Datenanalyse, Datenschutz und Internet der Dinge

Die vorliegenden Materialien wurden von Daniel Hoherz erstellt und von André Tempel für die Website aufbereitet. Die Nährwertangaben der Lebensmittel stammen aus dem Kartenmaterial des ProDaBi-Teams (Version 4, 2022). Sollten andere Editoren die Materialien erstellt haben, werden diese explizit genannt.
Datenanalyse: Einführung
Verschiedene Akteure wie Onlinehandelsplattformen, Social-Media-Plattformen oder Behörden sind an möglichst vielen Daten über Personen interessiert. Mit einer Datenanalyse versuchen sie, aus diesen Daten Muster zu erkennen und Vorhersagen zu treffen. Im Folgenden betrachten wir eine Onlinehandelsplattform.
Die Tabelle zeigt einen stark verkleinerten Ausschnitt mit Daten von 15 Kundinnen und Kunden. Erfasst sind unter anderem die letzten fünf Käufe. Der fünfte Kauf heißt hier „Nächster Kauf“. Das Ziel der Auswertung ist die Frage: Hätte man aufgrund der übrigen Daten vorhersagen können, was als „Nächster Kauf“ bestellt wurde?
| Nr. | Geschlecht | Beziehungsstatus | Alter | Region | Kauf 1 | Kauf 2 | Kauf 3 | Kauf 4 | Nächster Kauf |
|---|---|---|---|---|---|---|---|---|---|
| 1 | weiblich | ledig | 26–35 | Bayern | Bekleidung | Beauty | Haushaltswaren | Bücher | Garten |
| 2 | männlich | verheiratet | 36–50 | NRW | Elektronik | Garten | Bücher | Haushaltswaren | Elektronik |
| 3 | divers | in einer Beziehung | 18–25 | BW | Beauty | Bekleidung | Garten | Haushaltswaren | Haushaltswaren |
| 4 | weiblich | verheiratet | 50+ | Berlin | Bücher | Haushaltswaren | Bekleidung | Elektronik | Bücher |
| 5 | männlich | ledig | 26–35 | Sachsen | Elektronik | Bekleidung | Beauty | Elektronik | Bekleidung |
| 6 | weiblich | in einer Beziehung | 36–50 | Hessen | Haushaltswaren | Beauty | Garten | Bekleidung | Haushaltswaren |
| 7 | männlich | verheiratet | 50+ | Bayern | Bekleidung | Haushaltswaren | Elektronik | Beauty | Bücher |
| 8 | divers | ledig | 18–25 | Niedersachsen | Bücher | Bekleidung | Garten | Beauty | Bekleidung |
| 9 | weiblich | in einer Beziehung | 26–35 | NRW | Elektronik | Bücher | Bekleidung | Bücher | Elektronik |
| 10 | männlich | ledig | 18–25 | Hamburg | Beauty | Bekleidung | Garten | Elektronik | Bekleidung |
| 11 | weiblich | verheiratet | 50+ | Thüringen | Bücher | Haushaltswaren | Bekleidung | Beauty | Bücher |
| 12 | männlich | in einer Beziehung | 36–50 | Schleswig-Holstein | Elektronik | Bücher | Haushaltswaren | Bekleidung | Haushaltswaren |
| 13 | divers | ledig | 26–35 | Bremen | Beauty | Haushaltswaren | Garten | Bücher | Elektronik |
| 14 | weiblich | ledig | 50+ | Mecklenburg-Vorpommern | Garten | Beauty | Haushaltswaren | Bücher | Garten |
| 15 | männlich | verheiratet | 26–35 | Sachsen-Anhalt | Garten | Bücher | Haushaltswaren | Beauty | Elektronik |
Aufgabe 1: Lässt sich der nächste Kauf vorhersagen? (Gruppenarbeit)
Bearbeiten Sie die Aufgabenteile in Ihrer Gruppe und haken Sie erledigte Teile ab.
Diskutieren Sie, welche Vorteile ein Unternehmen hätte, wenn es den nächsten Kauf seiner Kundinnen und Kunden vorhersagen könnte.
- Gezielte Werbung: Das Unternehmen kann passende Angebote an genau die Personen schicken, die sie wahrscheinlich kaufen. Das erhöht den Umsatz.
- Lager und Lieferung: Produkte können in Lagern nahe bei interessierten Kundinnen und Kunden vorrätig gehalten werden. Das verkürzt die Lieferzeiten.
- Planung: Einkauf und Sortiment lassen sich besser an die erwartete Nachfrage anpassen.
Analysieren Sie die Daten der ersten acht Spalten auf Gemeinsamkeiten in Bezug auf den nächsten Kauf. Nennen Sie mindestens zwei Regeln der Form:
WENN …, DANN war der nächste Kauf aus der Kategorie …
Mögliche Regeln, die auf alle 15 Datensätze passen:
- WENN Alter 50+ UND unter den bisherigen Käufen ist Bekleidung, DANN Bücher (Nr. 4, 7, 11).
- WENN „in einer Beziehung“ UND unter den bisherigen Käufen sind Haushaltswaren, DANN Haushaltswaren (Nr. 3, 6, 12).
- WENN weiblich UND ledig, DANN Garten (Nr. 1, 14).
Auch eine Regel wie „WENN Region NRW, DANN Elektronik“ (Nr. 2, 9) passt auf die Daten. Sie zeigt, dass man in wenigen Daten leicht Muster findet, die vermutlich nur zufällig sind.
Kausale Zusammenhänge: Es gibt logische Zusammenhänge, die wir zur Vorhersage nutzen können. Beispiel: Wenn die Sonnenintensität sehr hoch ist, ist das Risiko für Sonnenbrände hoch.
Korrelative Zusammenhänge: In anderen Bereichen erkennen wir keine logischen Zusammenhänge. Stattdessen suchen wir nach Mustern in den Daten. Diese Muster liefern auch Zusammenhänge, wir können sie aber oft nicht im Detail erklären oder ihre eigentliche Ursache ergründen.
Kausalzusammenhänge helfen uns, Dinge zu verstehen. Für Datenanalysen sind sie aber oft wenig interessant, weil sie meist bekannt sind. Korrelative Zusammenhänge sind spannender, weil sie neue Informationen liefern. Sie sind aber nicht unbedingt logisch nachvollziehbar und müssen erst gefunden werden: Wie genau Wohnort und Alter das Kaufverhalten prägen, können wir uns meist nicht erklären.
Begründen Sie, ob es sich bei Ihren Regeln aus b) um kausale oder korrelative Zusammenhänge handelt.
Die Regeln beschreiben nur korrelative Zusammenhänge:
- Die Daten erfassen nur wenige Personen. Jede Person kann sich jederzeit anders verhalten.
- Man kann nicht feststellen, ob wirklich die gefundenen Merkmale den nächsten Kauf verursacht haben. Es können auch andere Gründe verantwortlich sein, die gar nicht erfasst wurden.
Für Kausalzusammenhänge wären deutlich aufwendigere Untersuchungen mit viel mehr Kriterien nötig.
Regeln, die man in Daten findet, beschreiben fast immer eine Korrelation und keinen Kausalzusammenhang. Vorhersagen aus Datenanalysen beruhen deshalb in den meisten Fällen auf korrelativen Zusammenhängen.
Der Prozess der automatisierten Datenanalyse
Eine Datenanalyse läuft in mehreren Schritten ab:
- Schritt 1: Die Daten werden erfasst und gespeichert. Achtung: Die Daten der vorherzusagenden Eigenschaft müssen in den erfassten Daten bereits enthalten sein.
- Schritt 2: Aus diesen Daten wählt man üblicherweise eine kleinere Teilmenge aus, die Trainingsdaten. Aus ihnen wird das Vorhersagemodell erstellt. Man sucht also Regeln, mit denen sich die gesuchte Eigenschaft vorhersagen lässt.
- Schritt 3: Das Vorhersagemodell wird auf den Rest der Daten angewendet, die Testdaten.
- Schritt 4: Die Ergebnisse werden bewertet: Wie gut funktioniert das Modell, das nur aus einem Teil der Daten erstellt wurde? Ist man zufrieden, kann man das Modell auf neue Daten anwenden und echte Vorhersagen treffen. Ist man nicht zufrieden, muss man das Modell überarbeiten.
Für Lehrkräfte wäre es sicher praktisch, die Idee der Onlineshops für Schulnoten zu nutzen: Man korrigiert nur einige Arbeiten und „sagt“ die Noten aller anderen Arbeiten „vorher“. Doch wie gut funktioniert das wirklich? In einer Sammlung von etwa 650 Datensätzen wurden dazu viele Daten über Schülerinnen und Schüler erhoben. Ein Teil davon ist unten beschrieben.
Aufgabe 2: Welche Daten sind wichtig? (arbeitsteilige Gruppenarbeit)
Vorhergesagt werden soll die Note der dritten Arbeit („Note 3“). Bearbeiten Sie die Aufgabenteile und haken Sie erledigte Teile ab.
Suchen Sie sich eine zweite Partnergruppe. Eine Partnergruppe übernimmt die linke Tabelle, die andere die rechte.
Diskutieren Sie zunächst in Ihrer Partnergruppe, welche Eigenschaften der Schülerinnen und Schüler vermutlich für die Vorhersage der Note 3 wichtig sind.
Partnergruppe 1
| Daten | Beschreibung |
|---|---|
| Schule | „Gym“ oder „OS“ für Gymnasium oder Oberschule |
| Geschlecht | „M“ oder „W“ |
| Wohnumfeld | „urban“ oder „ländlich“ |
| Familiengröße | „≤ 3“ oder „> 3“ |
| Bildung Mutter | Grundschule; Hauptschule; Realschule/Gymnasium; Universität; keine |
| Beruf Vater | wie oben |
| Fahrzeit | tägliche Fahrzeit zur Schule: „< 15 min“; „15–30 min“; „30–60 min“; „> 60 min“ |
| Wiederholte Schuljahre | Anzahl der wiederholten Schuljahre: 0; 1; 2 oder 3 |
| Note 1 | Note (1–6) in der ersten Arbeit |
| Note 2 | Note (1–6) in der zweiten Arbeit |
Partnergruppe 2
| Daten | Beschreibung |
|---|---|
| Lernzeit | Lernzeit pro Woche außerhalb des Unterrichts: „< 2 h“; „2–5 h“; „5–10 h“; „> 10 h“ |
| Unterstützung Familie | Unterstützung bei schulischen Pflichten durch die Familie: „Ja“ oder „Nein“ |
| Nachhilfe | Nimmt Nachhilfeunterricht: „Ja“ oder „Nein“ |
| Außerunterrichtliche Schulaktivitäten | Nimmt an Aktivitäten außerhalb des Unterrichts teil: „Ja“ oder „Nein“ |
| Internetzugang | Internetzugang zu Hause: „Ja“ oder „Nein“ |
| Familiäre Beziehungen | eigene Einschätzung: „sehr schlecht“ bis „sehr gut“ |
| Freizeit | Menge an Freizeit: „sehr wenig“ bis „sehr viel“ |
| Weggehen | Wie wichtig ist es, mit Freunden wegzugehen: „sehr wichtig“ bis „sehr unwichtig“ |
| Gesundheit | „sehr schlecht“ bis „sehr gut“ |
| Abwesenheiten | Anzahl der Fehlzeiten im aktuellen Schuljahr |
Stellen Sie sich in der gesamten Gruppe gegenseitig Ihre Ergebnisse vor und diskutieren Sie unterschiedliche Meinungen.
Es gibt keine eindeutige Lösung. Eine mögliche Einschätzung:
- Vermutlich wichtig: Note 1 und Note 2, Lernzeit, Abwesenheiten, wiederholte Schuljahre.
- Umstritten: Unterstützung durch die Familie, Nachhilfe, Bildung der Eltern, Freizeit, Weggehen, Gesundheit, Fahrzeit.
- Vermutlich unwichtig: Geschlecht, Wohnumfeld, Familiengröße.
Später können Sie prüfen, welche Daten der Entscheidungsbaum von Orange tatsächlich nutzt. Im Beispielbaum steht „Note 2“ ganz oben.
Datenanalyse mit Orange
Mit dem Programm Orange können Sie nun selbst ein Vorhersagemodell erstellen. Die Daten liegen für alle Kategorien aus Aufgabe 2 vor, natürlich ohne Namen der Schülerinnen und Schüler. Orange erstellt daraus einen Baum, wendet ihn auf Daten an und hilft bei der Beurteilung der Qualität.
