Data Science: Richtig angewendet steckt hinter dem Begriff der perfekte Mix aus Dateninferenz (also ein schlussfolgender Prozess) und dem Einsatz passender Algorithmen, um komplexe Probleme zu lösen. Oder besser gesagt, um die riesigen Big Data Sätze, die uns Sensoren, Apps, Clouds und so weiter bieten, sinnvoll nutzen zu können.
Die Basis sind also Daten. Diese sind der Rohstoff, den es zu verarbeiten gilt.
Durch Data Science können wir gesammelte Daten auf kreative Weise nutzen. Wir können Muster erkennen und wichtige Erkenntnisse gewinnen. Als Ergebnis erleichtern wir damit unsere Prozesse, erweitern sie und steigern den Geschäftswert. Kurz gesagt: Um mit Big Data zum Erfolg zu gelangen, geht es ab über die Data Science Autobahn.
Inhaltsverzeichnis
Was ist Data Science – Von der Datenerfassung bis zur praktischen Nutzung
Das Internet der Dinge bringt nicht nur Maschinen dazu, miteinander zu kommunizieren. Es befähigt die Dinge nicht allein zu so praktischen Maßnahmen wie Predictive Maintenance oder der wundersamen Duplikation durch Digital Twins.
Vielmehr generiert das Internet of Things auch Informationen.
Genauer gesagt, sorgt es für eine wahre Flut an Informationen durch Daten. Daten, die wir in Clouds ablegen. Oder nutzen. Denn was nützt einem ein Sammelsurium an Geschäftsdaten, wenn wir sie nur besitzen. Wir stellen sie ja nicht in die Vitrine und schauen sie an.
Daten müssen verarbeitet werden.
Gerade durch die dauernde Nutzung von Smartphones, smarten Maschinen oder Smart Home Geräten ist die Datenflut angestiegen. Und damit auch ihr Potential. Schließlich ist die Höhe der möglichen Rechenleistung in den letzten Jahren auch exponentiell angestiegen.
Genau aus diesem Grund ist Data Science möglich. Dank der gestiegenen Rechenleistung erst können entsprechende Erkenntnisse aus Daten gewonnen werden.
Neben den Daten als Rohstoff aber braucht es nun außerdem noch die richtige Programmiersprache, statistisches Wissen, eine gute Datenbankarchitektur und kluge Köpfe, die aus dem vorahnenden Rohstoffen entsprechender Programme schreiben können.
Nur so kann aus Vorhandenem auch Neues entstehen. In diesem Fall steht das Neue für Erkenntnis. Denn diese ist das Ziel jeder guten Wissenschaft, also auch der Daten Wissenschaft.
Data Science ist auch mehr als nur Statistik
Früher wurde Date Science als eine Art Wissenschaft der Datenstatistik bezeichnet. Was aber natürlich längst nicht mehr ausreicht, um das weite Feld der Datenwissenschaft zu beschreiben.
Es geht ja neben der Statistik vor allem darum, Wissen zu gewinnen, um Muster zu erkennen und Entscheidungen zu generieren.
Darum braucht es auch die Fähigkeiten, entsprechende Programme zu schreiben, Codes zu definieren und mathematische Praxis anzuwenden. So umfasst die Data Science eben auch das Data Mining, Data Statistics, Data Engenieering oder die Entwicklung von Deep Learning Programmen.
Weiter gefasst, fällt so auch das Machine Learning, die M2M-Kommunikation und die Künstliche Intelligenz (KI) mit in den Bereich Data Science. Auf diesen Gebieten geht es letztendlich ebenso darum, Datenmengen automatisch zu verarbeiten, hieraus Wissen zu gewinnen oder Prozesse ausführen zu lassen.
Machine Learning & Künstliche Intelligenz
Bevor wir weiter auf Data Science Projekte eingehen, befassen wir uns kurz mit den angesprochenen Feldern des Maschinellen Lernens und der Künstlichen Intelligenz.
KI ist ein System, das möglichst alles kann, was das Gehirn eines Menschen kann. Deshalb bezeichnen wir es als Künstliche Intelligenz.
Das heißt, dass der Computer „denkt“ wie ein Mensch und Rückschlüsse aus dem zieht, was er als Basis für seine „Überlegungen“ erhält. Dabei können durchaus auch mehrere Rückschlüsse gezogen werden.
Das heißt, die Künstliche Intelligenz liegt darin, dass sich die Maschine durchaus wie ein Mensch verhalten kann. Erschaffen werden diese Anwendungen mit Hilfe neuronaler Netze, die trainiert werden.
Maschinelles Lernen befasst sich mehr mit dem Aspekt, dass es sich um eine Maschine handelt: Das heißt, dass die Maschine darauf trainiert wird, richtig zu handeln. Mit Hilfe von Modellen oder einem Algorithmus.
