind Daten wie gesammelt wurden?
  • Wer hat die Daten gesammelt?
• Voreingenommenheit
  • Die Daten können voreingenommen sein
  • Data Scientists müssen Voreingenommenheit erkennen, da das Ergebnis verzerrt ist oder Diskriminierung erzeugt
• Ethik
  • Werden Daten ethisch korrekt gesammelt?
  • Es kann Voreingenommenheit geben, selbst wenn Daten ethisch korrekt erhoben werden

Ursachen von Diskrimierung

• Fehlerhafte oder verzerrte (engl. biased) Trainingsdaten
  • Historische Verzerrungen
    • Eingangsdaten, die bereits bestehende (explizite oder implizite) manuelle Vorurteile/Stereotypen enthalten
  • Repräsentations-Bias
    • Die Stichprobe bestimmt Gruppen- und Charaktereigenschaften
• Technische Einschränkungen
  • Technischer Bias:
    • Zugang zur Technologie (Hardware und Software) oder technische Probleme bei der Übertragung von qualitativen Merkmalen in quantitativ maschinenlesbare Informationen
• Veränderungen im Laufe der Zeit
  • Entstehender Bias
    • Gesellschaftliche Veränderungen werden vom Algorithmus nicht erfasst

Beispiel HireVue

• Die Bewertung von Bewerber:innen mithilfe von KI erfolgt durch Analyse von Gesichtsbewegungen und Wortwahl
• Studierende werden ausgebidet, um Job-Chancen zu erhalten

Videoalgorithmen bei der Einstellung

• Forshungsfrage: Führen ungleiche Gruppenverteilungen in Trainingsdaten zu Verzerrungen, wenn es um die Einladung zu Vorstellungsgesprächen geht?
• Durchführung: Die Daten wurden auf einen Trainingsdatensatz von 6.000 Probanden angewendet
• Der Gewinner-Algorithmus einer Programmier-Challenge wurde untersucht
• 10.000 Selbstporträt-Clips wurden als Trainings-/Testdaten verwendet
• Die Mitarbeiter von Amazon MTurk beschrifteten die Daten
• Es gab eine ungleiche Verteilung der Ethnizität

Rückkehr zu HireVue und anderen Anbietern

• Im Experiment werden Videoalgorithmen von Bayrischem Rundfunk und Retorio auf Objektivität geprüft
• Es besteht eine menschliche Voreingenommenheit
  • Diejenigen, die eine Brille tragen, sind weniger gewissenhaft
  • Personen sind verträglicher mit einem Bücherregal im Hintergrund
  • People of Colour werden als schlechter eingeschätzt
• Die Hersteller betonen, dass die Wirkung, die die Bewerber:innen auf andere Menschen haben, gemessen wird und der Algorithmus entsprechend trainiert wurde

ChatGPT

• 175 Milliarden Parameter (Deep Learning)
• 570 GB Textdaten aus Datenbanken (Bücher, Webtexte, Wikipedia, Artikel)
• 300 Milliarden Wörter (Foren, Blogs) werden dem System hinzugefügt
• Beschreibt die Konsequenz für Abschlussarbeiten, Prüfungsformate, Nachrichten, Literatur, Urteile
• In Kenia, Indien und Uganda kennzeichnen Mitarbeiter schädliche Texte (HateSpeech, Gewaltverbrechen) für weniger als 2 $ pro Stunde
• Der Zugang zu besseren Modellen ist kostenpflichtig

KI und verdeckte Diskriminierung

• Sprachmodelle verstärken tendenziell systematische Vorurteile
• Diskriminierung in Sprachmodellen in Form von Dialektvorurteilen
• Neue Arten von Rassismus vermeiden rassistische Terminologie, aber sie halten diskriminierende Verhaltensweisen aufrecht

KI und Diskriminierung durch Dialekte

• Es gibt Folgen in hypothetischen Experimenten
• Sprachmodelle ordnen Sprecher:innen des afroamerikanischen Englisch (AAE) in der Regel weniger angesehenen Berufe zu oder werden für Kapitalverbrechen härter bestraft
• Eine Zunahme von "Dialekt-Vorurteilen" führt zu einem Anhalten von Diskriminierung