Aufgabe 3: Ein Vorhersagemodell mit Orange erstellen (arbeitsteilige Partnerarbeit)
Bearbeiten Sie die Teile a) bis c) in Einzelarbeit und d) zu zweit. Haken Sie erledigte Teile ab.
- Starten Sie das Programm Orange. Links sehen Sie verschiedene Bereiche mit Bausteinen (Widgets).
- Ziehen Sie aus dem Bereich „Data“ das Widget File und aus dem Bereich „Transform“ das Widget Data Sampler auf die leere Arbeitsfläche. Verbinden Sie beide per Drag&Drop von den Rändern der Symbole.
- Öffnen Sie „File“ mit einem Doppelklick. Laden Sie über das Ordnersymbol die Datei schueler-noten.xlsx (die Datei erhalten Sie von Ihrer Lehrkraft). Sie enthält etwa 650 Datensätze mit 24 Attributen, die Sie im unteren Bereich des Fensters sehen.
- Ein Anteil von 30 % der Datensätze soll als Trainingsdaten für das Vorhersagemodell dienen. Öffnen Sie den „Data Sampler“, prüfen Sie, ob 30 % eingestellt sind, und klicken Sie gegebenenfalls auf „Sample Data“.
Schritt 1: Aus der Stichprobe sucht Orange automatisch Regeln und speichert sie in einer Baumstruktur. Wählen Sie unter „Model“ das Widget Tree und verbinden Sie den linken Rand von „Tree“ mit dem rechten Rand von „Data Sampler“.
Schritt 2: Damit der Baum angezeigt werden kann, wird er an den Tree Viewer übergeben. Ziehen Sie ihn aus dem Bereich „Visualize“ auf die Arbeitsfläche und verbinden Sie ihn von rechts mit „Tree“.
Schritt 3: Öffnen Sie den „Tree Viewer“ mit einem Doppelklick. Den angezeigten Baum nennt man Entscheidungsbaum. Unten sehen Sie ein Beispiel eines anderen Baums.
Der Baum wurde anhand der Trainingsdaten aufgebaut. Im ersten Knoten, der Wurzel, wird nach dem Kriterium „Note 2“ sortiert: Alle Trainingsdatensätze mit Note 2 = 4, 5 oder 6 werden links einsortiert, alle anderen rechts. In beiden Fällen wird danach erneut nach „Note 2“ sortiert. An welchen Knoten ein Datensatz weitergegeben wird, steht jeweils an der Verbindungslinie. Die Blätter des Baums, also die untersten Knoten, betrachten wir erst in Teil c).
Bleibt man mit dem Mauszeiger auf einem Knoten stehen, öffnet sich ein Fenster mit Details. Bei der Wurzel des Beispielbaums sieht es so aus:
| Note 3 | Anzahl | Anteil |
|---|---|---|
| 1 | 5 | 7,7 % |
| 2 | 6 | 9,2 % |
| 3 | 17 | 26,2 % |
| 4 | 30 | 46,2 % |
| 5 | 5 | 7,7 % |
| 6 | 2 | 3,1 % |
Interpretieren Sie die Informationen in diesem Fenster.
- Das Fenster zeigt, wie sich das Attribut „Note 3“ bei den Trainingsdatensätzen an der Wurzel verteilt. Im Beispiel sind es 65 Datensätze: z. B. hatten 30 davon (46,2 %) die Note 4 und 2 davon (3,1 %) die Note 6.
- Würde der Baum hier aufhören, würde er für alle die häufigste Note vorhersagen, also eine 4. Das wäre nur für 46,2 % richtig.
- „Next split: Note 2“ bedeutet, dass an der Wurzel nach dem Attribut „Note 2“ aufgeteilt wird. Dieses Attribut trennt die Datensätze am besten.
Die untersten Knoten am Ende eines Baums nennt man Blätter. Im Beispielbaum wurden im letzten Schritt die verbliebenen Datensätze nach der Lernzeit sortiert: Alle mit weniger als 2 Stunden oder 5 bis 10 Stunden Lernzeit nach rechts, alle anderen nach links. Die fett gedruckte Zahl in den Blättern, hier 3 und 4, ist der Wert von „Note 3“, den der Baum für die dorthin sortierten Datensätze vorhersagt. Die Detailfenster der beiden Blätter zeigen:
| Weg zum Blatt (Selection) | Verteilung von „Note 3“ |
|---|---|
| Lernzeit: 2–5 h oder > 10 h Gesundheit: schlecht oder sehr gut Alter: 17 oder 18 Note 2: 4 | Note 3: 3 Datensätze (100 %) |
| Weg zum Blatt (Selection) | Verteilung von „Note 3“ |
|---|---|
| Lernzeit: 5–10 h oder < 2 h Gesundheit: schlecht oder sehr gut Alter: 17 oder 18 Note 2: 4 | Note 3: 1 Datensatz (25 %) Note 4: 3 Datensätze (75 %) |
Interpretieren Sie mit Hilfe der Detailinformationen die Prozentwerte 100 % und 75 % in den Blättern.
Hinweis: Die Datensätze werden von der Wurzel an nach den Kriterien der Knoten immer weiter sortiert. Erst am Ende wird geschaut, welche Werte das Attribut „Note 3“ hat.
- Linkes Blatt: Drei Trainingsdatensätze sind über diesen Weg im Blatt gelandet. Alle drei hatten in der dritten Arbeit eine 3. Der Baum sagt hier deshalb eine 3 voraus und liegt bei 100 % dieser Trainingsdatensätze richtig.
- Rechtes Blatt: Vier Trainingsdatensätze sind hier gelandet. Drei hatten eine 4, einer eine 3. Der Baum sagt die häufigste Note voraus, also eine 4, und liegt damit bei 3 von 4 = 75 % richtig.
- Der Prozentwert gibt also an, wie „rein“ ein Blatt ist. Er bezieht sich auf die Trainingsdaten. Wie gut der Baum bei neuen Daten ist, zeigt erst die Überprüfung mit Testdaten in Aufgabe 4.
Vergleichen Sie Ihre Entscheidungsbäume miteinander. Fügen Sie dazu eine Data Table hinzu und verbinden Sie sie mit dem „Data Sampler“.
Begründen Sie mit Hilfe eines Vergleichs der „Data Table“, weshalb Ihre Entscheidungsbäume unterschiedlich sind.
Der „Data Sampler“ wählt die 30 % Trainingsdaten zufällig aus. In den beiden Data Tables stehen deshalb unterschiedliche Datensätze. Da der Baum aus genau diesen Trainingsdaten erstellt wird, entstehen unterschiedliche Bäume.
- Ein Entscheidungsbaum ordnet Datensätze ein, indem er an jedem Knoten nach einem Kriterium entscheidet.
- Der oberste Knoten heißt Wurzel, die untersten Knoten heißen Blätter.
- Der Baum wird aus den Trainingsdaten erstellt. Ob er gut funktioniert, prüft man mit Testdaten.
Aufgabe 4: Das Vorhersagemodell beurteilen (Partnerarbeit)
Betrachten Sie nur eines Ihrer beiden Vorhersagemodelle. Wählen Sie in a) die Standardvariante oder die schwierigere Variante.
- Klicken Sie links unter „Evaluate“ auf Predictions und verbinden Sie „Predictions“ mit „Tree“ und mit „File“. Beide Verbindungen führen links in „Predictions“ hinein.
- Mit einer Confusion Matrix, ebenfalls unter „Evaluate“, lässt sich die Qualität des Vorhersagemodells recht leicht analysieren. Fügen Sie die „Confusion Matrix“ hinzu, verbinden Sie sie mit „Predictions“ und öffnen Sie sie mit einem Doppelklick.
Die Tabelle sieht im Prinzip so aus:
| tatsächliche Note 3 | vorhergesagte Note 3 | Σ | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | ||
| 1 | 32 | 13 | 1 | 0 | 0 | 0 | 46 |
| 2 | 39 | 21 | 24 | 1 | 0 | 0 | 85 |
| 3 | 0 | 40 | 153 | 24 | 0 | 0 | 217 |
| 4 | 0 | 0 | 25 | 201 | 9 | 1 | 236 |
| 5 | 0 | 0 | 2 | 23 | 21 | 3 | 49 |
| 6 | 0 | 0 | 0 | 8 | 4 | 4 | 16 |
| Σ | 71 | 74 | 205 | 257 | 34 | 8 | 649 |
Erläutern Sie anhand der Anzahl der Datensätze, auf die sich die Matrix bezieht, welche Datensätze hier für eine Vorhersage mit dem Entscheidungsbaum genutzt wurden.
Analysieren Sie mit Hilfe der Matrix, wie geeignet das Vorhersagemodell für einzelne Noten und insgesamt ist. Beachten Sie dabei:
- Bei wie vielen Schülerinnen und Schülern war die Vorhersage korrekt?
- Bei wie vielen lag die Vorhersage höchstens eine Note daneben?
- Bei wie vielen lag die Vorhersage zwei oder mehr Noten daneben?
Datengrundlage: Die Matrix enthält 649 Datensätze, also alle Datensätze der Datei. „Predictions“ ist mit „File“ verbunden und klassifiziert deshalb auch die Trainingsdaten, aus denen der Baum gebaut wurde. Das Ergebnis wirkt dadurch besser, als es bei wirklich neuen Daten wäre. Für eine echte Prüfung verbindet man „Predictions“ nur mit den übrigen Daten aus dem „Data Sampler“ (Ausgang „Remaining Data“).
Auswertung des Beispiels:
- Korrekt vorhergesagt (Diagonale): 432 von 649 ≈ 66,6 %
- Genau eine Note daneben: 204; höchstens eine Note daneben also 636 ≈ 98,0 %
- Zwei oder mehr Noten daneben: 13 ≈ 2,0 %
- Nach Noten: Note 1: 69,6 %, Note 2: 24,7 %, Note 3: 70,5 %, Note 4: 85,2 %, Note 5: 42,9 %, Note 6: 25,0 %
Die häufigen mittleren Noten 3 und 4 werden recht gut vorhergesagt. Bei den seltenen Noten am Rand (2, 5 und 6) ist die Vorhersage deutlich schlechter, weil es dafür nur wenige Trainingsdaten gibt. Ihre eigene Matrix weicht ab, weil Ihre Trainingsdaten zufällig ausgewählt wurden.
- Klicken Sie links unter „Evaluate“ auf Predictions und verbinden Sie „Predictions“ mit „Tree“ und mit „File“ (beide Verbindungen links an „Predictions“).
- Öffnen Sie „Predictions“ mit einem Doppelklick. Stellen Sie links oben im Bereich „Show probabilities for“ die Option „none“ ein. Das Feld „Show classification errors“ können Sie abwählen.
- Untersuchen Sie, wie gut die einzelnen Vorhersagen zu den tatsächlichen Werten von „Note 3“ passen.
- Die Untersuchung aller Datensätze ist sehr aufwendig. Fügen Sie deshalb eine Confusion Matrix hinzu („Evaluate“), verbinden Sie sie mit „Predictions“ und öffnen Sie sie.
Die Tabelle sieht im Prinzip so aus:
| tatsächliche Note 3 | vorhergesagte Note 3 | Σ | |||||
|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | ||
| 1 | 32 | 13 | 1 | 0 | 0 | 0 | 46 |
| 2 | 39 | 21 | 24 | 1 | 0 | 0 | 85 |
| 3 | 0 | 40 | 153 | 24 | 0 | 0 | 217 |
| 4 | 0 | 0 | 25 | 201 | 9 | 1 | 236 |
| 5 | 0 | 0 | 2 | 23 | 21 | 3 | 49 |
| 6 | 0 | 0 | 0 | 8 | 4 | 4 | 16 |
| Σ | 71 | 74 | 205 | 257 | 34 | 8 | 649 |
Erläutern Sie anhand der Anzahl der Datensätze, auf die sich die Matrix bezieht, welche Datensätze hier für eine Vorhersage genutzt wurden. Analysieren Sie mit Hilfe der Matrix, wie geeignet das Vorhersagemodell für einzelne Noten und insgesamt ist.