An diesem lernt sie, herauszufinden, welche Aktion auf eine andere Aktion oder einen Zustand folgen muss, ohne dass der Programmierer sie vorgibt.
Durch Machine Learning werden Probleme also autonom gelöst. Das erspart einem viel Zeit. Zu sehen ist es schon in vielen Branchen. Ob in der Smart Factory oder im Gesundheitswesen. Maschinelles Lernen verspricht große Treffsicherheit beim Lösen von Problemen.
All dies gehört eben zur Datenwissenschaft. Neben anderen Gebieten. Data Science umfasst neben Maschinellem Lernen oder Künstlicher Intelligenz ja auch das gesamte Spektrum der Datenerfassung, sei es aus Studien, Sensordaten und anderen Quellen stammend, und der Datenverarbeitung.
So gehört dazu zum Beispiel auch:
- Die Integration von Daten
- Datenvisualisierung
- Die Bereitstellung von Daten
- Automatisierte, datengesteuerte Entscheidungen
Die Vielseitigkeit von Data Science auf den Punkt zu bringen, ist mitunter nicht leicht. Dr. Thomas Miller von der Northwestern University beschriebt Data Science als „eine Kombination aus Informationstechnologie, Modellierung und Unternehmensführung“.
Das trifft es sicher ganz gut.
Data Science Projekte aufbauen
Wie ich ein Data Science Projekt aufbaue, ist im Prinzip ähnlich wie bei anderen digitalen Projekten.
- In der ersten Phase definiere ich die Aufgabenstellung. Welche Fragen will ich durch die Datenwissenschaft beantwortet haben. Welche Ziele verfolge ich. Natürlich ist es gut, die Aufgabenstellung so genau wie möglich zu spezifizieren.
- Setze eine Zeitvorgabe. Zu welchem Zeitpunkt soll welches Ziel erreicht und welche Phase des Projektes abgeschlossen sein.
- Die nächste Phase bezieht sich auf die Quelle des wichtigsten Rohstoffs. Das heißt, ihr befasst euch mit den Fragen: Wo bekomme ich die Daten her? Gibt es genug Daten? Welche Werte oder Variablen brauche ich für die Analyse.
- Danach geht es an die Entwicklung für einen formalen Rahmen der Analyse.
- Passend dazu muss darüber nachgedacht werden, wie die Ergebnisse interpretiert werden können. Wurden zum Beispiel mehrere Analysen gebraucht und verschiedenen Modelle daraus entwickelt, ist es in der Interpretationsphase nun daran, die gesammelten Erkenntnisse zusammen zu fügen.
- Startet einen Testlauf.
- Das Reporting: Das heißt, ich schaue mir an, wie ich die Ergebnisse präsentieren und kommunizieren kann.
Data Science ist ein viel beachtetes Feld mit hohem Potenzial. In Zeiten von zunehmenden Datenfluten und immer stärkerer Rechenleistungen ist es vor allem ein Feld, das weiter wachsen wird.
Mit Hilfe von Machine Learning und Künstlicher Intelligenz können Computer außerdem selbstständige Analysen durchführen und aus gegebenen Fakten Schlüsse ziehen.
Data Science, also die Datenwissenschaft, befasse sich mit dem Extrahieren von Daten. Es ist also ein Bereich, der durch wissenschaftliches Verfahren aus strukturierten oder unstrukturierten Daten Schlüsse zieht. Zu dieser Datenwissenschaft gehören unter anderem die Künstliche Intelligenz und Machine Learning.
Durch die Nutzung von IoT-Technologien – wie zum Beispiel Sensorik – werden viele Daten gesammelt. Daher ist es wichtig, aus diesen Daten auch die richtigen Schlüsse zu ziehen. Dabei werden die Informationen gesammelt, analysiert und kombiniert, sodass zum Beispiel auch Muster erkannt werden. Aus diesen Mustern werden Entscheidung abgeleitet.
Künstliche Intelligenz (KI) existiert mit dem Ziel, die Fähigkeiten von Menschen nachzuahmen mit Hilfe von neuronalen Netzen, die trainiert werden. KI beinhaltet dabei eine Reihe von Techniken, mit denen Computer lernen und Probleme lösen sollen. Zu diesen Techniken gehört beispielsweise die Computer Vision oder Robotik.
Machine Learning (auch: maschinelles Lernen) ist ein Teilgebiet der Künstlichen Intelligenz. Dabei werden Daten durch Algorithmen oder Modelle verwertet, um automatisch verschiedene Muster zu erkennen. Zusammenhängen werden also selbständig auf Basis von beispielhaften Daten erschlossen.
Künstliche Intelligenz (KI) und Machine Learning helfen dabei, die Data Science Prozesse, die üblicherweise viel Zeit in Anspruch nehmen, zu automatisieren.