Datengrundlage: Die Matrix enthält 649 Datensätze, also alle Datensätze der Datei. „Predictions“ ist mit „File“ verbunden und klassifiziert deshalb auch die Trainingsdaten, aus denen der Baum gebaut wurde. Das Ergebnis wirkt dadurch besser, als es bei wirklich neuen Daten wäre. Für eine echte Prüfung verbindet man „Predictions“ nur mit den übrigen Daten aus dem „Data Sampler“ (Ausgang „Remaining Data“).
Auswertung des Beispiels:
- Korrekt vorhergesagt (Diagonale): 432 von 649 ≈ 66,6 %
- Genau eine Note daneben: 204; höchstens eine Note daneben also 636 ≈ 98,0 %
- Zwei oder mehr Noten daneben: 13 ≈ 2,0 %
- Nach Noten: Note 1: 69,6 %, Note 2: 24,7 %, Note 3: 70,5 %, Note 4: 85,2 %, Note 5: 42,9 %, Note 6: 25,0 %
Die häufigen mittleren Noten 3 und 4 werden recht gut vorhergesagt. Bei den seltenen Noten am Rand (2, 5 und 6) ist die Vorhersage deutlich schlechter, weil es dafür nur wenige Trainingsdaten gibt. Ihre eigene Matrix weicht ab, weil Ihre Trainingsdaten zufällig ausgewählt wurden.
Untersuchen Sie, wie sich die Matrix verändert, wenn Sie den Anteil der Trainingsdaten im „Data Sampler“ langsam erhöhen.
Diskutieren Sie, inwiefern es notwendig ist, ein erstelltes Vorhersagemodell auf neue Daten, die Testdaten, anzuwenden.
- Mit mehr Trainingsdaten werden die Werte auf der Diagonalen meist größer. Ein Teil dieser Verbesserung ist aber nur scheinbar: Da „Predictions“ mit „File“ verbunden ist, prüft man immer mehr Datensätze, die der Baum schon beim Lernen gesehen hat.
- Ein Baum passt sich immer an seine Trainingsdaten an. Ob er auch neue Daten gut einordnet, sieht man nur an Testdaten, die beim Erstellen nicht benutzt wurden. Ohne Testdaten überschätzt man die Qualität des Modells.
Begründen Sie, ob Sie es in Ordnung fänden, wenn Ihre Lehrkraft dieses Verfahren nutzt, um Ihre Klausuren zu bewerten. Würden Sie es akzeptieren, wenn die Analyse so gut wäre, dass nur noch wenige Schülerinnen und Schüler falsch (besser oder schlechter) bewertet würden? In diesem Beispiel wurden rund 650 Datensätze verwendet, in einer Klasse wären es nur knapp 30. Spielt das für Ihre Entscheidung eine Rolle?
Eine eigene, begründete Meinung ist gefragt. Mögliche Argumente:
- Dagegen: Eine Note soll die eigene Leistung bewerten und nicht eine Vorhersage aus Merkmalen wie Fehlzeiten oder Familie. Selbst wenige Fehler treffen einzelne Personen ungerecht. Mit nur 30 Datensätzen wäre das Modell außerdem viel ungenauer.
- Dafür: Zeitersparnis für die Lehrkraft. Bei sehr hoher Trefferquote könnte die Vorhersage höchstens als Hinweis dienen, z. B. um Förderbedarf früh zu erkennen.
Chancen und Risiken automatisierter Datenanalyse
Automatisierte Datenanalysen werden im Alltag an vielen Stellen eingesetzt. Sie können nützlich sein, bergen aber auch Risiken. In diesem Abschnitt beurteilen Sie reale Beispiele.
Einstieg: Zwei Schlagzeilen (Austauschphase → Lerngruppe)
Tauschen Sie sich kurz aus und besprechen Sie das Ergebnis in der Lerngruppe.
„Der Händler weiß Bescheid“
„Telematik: Mit dem Smart Driver Programm belohnt die HUK-COBURG sicheres Autofahren“
Beschreiben Sie die beiden Überschriften und geben Sie das Spannungsverhältnis zwischen ihnen an.
- „Der Händler weiß Bescheid“ beschreibt eher eine negative Folge: Ein Händler wertet Kaufdaten so genau aus, dass er sehr viel über seine Kundinnen und Kunden weiß.
- Telematik-Tarif: Eine Versicherung wertet Fahrdaten aus und belohnt vorsichtiges Fahren mit günstigeren Beiträgen. Das wirkt zunächst positiv.
- Spannungsverhältnis: Datenanalyse kann Vorteile bringen (Rabatte, passende Angebote, Sicherheit). Gleichzeitig werden Menschen dafür überwacht, verlieren die Kontrolle über ihre Daten und können benachteiligt werden, wenn sie nicht mitmachen.
Gruppenpuzzle: Chancen und Risiken in der Praxis (arbeitsteilige Gruppenarbeit)
Finden Sie sich zunächst in Gruppen zu fünf Personen zusammen (Stammgruppen). Haken Sie erledigte Teile ab.
Teilen Sie die fünf Themen aus der Materialtabelle unten so auf, dass sich jede Person um ein Thema kümmert. Bearbeiten Sie Ihr Thema in Einzelarbeit und beantworten Sie dabei folgende Fragen:
- Beschreiben Sie die erhobenen Daten, auf welche Weise sie analysiert werden und mit welchem Ziel. Ziehen Sie gegebenenfalls weitere Informationsquellen heran.
- Erklären Sie, ob das Beispiel umsetzbar ist und inwiefern Fehler bei der Datenanalyse tolerierbar sind.
- Beurteilen Sie, ob die Analyse solcher Daten nützlich oder gefährlich ist und ob sie überhaupt zulässig sein sollte. Bedenken Sie dabei auch, wofür die Daten – wenn sie schon einmal erhoben wurden – noch genutzt werden könnten.
- Begründen Sie, ob Sie Ihre Daten für diesen Zweck freiwillig hergeben würden.
Finden Sie sich mit den Personen zusammen, die das gleiche Thema bearbeitet haben. Vergleichen Sie zunächst Ihre Ergebnisse. Kopieren Sie dann die Vorlage für die Übersicht in Ihre Notiz-App und halten Sie Ihre Ergebnisse in dieser Form fest.
Gehen Sie zurück in Ihre Stammgruppe.
- Präsentieren Sie Ihre Ergebnisse aus Aufgabe 2 und ergänzen Sie Ihre Notizen um die Ergebnisse der anderen.
- Diskutieren Sie Gemeinsamkeiten und Unterschiede der Beispiele und halten Sie die Ergebnisse fest.
- Beurteilen Sie in der Gruppe, ob es sich um gewünschte und sinnvolle Arten der Datennutzung handelt. Wenn ja: Welche Vorteile bringen sie? Wenn nein: Gibt es Möglichkeiten, sich ihnen zu entziehen oder sie zu verhindern, sodass Ihre Daten nicht genutzt werden können?
Mögliche Kernaspekte der fünf Themen:
- Predictive Policing: Polizeidaten (Tatorte, Zeiten, Personen) werden verknüpft, um Taten oder Gefährder vorherzusagen. Chance: gezielter Einsatz der Polizei. Risiken: Fehlalarme treffen Unschuldige, verzerrte Daten verstärken Diskriminierung, Abhängigkeit von einem US-Unternehmen.
- Social Credit System: Verhalten im Alltag (Finanzen, Verkehr, soziale Pflichten) wird bewertet und mit Vorteilen oder Strafen verknüpft. Risiko: umfassende staatliche Kontrolle, Druck zu angepasstem Verhalten.
- Smart Home: Sensoren und Sprachassistenten erfassen Gewohnheiten. Chance: Komfort und Energiesparen. Risiken: Mithören, Zugriff von Ermittlungsbehörden oder Angreifern.
- ePA: Gesundheitsdaten werden zentral gespeichert. Chance: bessere Behandlung und Forschung. Risiken: Datenlecks, Auswertung durch Krankenkassen, sehr sensible Daten. Widerspruch ist möglich.
- KI bei WhatsApp und Co.: Beiträge und Interaktionen werden für das Training von KI genutzt. Risiko: Profilbildung ohne bewusste Zustimmung. Man kann der Nutzung widersprechen.
Gemeinsam ist allen Beispielen: Daten, die einmal erhoben wurden, können später auch für andere Zwecke genutzt werden.
Die Quellen sind Zeitungs- und Onlineartikel. Prüfen Sie beim Lesen auch, wann ein Artikel erschienen ist: Manche Entwicklungen haben sich seitdem verändert.
Entscheidungsbäume
Im vorherigen Abschnitt wurden Datensätze von Schülerinnen und Schülern den Klassen „Note 3 ist 1“ bis „Note 3 ist 6“ zugeordnet. Diesen Vorgang nennt man Klassifizierung. Er ist eine typische Aufgabe einer künstlichen Intelligenz und kann zum Beispiel mit Entscheidungsbäumen erledigt werden.
Klassifizierung: Objekte oder Datensätze werden bestimmten Klassen zugeordnet, z. B. gesunde/ungesunde Nahrung, richtig/falsch oder Hund/Katze.
Wir betrachten nun verschiedene Lebensmittel, die von einer KI in die Klassen gesund (g) und ungesund (u) eingeteilt werden sollen. Die Tabelle enthält die Nährwerte pro 100 g.
| Nr. | Lebensmittel | kcal | Fett (g) | Salz (g) |
|---|---|---|---|---|
| 1 | Apfel | 52 | 0,2 | 0,0 |
| 2 | Bratwurst | 236 | 18,0 | 2,0 |
| 3 | Erdbeerjoghurt | 93 | 2,8 | 0,1 |
| 4 | Gummibärchen | 343 | 0,1 | 0,1 |
| 5 | Haferflocken | 368 | 7,0 | 0,0 |
| 6 | Haselnussschnitte | 542 | 31,9 | 0,4 |
| 7 | Himbeermarmelade | 223 | 0,2 | 0,0 |
| 8 | Kartoffel | 71 | 0,1 | 2,0 |
| 9 | Knäckebrot | 349 | 3,0 | 0,5 |
| 10 | Marmorkuchen | 447 | 26,0 | 0,4 |
| 11 | Mayonnaise | 721 | 79,3 | 0,8 |
| 12 | Nudeln | 359 | 2,0 | 0,0 |
| 13 | Frittierte Pommes | 289 | 14,0 | 0,7 |
| 14 | Räucherlachs | 193 | 13,0 | 3,0 |
| 15 | Senf | 119 | 7,3 | 3,9 |
| 16 | Spiegelei | 204 | 17,1 | 0,5 |
| 17 | Vanilleeis | 207 | 11,0 | 0,1 |
| 18 | Vollmilchschokolade | 530 | 29,5 | 0,2 |
| 19 | Waffel | 459 | 24,3 | 0,3 |
| 20 | Walnüsse | 723 | 70,0 | 0,0 |
| 21 | Zwieback | 405 | 5,2 | 0,6 |
Aufgaben 1 und 2: Gesund oder ungesund? (Austausch → Lerngruppe)
Tauschen Sie sich mit Ihren Nachbarn aus und besprechen Sie die Ergebnisse in der Lerngruppe.
- Entscheiden Sie, welche der 21 Lebensmittel in der Tabelle gesund (g) oder ungesund (u) sind.
- Bei manchen Lebensmitteln fällt die Entscheidung wahrscheinlich schwerer als bei anderen. Analysieren Sie, woran das liegt.
a) Eine mögliche Einordnung: gesund sind Apfel, Haferflocken, Kartoffel, Knäckebrot, Räucherlachs, Senf, Walnüsse und Zwieback; ungesund sind Bratwurst, Erdbeerjoghurt (meist mit Zucker), Gummibärchen, Haselnussschnitte, Himbeermarmelade, Marmorkuchen, Mayonnaise, Nudeln (meist aus Weißmehl), Pommes, Spiegelei, Vanilleeis, Vollmilchschokolade und Waffel.
b) Schwierig sind Lebensmittel, deren Bewertung von Zutaten, Menge oder Zubereitung abhängt:
- Erdbeerjoghurt, Haselnussschnitte: Naturjoghurt mit frischen Erdbeeren wäre gesund, gekaufte Produkte enthalten aber oft viel Zucker.
- Nudeln, Spiegelei: Vollkornnudeln sind Teil einer gesunden Ernährung. Eier liefern wichtige Nährstoffe, durch das Braten kommt aber Fett hinzu.
- Räucherlachs, Senf: Gesund in Maßen, aber mit viel Salz.
- Walnüsse: sehr viel Fett, aber überwiegend gesunde Fette.
Auch Expertinnen und Experten sind sich nicht immer einig. Die Expertin in Aufgabe 3 stuft z. B. Erdbeerjoghurt und Nudeln als gesund ein.
Damit eine KI Lebensmittel einordnen kann, braucht sie feste Kriterien. Überlegen Sie sich Kriterien, nach denen man ein Lebensmittel als gesund oder ungesund bezeichnen kann.
Mögliche Kriterien (jeweils pro 100 g):
eher gesund
- wenig Energie, z. B. unter 100 kcal
- wenig gesättigte Fettsäuren (unter 1 g)
- viele Ballaststoffe (über 3 g)
- wenig Zucker (unter 5 g)
- viel Eiweiß (über 5 g)
- wenig Salz bzw. Natrium
- reich an Vitaminen und Mineralstoffen
eher ungesund
- viel Energie, z. B. über 300 kcal
- viele gesättigte Fettsäuren (über 5 g)
- viel Zucker (über 20 g)
- viel Salz bzw. Natrium (Natrium über 1 g)
- wenig Ballaststoffe und Eiweiß
- viele künstliche Zusatzstoffe
Ein Entscheidungsbaum ist eine Baumstruktur, in der an jedem Knoten eine Entscheidung zu einem bestimmten Kriterium getroffen wird. Beim Baum aus Orange wurde z. B. an der Wurzel für jeden Datensatz geprüft, welche Note er in der zweiten Arbeit hatte. Je nach Antwort wurde der Datensatz nach links oder rechts an den nächsten Knoten weitergegeben. Dort wurde er nach weiteren Kriterien weitergegeben.
In Orange wurde der Baum mit Hilfe der Trainingsdaten automatisch erstellt. Wie das genau funktioniert, schauen wir uns jetzt an.
Einen Entscheidungsbaum erstellen
Jetzt ordnen wir die Lebensmittel systematisch mit festen Kriterien ein.
Aufgabe 3: Einen Entscheidungsbaum erstellen (arbeitsteilige Gruppenarbeit: 6 Personen in 3 Partnergruppen)
Bearbeiten Sie die Aufgabenteile und haken Sie erledigte Teile ab.
Für unsere Lebensmittel verwenden wir die folgenden drei Kriterien:
| Kriterium | Abkürzung |
|---|---|
| kcal pro 100 g < 200 | k |
| Fett pro 100 g < 10 g | f |
| Salz pro 100 g < 2 g | s |
Die 21 Lebensmittel wurden von einer Expertin beurteilt: gesund (1) oder ungesund (0). Um zu überprüfen, wie sinnvoll unsere Kriterien sind, erstellen wir einen Entscheidungsbaum und beurteilen die Qualität der Ergebnisse.
Vervollständigen Sie die Tabelle mit einer 1, wenn das Lebensmittel das jeweilige Kriterium erfüllt, sonst mit einer 0. In der letzten Spalte steht die Beurteilung der Expertin.
| Nr. | Lebensmittel | kcal | Fett (g) | Salz (g) | k | f | s | g |
|---|---|---|---|---|---|---|---|---|
| 1 | Apfel | 52 | 0,2 | 0,0 | 1 | |||
| 2 | Bratwurst | 236 | 18,0 | 2,0 | 0 | |||
| 3 | Erdbeerjoghurt | 93 | 2,8 | 0,1 | 1 | |||
| 4 | Gummibärchen | 343 | 0,1 | 0,1 | 0 | |||
| 5 | Haferflocken | 368 | 7,0 | 0,0 | 1 | |||
| 6 | Haselnussschnitte | 542 | 31,9 | 0,4 | 0 | |||
| 7 | Himbeermarmelade | 223 | 0,2 | 0,0 | 0 | |||
| 8 | Kartoffel | 71 | 0,1 | 2,0 | 1 | |||
| 9 | Knäckebrot | 349 | 3,0 | 0,5 | 1 | |||
| 10 | Marmorkuchen | 447 | 26,0 | 0,4 | 0 | |||
| 11 | Mayonnaise | 721 | 79,3 | 0,8 | 0 | |||
| 12 | Nudeln | 359 | 2,0 | 0,0 | 1 | |||
| 13 | Frittierte Pommes | 289 | 14,0 | 0,7 | 0 | |||
| 14 | Räucherlachs | 193 | 13,0 | 3,0 | 1 | |||
| 15 | Senf | 119 | 7,3 | 3,9 | 1 | |||
| 16 | Spiegelei | 204 | 17,1 | 0,5 | 0 | |||
| 17 | Vanilleeis | 207 | 11,0 | 0,1 | 0 | |||
| 18 | Vollmilchschokolade | 530 | 29,5 | 0,2 | 0 | |||
| 19 | Waffel | 459 | 24,3 | 0,3 | 0 | |||
| 20 | Walnüsse | 723 | 70,0 | 0,0 | 1 | |||
| 21 | Zwieback | 405 | 5,2 | 0,6 | 1 |
| Nr. | Lebensmittel | k | f | s | g |
|---|---|---|---|---|---|
| 1 | Apfel | 1 | 1 | 1 | 1 |
| 2 | Bratwurst | 0 | 0 | 0 | 0 |
| 3 | Erdbeerjoghurt | 1 | 1 | 1 | 1 |
| 4 | Gummibärchen | 0 | 1 | 1 | 0 |
| 5 | Haferflocken | 0 | 1 | 1 | 1 |
| 6 | Haselnussschnitte | 0 | 0 | 1 | 0 |
| 7 | Himbeermarmelade | 0 | 1 | 1 | 0 |
| 8 | Kartoffel | 1 | 1 | 0 | 1 |
| 9 | Knäckebrot | 0 | 1 | 1 | 1 |
| 10 | Marmorkuchen | 0 | 0 | 1 | 0 |
| 11 | Mayonnaise | 0 | 0 | 1 | 0 |
| 12 | Nudeln | 0 | 1 | 1 | 1 |
| 13 | Frittierte Pommes | 0 | 0 | 1 | 0 |
| 14 | Räucherlachs | 1 | 0 | 0 | 1 |
| 15 | Senf | 1 | 1 | 0 | 1 |
| 16 | Spiegelei | 0 | 0 | 1 | 0 |
| 17 | Vanilleeis | 0 | 0 | 1 | 0 |
| 18 | Vollmilchschokolade | 0 | 0 | 1 | 0 |
| 19 | Waffel | 0 | 0 | 1 | 0 |
| 20 | Walnüsse | 0 | 0 | 1 | 1 |
| 21 | Zwieback | 0 | 1 | 1 | 1 |
Erstellen Sie einen Entscheidungsbaum. Jede der drei Partnergruppen arbeitet mit einer anderen Reihenfolge der Kriterien:
- zuerst k, dann f, zum Schluss s
- zuerst s, dann f, zum Schluss k
- zuerst f, dann s, zum Schluss k
Klassifizieren Sie die 21 Lebensmittel mit Hilfe Ihres Baums. Ein Blatt bekommt die Klasse, die dort am häufigsten vorkommt.
Für die Reihenfolge k → f → s ergibt sich der Baum aus Teil d). Die beiden anderen Reihenfolgen:
Mit jedem der Bäume werden 18 von 21 Lebensmitteln so eingeordnet wie von der Expertin. Falsch eingeordnet werden Nr. 4 (Gummibärchen), Nr. 7 (Himbeermarmelade), Nr. 20 (Walnüsse).
Vergleichen Sie Ihren Baum mit dem Baum einer Person, die eine andere Reihenfolge der Kriterien verwendet hat.
Alle drei Bäume haben an den Blättern die gleichen Ergebnisse. Jedes Blatt steht für eine Kombination aller drei Kriterien, und diese Kombinationen sind in jedem Baum dieselben. Es scheint also keinen Unterschied zu machen, in welcher Reihenfolge die Kriterien geprüft werden.
Einer der Entscheidungsbäume aus Teil b) ist unten abgebildet. An den Blättern stehen die Nummern der Lebensmittel und wie viele davon gesund (g) bzw. ungesund (u) sind. Links geht es jeweils bei „nein“ weiter, rechts bei „ja“.
Beurteilen Sie die Qualität des Baums, indem Sie die folgenden Aspekte diskutieren:
- Gibt es Kombinationen der Kriterien, die gut, eher gut, eher wenig gut, schlecht oder überhaupt nicht klassifiziert werden können?
- Die Qualität der gewählten Kriterien.
- Die Auswirkung der Meinung der Expertin.
- Die Auswirkung der Qualität der Datensätze.
- Kann ein Kriterium an einer bestimmten Stelle im Baum die Datensätze besser trennen als an einer anderen? Betrachten Sie dazu alle drei Baumvarianten.
- Eindeutig zugeordnet: Nr. 1, 3 (2 g : 0 u) und Nr. 8, 15 (2 g : 0 u). Auch Nr. 14 (1 g : 0 u) und Nr. 2 (0 g : 1 u) sind eindeutig, aber ein einzelnes Lebensmittel ist kaum aussagekräftig: Es macht weniger als 5 % der Daten aus.
- Überwiegend eindeutig: Die Kombination kcal nein, Fett nein, Salz ja enthält 1 gesundes und 8 ungesunde Lebensmittel. Rund 89 % sind also ungesund. Ob das reicht, hängt davon ab, mit welcher Trefferquote man zufrieden ist.
- Kaum eindeutig: Die Kombination kcal nein, Fett ja, Salz ja enthält 4 gesunde und 2 ungesunde Lebensmittel (ca. 67 % gesund). Dieser Einordnung würde man eher nicht trauen. Am schlechtesten wäre eine Verteilung von etwa 50 : 50.
- Keine Daten: Für kcal nein, Fett ja, Salz nein und für kcal ja, Fett nein, Salz ja gibt es keine Lebensmittel. Dazu kann der Baum nichts sagen.
- Kriterien: Zucker fehlt als Kriterium. Deshalb landen Gummibärchen und Himbeermarmelade bei den gesunden Haferflocken und Nudeln.
- Expertin: Ihre Einschätzung bestimmt, was „richtig“ ist. Walnüsse sind für sie gesund, obwohl sie sehr fett sind. Eine andere Expertin könnte anders urteilen.
- Datenqualität: Fehlerhafte Werte führen zu falschen Einordnungen. Für die Kartoffel ist z. B. 2,0 g Salz angegeben, was für eine ungesalzene Kartoffel sehr hoch ist.
- Reihenfolge: Die Blätter sind gleich, aber die Kriterien trennen an der Wurzel unterschiedlich gut. Salz trennt an der Wurzel z. B. schlecht. Das untersuchen wir im nächsten Abschnitt.
Inkonsistenzen
Wir haben verschiedene Varianten eines Entscheidungsbaums erstellt und die 21 Lebensmittel damit klassifiziert. Dabei wurden nicht alle Lebensmittel so eingeordnet wie von der Expertin. Unter anderem sind Inkonsistenzen aufgefallen.
Aufgabe 4: Inkonsistenzen (Austausch → Lerngruppe)
Tauschen Sie sich mit Ihren Nachbarn aus und besprechen Sie das Ergebnis in der Lerngruppe.
Bei den Datensätzen 4 und 5 bzw. 19 und 20 sind die Kriterien jeweils identisch. Sie werden aber unterschiedlich bewertet:
| Nr. | Lebensmittel | kcal | Fett | Salz | gesund |
|---|---|---|---|---|---|
| 4 | Gummibärchen | 0 | 1 | 1 | 0 |
| 5 | Haferflocken | 0 | 1 | 1 | 1 |
| 19 | Waffel | 0 | 0 | 1 | 0 |
| 20 | Walnüsse | 0 | 0 | 1 | 1 |
Diskutieren Sie, welche Gründe für diese Situation verantwortlich sein könnten.
Inkonsistenz: Datensätze mit identischen Kriterien werden unterschiedlich klassifiziert. Gründe sind unter anderem:
- ungenaue Daten
- zu wenige oder unpassende Kriterien (z. B. fehlt Zucker: Gummibärchen und Haferflocken sind nach unseren Kriterien gleich)
- unterschiedliche Meinungen von Expertinnen und Experten bei der vorherigen Klassifizierung
Inkonsistenz: Identische Datensätze werden unterschiedlich klassifiziert. Gründe sind u. a. ungenaue Daten, zu wenige oder unpassende Kriterien und unterschiedliche Expertenmeinungen.
Diese Schwierigkeiten lassen sich nicht immer beheben. Schon vorab gibt es unterschiedliche Meinungen, was gesund ist. Ähnlich ist es, wenn Ärztinnen und Ärzte entscheiden, ob ein Röntgenbild auf eine Krankheit hinweist.
Die Qualität der anfänglich genutzten Daten, einschließlich ihrer vorherigen Klassifizierung, beeinflusst die Qualität der Klassifizierung entscheidend.
Egal, in welcher Reihenfolge wir die Kriterien angeordnet haben: Die Ergebnisse an den Blättern waren immer gleich. Die Reihenfolge scheint also keine Rolle zu spielen. Das untersuchen wir nun genauer.
Optimierungsmöglichkeiten
Die Qualität eines Splits
Wir schauen uns die drei Möglichkeiten an, die Wurzel des Baums festzulegen. Unter jedem Kriterium steht, wie viele gesunde (g) und ungesunde (u) Lebensmittel bei „nein“ und bei „ja“ landen:
Aufgabe 5: Die Qualität eines Splits (Partnerarbeit)
Bearbeiten Sie die Aufgabenteile zu zweit und haken Sie erledigte Teile ab.
Ein Qualitätsmerkmal für ein Kriterium bei einem Split (also einer Trennung der aktuellen Datensätze nach diesem Kriterium) ist die „Reinheit“ der Trennung. Man kann dafür ein Maß berechnen: Je kleiner der Wert, desto besser der Split. Gibt es mehrere gleich kleine Werte, bevorzugt man Splits, bei denen mindestens eine Seite perfekt getrennt ist. Sonst wird zufällig gewählt.
Eine einfache Variante geht so:
- Auf jeder Seite des Splits gilt die Mehrheit als richtig getrennt, die Minderheit als falsch getrennt.
- Man zählt alle falsch getrennten Datensätze und teilt durch die Anzahl aller Datensätze.
- Beispiel kcal: Bei „nein“ landen 5 gesunde und 11 ungesunde Lebensmittel, also sind 5 falsch getrennt. Bei „ja“ sind alle 5 Lebensmittel gesund, also ist keins falsch getrennt. Das Maß ist 5/21 ≈ 0,238.
Berechnen Sie dieses Maß für die drei Varianten des ersten Splits an der Wurzel (Abbildung oben).
| Kriterium an der Wurzel | falsch getrennt (nein + ja) | Maß |
|---|---|---|
| kcal | 5 + 0 | 5/21 ≈ 0,238 |
| Salz | 1 + 7 | 8/21 ≈ 0,381 |
| Fett | 2 + 2 | 4/21 ≈ 0,190 |
Fett trennt die Lebensmittel an der Wurzel am saubersten, Salz am schlechtesten.
Wählt man an jedem Knoten das Kriterium, das die Datensätze am besten trennt, werden die Blätter in der Regel „reiner“. Dadurch sinkt die Wahrscheinlichkeit von Fehlklassifizierungen, und die Klassifizierung läuft schneller ab. Die Kriterien müssen dabei nicht symmetrisch sein: Auf der zweiten Ebene können links und rechts verschiedene Kriterien stehen.
Bestimmen Sie mit dieser Vorgehensweise einen möglichst optimalen Entscheidungsbaum.
- Wurzel: Fett (4/21).
- Fett nein (2 g : 9 u): kcal 1/11 ≈ 0,091, Salz 2/11 ≈ 0,182 → kcal.
- Fett ja (8 g : 2 u): kcal 2/10 ≈ 0,200, Salz 2/10 ≈ 0,200. Beide sind gleich gut und haben je eine perfekt getrennte Seite, also wird zufällig gewählt, z. B. kcal.
- Auf der dritten Ebene bleibt nur noch Salz. Knoten mit nur einer Klasse (z. B. Fett ja, kcal ja: 4 g : 0 u) werden nicht weiter aufgeteilt.
Dieser Baum ordnet ebenfalls 18 von 21 Lebensmitteln richtig ein, kommt aber mit 6 statt 8 Blättern aus. Die Reihenfolge der Kriterien spielt also doch eine Rolle: für die Größe des Baums und dafür, wie schnell eine Entscheidung fällt.
Optimierung mit dem GINI-Score (optional)
Die bisherige Vorgehensweise ist einfach, aber nicht ganz genau. Es gibt auch ein mathematisches Verfahren aus der Wahrscheinlichkeitsrechnung, das einen Wert für die Fehlklassifizierung bestimmt: den GINI-Score. Je kleiner dieser Wert ist, desto besser. So geht man vor:
- Für jedes Kriterium wird der GINI-Score an der Wurzel berechnet.
- Das Kriterium mit dem kleinsten GINI-Score wird die Wurzel.
- Für den Knoten links von der Wurzel wird der GINI-Score jedes übrigen Kriteriums berechnet. Das Kriterium mit dem kleinsten Wert wird dort gesetzt.
- Genauso geht man für den Knoten rechts von der Wurzel vor.
- So fährt man fort, bis der Baum aufgebaut ist. Gibt es mehrere gleich kleine Werte, wird zufällig entschieden.
| Größe | Bedeutung |
|---|---|
| n | Anzahl der Datensätze am aktuellen Knoten |
| n1 | Anzahl der Datensätze, die das Kriterium mit „ja“ durchlaufen |
| n1,g / n1,u | davon gesunde / ungesunde Lebensmittel |
| n0 | Anzahl der Datensätze, die das Kriterium mit „nein“ durchlaufen |
| n0,g / n0,u | davon gesunde / ungesunde Lebensmittel |
Jeder Summand gibt an, wie „gemischt“ eine Seite ist, gewichtet mit ihrem Anteil an allen Datensätzen. Eine Seite mit nur einer Klasse liefert den Wert 0.
Aufgabe 6 (optional): Optimierung mit dem GINI-Score (Partnerarbeit)
Bearbeiten Sie die Aufgabenteile zu zweit und haken Sie erledigte Teile ab.
Vervollständigen Sie die Tabelle mit den Werten zum Berechnen des GINI-Scores für die Wurzel (n = 21). Berechnen Sie die GINI-Scores, z. B. mit der Tabellendatei „ML GINI Lebensmittel.ods“ von Ihrer Lehrkraft. Nutzen Sie Formeln, um die Berechnung zu automatisieren.
| Kriterium | n1 | n1,g | n1,u | n0 | n0,g | n0,u | GINI-Score |
|---|---|---|---|---|---|---|---|
| kcal | |||||||
| Fett | |||||||
| Salz |
| Kriterium | n1 | n1,g | n1,u | n0 | n0,g | n0,u | GINI-Score |
|---|---|---|---|---|---|---|---|
| kcal | 5 | 5 | 0 | 16 | 5 | 11 | 0,327 |
| Fett | 10 | 8 | 2 | 11 | 2 | 9 | 0,308 |
| Salz | 17 | 7 | 10 | 4 | 3 | 1 | 0,464 |
Fett hat den kleinsten GINI-Score und wird die Wurzel.
Entwickeln Sie den vollständigen Entscheidungsbaum, indem Sie für den zweiten Schritt die GINI-Scores berechnen.
Hinweis: Sie müssen das zweimal tun, da die Werte für den linken Teilbaum andere sind als für den rechten. Das zweite Kriterium kann deshalb auf beiden Seiten verschieden sein. Kopieren Sie dafür die Tabellen in der Tabellendatei und löschen Sie Zeilen von Kriterien und Datensätzen, die nicht mehr relevant sind.
Fett nein (n = 11):
| Kriterium | n1 | n1,g | n1,u | n0 | n0,g | n0,u | GINI-Score |
|---|---|---|---|---|---|---|---|
| kcal | 1 | 1 | 0 | 10 | 1 | 9 | 0,164 |
| Salz | 9 | 1 | 8 | 2 | 1 | 1 | 0,253 |
Fett ja (n = 10):
| Kriterium | n1 | n1,g | n1,u | n0 | n0,g | n0,u | GINI-Score |
|---|---|---|---|---|---|---|---|
| kcal | 4 | 4 | 0 | 6 | 4 | 2 | 0,267 |
| Salz | 8 | 6 | 2 | 2 | 2 | 0 | 0,300 |
Auf beiden Seiten wird kcal gewählt, auf der dritten Ebene Salz. Es ergibt sich derselbe Baum wie in Aufgabe 5 b).
Trainingsdaten und Testdaten
Die 21 Lebensmittel wurden genutzt, um den Entscheidungsbaum zu konstruieren. Der Baum wurde also an diese Daten angepasst. Deshalb nennt man diese Datensätze Trainingsdaten. Der Baum soll die Trainingsdaten möglichst gut klassifizieren.
Was wir eigentlich wollen: Der Entscheidungsbaum soll neue Datensätze, die nicht zu den Trainingsdaten gehören, korrekt klassifizieren. Dafür brauchen wir zusätzliche Testdaten.
| Nr. | Lebensmittel | kcal | Fett (g) | Salz (g) |
|---|---|---|---|---|
| 1 | Bitterschokolade | 582 | 43,0 | 0,0 |
| 2 | Brezel | 295 | 5,4 | 2,1 |
| 3 | Brötchen | 271 | 1,6 | 1,7 |
| 4 | Doppelkeks | 470 | 18,5 | 0,4 |
| 5 | Fischstäbchen | 195 | 7,7 | 1,0 |
| 6 | Gouda | 354 | 27,7 | 2,2 |
| 7 | Tomate | 19 | 0,1 | 0,0 |
| 8 | Zucchini | 19 | 0,4 | 0,0 |
| 9 | Vegane Leberwurst | 345 | 33,0 | 1,6 |
| 10 | Margarine | 720 | 80,0 | 0,2 |
| 11 | Möhre | 31 | 0,2 | 0,0 |
| 12 | Paprika (rot) | 43 | 0,5 | 0,2 |
| 13 | Reis | 349 | 0,9 | 0,0 |
| 14 | Sahnebonbons | 424 | 8,4 | 1,0 |
Aufgabe 7: Den Baum mit Testdaten prüfen (Partnerarbeit)
Bearbeiten Sie die Aufgabenteile zu zweit und haken Sie erledigte Teile ab.
Dokumentieren Sie, wie der Entscheidungsbaum aus Aufgabe 3 die Testdaten klassifiziert.
| Nr. | Lebensmittel | k | f | s | Baum |
|---|---|---|---|---|---|
| 1 | Bitterschokolade | 0 | 0 | 1 | ungesund |
| 2 | Brezel | 0 | 1 | 0 | gesund * |
| 3 | Brötchen | 0 | 1 | 1 | gesund |
| 4 | Doppelkeks | 0 | 0 | 1 | ungesund |
| 5 | Fischstäbchen | 1 | 1 | 1 | gesund |
| 6 | Gouda | 0 | 0 | 0 | ungesund |
| 7 | Tomate | 1 | 1 | 1 | gesund |
| 8 | Zucchini | 1 | 1 | 1 | gesund |
| 9 | Vegane Leberwurst | 0 | 0 | 1 | ungesund |
| 10 | Margarine | 0 | 0 | 1 | ungesund |
| 11 | Möhre | 1 | 1 | 1 | gesund |
| 12 | Paprika (rot) | 1 | 1 | 1 | gesund |
| 13 | Reis | 0 | 1 | 1 | gesund |
| 14 | Sahnebonbons | 0 | 1 | 1 | gesund |
* Für die Kombination kcal nein, Fett ja, Salz nein gibt es keine Trainingsdaten. Der Baum kann die Brezel eigentlich nicht einordnen. Nimmt man die Mehrheit am Knoten darüber (4 g : 2 u), ergibt sich „gesund“.
Entscheiden Sie, wie gut unser Entscheidungsbaum mit den Testdaten zurechtkommt.
- Gemüse (Tomate, Zucchini, Möhre, Paprika) wird als gesund, Margarine, Doppelkeks und Bitterschokolade werden als ungesund eingeordnet. Das wirkt überzeugend.
- Sahnebonbons werden als gesund eingeordnet, weil sie wenig Fett und Salz haben. Hier fehlt das Kriterium Zucker, wie schon bei den Gummibärchen.
- Die Brezel fällt in ein Blatt ohne Trainingsdaten. Für Gouda, Brötchen oder Fischstäbchen hängt das Urteil stark davon ab, wen man fragt.
- Insgesamt funktioniert der Baum bei eindeutigen Fällen gut. Für bessere Ergebnisse braucht er mehr und vielfältigere Trainingsdaten sowie passendere Kriterien.
Pruning (optional)
Beim Pruning wird ein Entscheidungsbaum gezielt beschnitten. Entfernt werden Äste und Knoten, die die Trainingsdaten zwar sehr fein aufteilen, bei neuen, unbekannten Daten aber zu Fehlvorhersagen führen können.
Ein Baum, der zu genau an die Trainingsdaten angepasst ist, leidet häufig unter Überanpassung (Overfitting). Er lernt dann auch zufällige Schwankungen und Ausreißer der Trainingsdaten. Pruning sucht einen Kompromiss zwischen Komplexität und Genauigkeit: Ein vereinfachter Baum ist leichter zu verstehen und funktioniert bei neuen Daten meist zuverlässiger.
| Pre-Pruning | Post-Pruning |
|---|---|
| Stoppt schon während des Aufbaus das Wachstum des Baums, wenn ein bestimmtes Kriterium nicht mehr erfüllt ist (z. B. eine Mindestzahl an Datensätzen oder eine Mindestverbesserung). | Erst wird ein vollständiger Baum erstellt. Danach werden unwichtige Teile entfernt. |
Aufgaben 8 bis 10 (optional): Pruning
Bearbeiten Sie die Aufgaben und haken Sie erledigte Teile ab.
Wir betrachten den vollständigen Baum aus Aufgabe 3 mit der Reihenfolge kcal → Fett → Salz:
Beim Post-Pruning fängt man zum Beispiel an den Blättern an. Man untersucht, ob ein Blatt eine bessere Klassifikation liefert als sein direkter Vorgängerknoten. Ist das nicht der Fall oder ist die Klassifikation sogar schlechter, wird das Blatt abgeschnitten. Dann geht man den Baum immer weiter nach oben, bis man an der Wurzel ankommt.
Untersuchen Sie den Entscheidungsbaum nach dieser Methode und führen Sie das Pruning durch.
- kcal ja, Fett ja: Die Salz-Blätter (2 g : 0 u und 2 g : 0 u) ordnen beide „gesund“ ein → abschneiden.
- kcal ja, Fett nein: Ein Salz-Blatt ist leer → abschneiden.
- kcal ja: Danach ordnen beide Fett-Zweige „gesund“ ein → auch Fett abschneiden. kcal ja wird ein Blatt (5 g : 0 u).
- kcal nein, Fett ja: Ein Salz-Blatt ist leer, das andere enthält alle 4 g : 2 u → abschneiden.
- kcal nein, Fett nein: Beide Salz-Blätter (0 g : 1 u und 1 g : 8 u) ordnen „ungesund“ ein → abschneiden.
- kcal nein: Der Fett-Split trennt 4 g : 2 u („gesund“) von 1 g : 9 u („ungesund“). Ohne ihn würde der Knoten (5 g : 11 u) alles als ungesund einordnen und 5 statt 3 Fehler machen → bleibt.
Der beschnittene Baum macht auf den Trainingsdaten genauso wenige Fehler (3) wie der vollständige Baum, ist aber viel kleiner.
Beim Pre-Pruning prüft man schon während des Aufbaus, ob ein tieferer Knoten eine bessere Klassifikation liefert als sein Vorgängerknoten. Dazu nutzt man den GINI-Score (Aufgabe 6) oder das vereinfachte Maß aus Aufgabe 5. Ergibt der Split keinen besseren Wert als der Knoten selbst, wird er nicht in den Baum aufgenommen.
Erstellen Sie mit dem GINI-Score oder mit der vereinfachten Berechnung einen Entscheidungsbaum mit Pre-Pruning.
Mit dem vereinfachten Maß:
- Wurzel: Fett (4/21 statt 10/21 ohne Split).
- Fett ja (8 g : 2 u, Wert 2/10): Der beste Split (kcal oder Salz) ergibt ebenfalls 2/10 → keine Verbesserung, Blatt „gesund“.
- Fett nein (2 g : 9 u, Wert 2/11): kcal ergibt 1/11 → Split.
- Fett nein, kcal ja (1 g : 0 u): rein → Blatt „gesund“.
- Fett nein, kcal nein (1 g : 9 u, Wert 1/10): Salz ergibt ebenfalls 1/10 → Blatt „ungesund“.
Der Baum ordnet 18 von 21 Trainingsdaten richtig ein (ca. 85,7 %).
Mit dem GINI-Score sinkt der Wert bei Fett ja durch den kcal-Split von 0,320 auf 0,267 und bei Fett nein, kcal nein durch den Salz-Split von 0,180 auf 0,178. Beide Splits ändern aber nichts an der Einordnung. Mit einem Schwellenwert für eine Mindestverbesserung entsteht derselbe Baum.
Vergleichen Sie Pre- und Post-Pruning miteinander und diskutieren Sie mögliche Vor- und Nachteile beider Varianten.
| Pre-Pruning | Post-Pruning | |
|---|---|---|
| Vorgehen | Abbruch schon beim Aufbau, wenn ein Split keinen deutlichen Vorteil bringt (z. B. Mindestzahl an Datensätzen, Schwellenwert für den GINI-Score) | Erst wird der vollständige Baum erstellt, dann werden von unten nach oben Äste entfernt, die keinen Vorteil bringen |
| Vorteile | wenig Rechenaufwand; einfacher, übersichtlicher Baum; weniger Overfitting | nutzt alle Daten, erfasst auch feine Zusammenhänge; gezieltes Entfernen überflüssiger Teile; flexibel |
| Nachteile | Gefahr der Unteranpassung: nützliche Unterschiede werden nicht erkannt; passende Abbruchkriterien sind schwer festzulegen | hoher Rechenaufwand; der volle Baum kann stark an die Trainingsdaten angepasst sein; braucht klare Maße und oft zusätzliche Prüfdaten |
| Einsatz | wenn schnelle Entscheidungen und wenig Rechenleistung gefragt sind | wenn Genauigkeit wichtig ist und genug Rechenleistung vorhanden ist |
Fazit: Pre-Pruning vereinfacht den Baum schon beim Erstellen und spart Rechenzeit. Post-Pruning analysiert zunächst einen sehr detaillierten Baum und vereinfacht ihn gezielt. Das führt meist zu einer besseren Balance zwischen Komplexität und Genauigkeit bei neuen Daten. Welches Verfahren passt, hängt von der Aufgabe und den verfügbaren Ressourcen ab.
Abschließende Beurteilung des Klassifizierungsprozesses
Die Qualität eines Entscheidungsbaums hängt maßgeblich von den Trainingsdaten ab. Zu beachten ist:
- Die Trainingsdaten können ungenau sein.
- Die gewählten Kriterien sind zu wenige oder unpassend.
- Expertinnen und Experten können die Datensätze unterschiedlich klassifizieren.
Funktioniert der Baum nicht gut genug, wiederholt man den Trainingsprozess oder erhöht die Menge der Trainingsdaten. Durch zu viele Lernschritte wird das System aber immer besser an die Trainingsdaten angepasst und versagt zunehmend bei neuen Daten. Diesen Effekt nennt man Overfitting. Um Overfitting zu erkennen und zu vermeiden, gelten folgende Regeln:
- Verwende Testdaten, um Overfitting zu bemerken.
- Berechne nach jedem Lernschritt den Fehler auf den Testdaten.
- Steigt der Fehler an, mache den letzten Lernschritt rückgängig und beende den Lernprozess.
Aufgabe 11: Zusammenfassung (Einzelarbeit)
Bearbeiten Sie die Aufgabe allein und haken Sie sie ab.
Erläutern Sie die einzelnen Schritte des Prozesses zur Klassifizierung von Daten mit Hilfe eines Entscheidungsbaums.
- Daten sammeln: Datensätze werden erfasst und von Expertinnen oder Experten klassifiziert (z. B. gesund/ungesund).
- Kriterien festlegen: Man wählt Ja-Nein-Kriterien, die sich für jeden Datensatz eindeutig bestimmen lassen.
- Trainingsdaten auswählen und den Baum aufbauen: An jedem Knoten wird das Kriterium gewählt, das die Datensätze am besten trennt (vereinfachtes Maß oder GINI-Score). Das wiederholt man, bis die Knoten rein sind oder keine Kriterien mehr übrig sind. Jedes Blatt erhält die häufigste Klasse.
- Baum vereinfachen: Mit Pre- oder Post-Pruning werden Äste entfernt, die keinen Vorteil bringen.
- Testen: Der Baum klassifiziert Testdaten, die nicht zum Training genutzt wurden. Man bestimmt die Trefferquote.
- Bewerten und anwenden: Ist die Trefferquote ausreichend, wird der Baum für neue Daten genutzt. Sonst verbessert man Daten, Kriterien oder Trainingsprozess und achtet dabei auf Overfitting.
Aufgabe 12 (optional): Hund oder Katze? (Partnerarbeit)
Bearbeiten Sie die Aufgabenteile zu zweit. Wählen Sie in b) die Standardvariante oder die schwierigere Variante.
Sie brauchen eine Sammlung von etwa 20 bis 30 Bildern mit Hunden und Katzen. Ihre Lehrkraft stellt Ihnen eine Sammlung bereit, oder Sie suchen selbst Bilder aus einer freien Bildquelle (z. B. Wikimedia Commons).
Finden Sie drei Kriterien, mit denen sich Hunde und Katzen unterscheiden lassen. Die Kriterien sollen
- Ja-Nein-Fragen sein und
- sich für jedes Bild einfach und eindeutig bestimmen lassen.
Mögliche Kriterien:
- Hat das Tier eine lange Schnauze?
- Hat das Tier stehende, spitze Ohren?
- Sind die Pupillen schlitzförmig?
Weniger geeignet sind Kriterien, die beide Tiere erfüllen (z. B. Schnurrhaare) oder die man auf vielen Bildern nicht erkennt.
Legen Sie acht Bilder als Testdaten beiseite. Bestimmen Sie für alle übrigen Bilder die Kriterien und erstellen Sie mit der Vorgehensweise aus Aufgabe 5 einen Entscheidungsbaum. Achtung: Die zurückgelegten Testdaten dürfen dabei nicht genutzt werden.
Erstellen Sie eine Tabellenkalkulationsdatei mit einer Tabelle für die Kriterien und alle Datensätze. Die Tabelle enthält auch eine Spalte für die Zuordnung (0 = Hund, 1 = Katze) und einen zweiten Bereich, in den Sie acht selbst gewählte Datensätze als Testdaten auslagern. Eine 0 bei einem Kriterium bedeutet „nicht erfüllt“, eine 1 „erfüllt“.
- Legen Sie in einem zweiten Tabellenblatt eine Tabelle mit den Werten n, n1, n1,k, n1,h, n0, n0,k und n0,h an (k = Katze, h = Hund) und lassen Sie die Werte per Formel berechnen.
- Erstellen Sie eine Formel, die den GINI-Score für die Wurzel berechnet.
- Für den zweiten Schritt brauchen Sie zwei weitere Tabellen, da es links und rechts von der Wurzel je zwei Optionen gibt.
- Erstellen Sie mit Hilfe der Tabellenkalkulation den Entscheidungsbaum. Nutzen Sie dabei nur die Trainingsdaten, nicht die ausgelagerten Testdaten.
Lassen Sie Ihre Testdaten von Ihrem Entscheidungsbaum klassifizieren und berechnen Sie die Trefferquote.
Die Trefferquote ist die Anzahl der richtig eingeordneten Testbilder geteilt durch 8. Beispiel: 7 richtig → 7/8 = 87,5 %. Fehler entstehen oft durch Bilder, auf denen ein Kriterium schwer zu erkennen ist, oder durch Rassen, die untypisch aussehen.
Grundsätze des Datenschutzes
Personenbezogene Daten
Personenbezogene Daten sind Informationen, die etwas über eine bestimmte Person aussagen, z. B. Name, Adresse oder E-Mail-Adresse. Die Daten müssen sich nicht direkt auf die Person beziehen. Es reicht bereits, dass sich über die Daten ein Bezug zu einer Person herstellen lässt.
Betrachten wir die folgenden Szenarien:
- Eine Lehrkraft einer gewöhnlichen Klasse sagt, dass eine Schülerin der Klasse in der letzten Klassenarbeit eine 1 geschrieben hat.
- Eine Lehrkraft in einem Kurs mit nur einer Schülerin und sonst nur Schülern sagt, dass eine Schülerin eine 1 in der letzten Klassenarbeit geschrieben hat.
Im ersten Fall kann man nicht auf die Person schließen. Im zweiten Fall gelingt es mit minimalem Aufwand, die Person mit der Note zu verbinden. Die Lehrkraft hätte also personenbezogene Daten weitergegeben.
Der smarte Schulalltag
Beteiligt: Alex und Mia (Schüler und Schülerin der 11. Klasse) sowie die Schul-App, eine fiktive App, die von der Schule genutzt wird. Ort: Schulhof, während der Pause.
Alex: Hallo Mia, wie geht’s dir heute?
Mia: Hi Alex, geht so. Endlich Pause, oder? Wie läuft’s bei dir?
Alex: Ebenfalls alles in Ordnung. Übrigens, ist dir aufgefallen, dass die Schul-App jetzt in Echtzeit unsere Noten anzeigt?
Mia: Echt? Davon habe ich noch gar nichts mitbekommen. Ich finde es praktisch, dass man sofort sieht, wie man abgeschnitten hat. Aber irgendwie frage ich mich, wie die App überhaupt an diese Daten kommt.
Alex: Genau, das ist mir auch aufgefallen. Siehst du, sie misst nicht nur unsere Noten, sondern auch, ob wir da sind und sogar, was wir in der Mensa bestellen.
Mia: Das finde ich etwas beunruhigend. Woher sollen die all diese Informationen nehmen? Bestimmt können sie nicht alles nur aus der App ziehen.
Alex: Richtig. Ich habe auch gehört, dass die App vielleicht sogar unseren Standort mitverfolgt, sobald man sie installiert hat. Das ist schon eine ziemlich heikle Sache.
Mia: Ja, das ist mir auch aufgefallen. Ich will nicht, dass jemand herausfindet, wo ich nach der Schule unterwegs bin. Die App soll ja angeblich unsere Sicherheit verbessern und den Unterricht optimieren, aber bei so viel Datensammeln fragt man sich, ob es nicht zu weit geht.
Alex: Genau. Und was, wenn irgendwann private Nachrichten oder Fotos mitgesammelt werden? Das könnte dann richtig unangenehm werden.
Mia: Da hast du recht. Man stelle sich vor, jemand kommt in die App rein und gelangt an sensible Daten. Außerdem heißt es, dass auch Social-Media-, Gaming- und Streaming-Daten erfasst werden, wenn man sein Einverständnis gibt.
Alex: Stimmt, oft werden ja solche Zugriffsanfragen angezeigt, und viele klicken einfach auf „Zustimmen“, ohne richtig zu lesen, was dahintersteckt. Es ist schon ein bisschen bedenklich.
Mia: Ja, das irritiert mich auch. Aber wenn man personalisierte Lernangebote bekommt, die zu unseren Interessen passen, klingt das im Prinzip nett. Vielleicht sollten wir mal mit einigen Lehrkräften oder in einem Klassenforum darüber sprechen, um mehr Klarheit zu bekommen.
Alex: Gute Idee. Für jetzt genieße ich aber erst mal die Pause. Ich freue mich auch schon darauf, später noch ein bisschen über das Wochenende zu plaudern.
Mia: Auf jeden Fall, das klingt nach einem Plan.
Aufgaben 1 bis 3: Der smarte Schulalltag
Bearbeiten Sie die Aufgaben und haken Sie erledigte Teile ab.
Erstellen Sie eine Liste mit den Daten, die die Schul-App über die Schülerinnen und Schüler sammelt. Markieren Sie die Daten, die der Schule Ihrer Meinung nach bekannt sein sollten. Begründen Sie Ihre Wahl.
Gesammelte Daten: Noten, Anwesenheit, Mittagessen-Bestellungen, Standortdaten (GPS), eventuell private Nachrichten und Fotos sowie Social-Media-, Gaming- und Streaming-Daten (bei Einwilligung).
Der Schule bekannt sein sollten z. B.:
- Noten: gehören zur schulischen Leistung und helfen, Schülerinnen und Schüler zu unterstützen.
- Anwesenheit: nötig, um die Teilnahme am Unterricht zu überwachen.
- Mittagessen-Bestellungen: nötig, um die Verpflegung zu organisieren.
Nicht bekannt sein sollten z. B.: Standortdaten, private Nachrichten und Fotos sowie Freizeit-, Social-Media- und Streaming-Daten. Sie sind privat und haben keinen direkten Bezug zum Schulalltag.
Begründung: Die Schule sollte nur die Daten kennen, die für die schulische Arbeit und die Sicherheit erforderlich sind.
Erläutern Sie, wie die Schul-App an die Daten gelangt sein könnte, und geben Sie die Institutionen an, die an dem Informationssystem der Schul-App beteiligt sein können.
Wege zu den Daten:
- Eingabe durch die Nutzerinnen und Nutzer selbst (z. B. Registrierung)
- Übernahme aus anderen Quellen (Schulverwaltung, Eltern, andere Apps)
- Sensoren des Smartphones (GPS) sowie Cookies und andere Tracking-Technologien
- Zugriffsberechtigungen, denen beim Installieren zugestimmt wurde
Beteiligte Institutionen: die Schule (Noten, Anwesenheit), die Mensa oder ein Caterer (Bestellungen), die Eltern, der Hersteller der App und ggf. ein Hosting-Anbieter, Anbieter anderer Apps (Social Media, Gaming, Streaming).
Erläutern Sie anhand des Beispiels, welche positiven und negativen Auswirkungen eine detaillierte Kenntnis von Daten über Personen haben kann.
Positiv: bessere Unterstützung durch die Schule, weil Bedürfnisse und Leistungen besser bekannt sind; personalisierte Lernangebote; mehr Sicherheit, weil Risiken früher erkannt werden.
Negativ: Verletzung der Privatsphäre, wenn Daten ohne echte Zustimmung gesammelt werden; Bewegungsprofile; Diskriminierung oder Benachteiligung aufgrund von Daten; Gefahr von Datenlecks und Missbrauch durch Unbefugte.
Das Recht auf informationelle Selbstbestimmung
Das Recht auf informationelle Selbstbestimmung ist ein Grundrecht in Deutschland. Das Bundesverfassungsgericht hat es 1983 im sogenannten Volkszählungsurteil anerkannt. Es leitet sich aus dem allgemeinen Persönlichkeitsrecht ab (Art. 2 Abs. 1 in Verbindung mit Art. 1 Abs. 1 GG) und gibt jeder Person die Kontrolle über die Verwendung und Verbreitung ihrer persönlichen Daten.
Das Grundrecht gewährleistet „die Befugnis des Einzelnen, grundsätzlich selbst über die Preisgabe und Verwendung seiner persönlichen Daten zu bestimmen“.
Bundesverfassungsgericht, Urteil vom 15.12.1983 (Volkszählungsurteil)
Dieses Recht umfasst insbesondere:
- die Entscheidung, welche persönlichen Daten preisgegeben werden,
- die Kontrolle über die Verwendung und Verbreitung dieser Daten,
- die Möglichkeit, die Löschung oder Berichtigung falscher oder unvollständiger Daten zu verlangen.
Das Recht schützt vor unbefugter Erhebung, Speicherung und Verwendung von Daten. Umgesetzt wird es durch Gesetze wie das Bundesdatenschutzgesetz (BDSG) und die Datenschutz-Grundverordnung (DSGVO). In der Praxis bedeutet es, dass Personen
- vor der Erhebung ihrer Daten informiert werden müssen,
- in vielen Fällen ihre Zustimmung zur Erhebung und Verwendung geben müssen,
- das Recht haben, ihre Daten berichtigen oder löschen zu lassen,
- sich gegen eine Verwendung wehren können, die nicht im Einklang mit den gesetzlichen Vorschriften steht.
Die Datenschutz-Grundverordnung der EU (DSGVO)
Die DSGVO legt in Artikel 5 sieben Grundsätze fest, die bei jeder Verarbeitung personenbezogener Daten gelten.
DSGVO-Case-Study: Die neue Schul-App
Die Schulleitung plant eine neue App, um die Kommunikation zwischen Lehrkräften, Schülerinnen und Schülern sowie Eltern zu verbessern. Die App soll folgende Funktionen haben:
- eine digitale Übersicht über den Vertretungsplan
- eine Plattform für den Austausch von Dateien und Nachrichten zwischen Lehrkräften und Schülerinnen und Schülern
- eine Funktion, um Schülerinnen und Schüler zu beurteilen und ihre Leistungen zu verfolgen
- eine Möglichkeit, Eltern über die Leistungen und das Verhalten ihrer Kinder zu informieren
Aufgabe 1: DSGVO-Case-Study (arbeitsteilige Gruppenarbeit)
Bilden Sie sieben Expertengruppen. Jede Gruppe bearbeitet einen der sieben Grundsätze der DSGVO.
Lesen Sie in der Quelle den Teil zum Grundsatz Ihrer Gruppe.
- Rechtmäßigkeit, Verarbeitung nach Treu und Glauben, Transparenz
- Zweckbindung
- Datenminimierung
- Richtigkeit
- Speicherbegrenzung
- Integrität und Vertraulichkeit
- Rechenschaftspflicht
Quelle: datenschutzexperte.de: Die 7 Grundsätze der DSGVO
| Grundsatz | Erklärung |
|---|---|
| 1. Rechtmäßigkeit, Verarbeitung nach Treu und Glauben, Transparenz | Daten dürfen nur mit einer Rechtsgrundlage (z. B. Einwilligung oder gesetzliche Pflicht) verarbeitet werden. Die Betroffenen müssen nachvollziehen können, was mit ihren Daten geschieht. |
| 2. Zweckbindung | Daten dürfen nur für die Zwecke verarbeitet werden, für die sie erhoben wurden. |
| 3. Datenminimierung | Es dürfen nur die Daten erhoben werden, die für den jeweiligen Zweck notwendig sind. |
| 4. Richtigkeit | Daten müssen sachlich richtig und auf dem neuesten Stand sein. Falsche Daten müssen unverzüglich gelöscht oder berichtigt werden. |
| 5. Speicherbegrenzung | Daten dürfen nicht länger als nötig gespeichert werden. |
| 6. Integrität und Vertraulichkeit | Daten müssen sicher verarbeitet werden, um unbefugten Zugriff, Verlust oder Veränderung zu verhindern. |
| 7. Rechenschaftspflicht | Die Verantwortlichen müssen nachweisen können, dass sie die Grundsätze einhalten. |
Überlegen Sie, welche datenschutzrechtlichen Aspekte Ihres Grundsatzes bei der Entwicklung und Nutzung der App berücksichtigt werden müssen. Identifizieren Sie mögliche Risiken und entwickeln Sie Lösungsvorschläge, um die Grundsätze der DSGVO einzuhalten.
| Grundsatz | Konkrete Maßnahmen für die Schul-App |
|---|---|
| 1. Rechtmäßigkeit, Verarbeitung nach Treu und Glauben, Transparenz | Vor der Datenerhebung Schülerinnen, Schüler, Eltern und Lehrkräfte über Art der Daten, Zweck und Rechtsgrundlage informieren und, wo nötig, eine ausdrückliche Einwilligung einholen. Eine leicht verständliche Datenschutzerklärung und ein FAQ-Bereich in der App; Benachrichtigung bei Änderungen. |
| 2. Zweckbindung | Klare Zwecke festlegen (z. B. Vertretungsplan, Kommunikation, Leistungsdokumentation) und in der Datenschutzerklärung nennen. Ein Verzeichnis dokumentiert, welche Daten für welchen Zweck verarbeitet werden. Keine Nutzung z. B. für Werbung. |
| 3. Datenminimierung | Nur unbedingt nötige Datenfelder abfragen, z. B. keine vollständige Adresse, wenn der Wohnort reicht. Keine Standortdaten. Wo möglich, Daten anonymisieren oder pseudonymisieren. |
| 4. Richtigkeit | Nutzerinnen und Nutzer können ihre Daten einsehen und Korrekturen veranlassen. Noten und Fehlzeiten werden nur von berechtigten Lehrkräften eingetragen, Änderungen werden protokolliert. |
| 5. Speicherbegrenzung | Automatische Löschfristen, z. B. am Ende des Schuljahres oder wenn jemand die Schule verlässt. Regelmäßige Überprüfung, welche Daten noch gebraucht werden. |
| 6. Integrität und Vertraulichkeit | Verschlüsselte Übertragung und Speicherung, Firewalls, ein Rollen- und Rechtekonzept (z. B. sehen Eltern nur die Daten ihres eigenen Kindes), regelmäßige Schulungen und Sicherheitsupdates. |
| 7. Rechenschaftspflicht | Alle Verarbeitungsvorgänge, Einwilligungen und Sicherheitsmaßnahmen dokumentieren. Eine Datenschutzbeauftragte oder einen Datenschutzbeauftragten benennen und regelmäßige Überprüfungen durchführen. |
Finden Sie sich mit Personen der anderen Grundsätze zusammen. Tauschen Sie sich über alle Grundsätze und ihre Konsequenzen für die Schul-App aus. Erstellen Sie eine kurze Präsentation, die zusammenfasst, welche Anforderungen die Schul-App erfüllen muss, damit sie DSGVO-konform ist.
Die Präsentation fasst die Maßnahmen aus b) zusammen. Fazit: Mit diesen Maßnahmen kann die Schule sicherstellen, dass die App die Anforderungen der DSGVO erfüllt. Das schützt die persönlichen Daten und stärkt das Vertrauen zwischen Schule, Schülerinnen und Schülern sowie Eltern.
Aufgaben 2 und 3: Beispiele aus dem Zentralabitur Niedersachsen
Bearbeiten Sie die Aufgaben und haken Sie erledigte Teile ab.
Die App Radtracking wird vom Anbieter kostenlos für alle Fahrradfahrerinnen und Fahrradfahrer zur Verfügung gestellt. Andere Unternehmen oder Organisationen können die erfassten Daten kostenpflichtig erwerben. Dabei werden die Positionen der Fahrradtouren, gegebenenfalls auch mit Pulsmessung, mit anonymer Benutzerkennung direkt nach dem Absolvieren einer Tour übertragen. Andere personenbezogene Daten wie Name, E-Mail-Adresse oder Geburtsdatum werden nicht an Dritte weitergegeben.
Der Betreiber eines neuen Ausflugsziels möchte die Daten erwerben, um gezielte Werbemaßnahmen zu entwickeln (z. B. Flyer in Briefkästen verteilen, Werbeplakate aufhängen).
- Erläutern Sie eine Möglichkeit, die Daten der Fahrradtouren für eine solche Werbemaßnahme zu nutzen.
- Erläutern Sie zwei grundlegende Möglichkeiten des Datenmissbrauchs, die sich aus der Weitergabe der Radtourdaten ergeben können.
Gezielte Werbung: Der Betreiber ermittelt, welche Nutzerinnen und Nutzer in der Nähe des Ausflugsziels vorbeigefahren sind; für sie liegt das Ziel in Reichweite. Aus Start- und Endpunkten der Touren lässt sich oft die Wohnadresse ableiten, weil viele zu Hause losfahren. Kommen aus einem Wohngebiet viele potenzielle Gäste, kann man dort Flyer verteilen oder Plakate aufhängen. (Andere Lösungen, z. B. über die durchschnittliche Tourlänge und den Abstand zum Wohnort, sind möglich.)
Missbrauch: Trotz anonymer Kennung lassen sich die Touren Personen zuordnen, wenn Adressdaten verfügbar sind. Da die Daten direkt nach der Tour übertragen werden, ist auch eine zeitliche Auswertung möglich. Beispiele:
- Bewegungsprofile einzelner Personen können erstellt werden, z. B. wann jemand nicht zu Hause ist.
- Eine Krankenkasse könnte aus Touren und Puls das Fitnesslevel abschätzen und die Beiträge daran ausrichten.
- Durch Abgleich verschiedener Nutzerinnen und Nutzer lassen sich gemeinsame Touren und damit Beziehungen ungewollt aufdecken.
Ein Unternehmen möchte die leistungsstärksten Prüflinge eines Abiturjahrgangs zu einem Workshop einladen. Es fragt bei der Schule zunächst die Durchschnittsnote des aktuellen Jahrgangs an. Die Schule schickt als Antwort die folgende Tabelle:
| Geschlecht | Anzahl | Durchschnittsnote |
|---|---|---|
| divers | 1 | 2,2 |
| männlich | 43 | 2,4 |
| weiblich | 56 | 2,3 |
| alle | 100 | 2,3 |
- Beurteilen Sie die Rückmeldung der Schule im Kontext des Datenschutzes.
In einer weiteren Anfrage bittet das Unternehmen um die Kontaktdaten aller Absolventinnen und Absolventen mit der Note 1,2 oder besser.
- Beschreiben Sie eine mögliche datenschutzkonforme Reaktion der Schule auf die zweite Anfrage.
Beurteilung: Wegen der kleinen Gruppe lässt sich bei der diversen Person eindeutig eine Verbindung zwischen Person und Note herstellen: Ihre Durchschnittsnote ist 2,2. Damit hat die Schule personenbezogene Daten ohne Zustimmung weitergegeben. Die Gesamtdurchschnittsnote allein wäre unproblematisch gewesen.
Reaktion auf die zweite Anfrage: Die Schule darf die Kontaktdaten nur mit vorheriger ausdrücklicher Zustimmung weitergeben. Sie kann z. B. die Einladung des Unternehmens an die betroffenen Absolventinnen und Absolventen weiterleiten, sofern diese zugestimmt haben, zur Berufsorientierung kontaktiert zu werden. Wer Interesse hat, meldet sich dann selbst beim Unternehmen.
Das Internet der Dinge
Immer mehr Gegenstände sind mit dem Internet verbunden. Man spricht vom Internet der Dinge (IoT). In diesem Abschnitt wiederholen Sie Begriffe zu Internet und Netzwerken und verbinden sie mit dem, was Sie über Datenanalyse und Datenschutz gelernt haben.
Aufgabe 1: Was ist das Internet der Dinge? (Austauschphase → Lerngruppe)
Tauschen Sie sich kurz aus und besprechen Sie das Ergebnis in der Lerngruppe.
Tauschen Sie sich kurz mit Ihren Nachbarn aus: Welche Geräte in Ihrem Alltag sind mit dem Internet verbunden, obwohl sie keine Computer im klassischen Sinn sind? Was haben diese Geräte gemeinsam?
Beispiele: Smartwatch und Fitnesstracker, Sprachassistent, smarte Lampen und Steckdosen, Heizungsthermostat, Saugroboter, Video-Türklingel, Auto mit Online-Funktionen, E-Scooter zum Ausleihen, Stromzähler. Gemeinsam ist ihnen: Sie haben Sensoren, sind vernetzt und tauschen selbstständig Daten aus, oft mit Servern des Herstellers.
Aufgabe 2: Aspekte des IoT (Gruppenarbeit)
Bilden Sie vier Gruppen. Jede Gruppe untersucht die angegebenen Quellen (gern auch selbst recherchierte) und erstellt eine Präsentation von etwa drei Minuten.
In Städten wird das IoT eingesetzt, um Verkehrsflüsse zu optimieren, den Energieverbrauch zu senken und den Bürgerinnen und Bürgern einen besseren Zugang zu öffentlichen Dienstleistungen zu ermöglichen. Zum Beispiel können Sensoren in Straßenlaternen Verkehrsdaten sammeln, um Staus zu vermeiden, oder intelligente Mülltonnen melden automatisch, wenn sie geleert werden müssen.
Aufgabe: Untersuchen Sie die Quellen und erstellen Sie eine kleine Präsentation zu folgenden Aspekten:
- Konkrete Möglichkeiten des Bevölkerungsschutzes, die ohne die Vernetzung von Geräten mit Sensoren nicht möglich wären.
- Inwiefern ist die automatisierte Analyse großer Datenmengen beteiligt? Nennen Sie auch Aspekte, die negative Auswirkungen auf die Bevölkerung zeigen.
Quellen: Smart City Dialog: Bevölkerungsschutz der Smart City
- Intelligente Verkehrssteuerung: Sensoren in Laternen und Ampeln erfassen den Verkehr in Echtzeit. Rettungsfahrzeuge finden schnellere Routen.
- Frühwarnsysteme: Sensoren überwachen Wetter, Pegelstände und Luftqualität und warnen rechtzeitig vor Hochwasser oder Sturm.
- Intelligente Müllentsorgung: Füllstandssensoren vermeiden unnötige Fahrten und halten die Stadt sauber.
- Überwachung öffentlicher Plätze: Kameras und Sensoren erkennen Gefahren und ermöglichen schnellere Reaktionen.
- Datenanalyse: Daten vieler Geräte werden zentral gesammelt. Maschinelles Lernen erkennt Muster und sagt z. B. Verkehr oder Notfälle voraus.
- Negative Aspekte: Personenbezogene Daten werden ohne Zustimmung verarbeitet, Überwachung im öffentlichen Raum, Fehlinterpretationen führen zu falschen Entscheidungen.
In Städten wird das IoT eingesetzt, um Verkehrsflüsse zu optimieren, den Energieverbrauch zu senken und den Bürgerinnen und Bürgern einen besseren Zugang zu öffentlichen Dienstleistungen zu ermöglichen. Zum Beispiel können Sensoren in Straßenlaternen Verkehrsdaten sammeln, um Staus zu vermeiden, oder intelligente Mülltonnen melden automatisch, wenn sie geleert werden müssen.
Aufgabe: Untersuchen Sie die Quellen und erstellen Sie eine kleine Präsentation zu folgenden Aspekten:
- Konkrete Möglichkeiten, die Mobilität in Städten und größeren ländlichen Gemeinden zu verbessern, die ohne die Vernetzung von Geräten mit Sensoren nicht möglich wären.
- Inwiefern ist die automatisierte Analyse großer Datenmengen beteiligt? Nennen Sie auch Aspekte, die negative Auswirkungen auf die Bevölkerung zeigen.
Quellen: PwC: Mobilität im Smart City Index 2022; Datei „smart-city-index-2022-mobilitaet.pdf“ (von Ihrer Lehrkraft)
- Intelligente Parksysteme: Sensoren melden freie Parkplätze an eine App. Weniger Suchverkehr.
- Fahrgemeinschaften und Ridesharing: Plattformen vermitteln Fahrten in Echtzeit. Weniger Fahrzeuge und Emissionen.
- Öffentlicher Verkehr: Sensoren in Bussen und Bahnen zeigen die Auslastung an. Bessere Reiseplanung, weniger Überfüllung.
- Datenanalyse: Verkehrsdaten werden in Echtzeit ausgewertet, um Staus vorherzusagen und Umleitungen vorzuschlagen.
- Negative Aspekte: Aus Mobilitätsdaten lassen sich Bewegungsprofile erstellen. Menschen werden abhängig von der Technik. Kleinere Städte und ländliche Gemeinden hängen oft hinterher.
Im Smart Home können IoT-Geräte wie Thermostate, Beleuchtungssysteme und Sicherheitskameras miteinander verbunden werden, um Komfort und Sicherheit der Bewohnerinnen und Bewohner zu erhöhen. Man kann sein Zuhause sogar aus der Ferne über eine App auf dem Smartphone überwachen und steuern.
Aufgabe: Untersuchen Sie die Quellen und erstellen Sie eine kleine Präsentation zu folgenden Aspekten:
- Welche Geräte sind im Rahmen eines Smart Homes verfügbar?
- Welche Verbesserungsmöglichkeiten gibt es für die Nutzenden dieser Geräte im Verbund mit dem IoT?
- Inwiefern ist die automatisierte Analyse großer Datenmengen beteiligt? Nennen Sie auch Aspekte, die negative Auswirkungen auf die Bevölkerung zeigen.
Quellen: ComputerWeekly: Smart Home; homeandsmart: Internet der Dinge im Smart Home
- Geräte: intelligente Thermostate, die Heizgewohnheiten lernen; Sicherheitskameras und Video-Türklingeln; steuerbare Beleuchtung; Sprachassistenten, Steckdosen, Rauchmelder.
- Verbesserungen: gemeinsame Standards, damit Geräte verschiedener Hersteller zusammenarbeiten; einfachere Bedienoberflächen, auch für ältere Menschen.
- Datenanalyse: Nutzungsdaten liefern z. B. persönliche Tipps zum Energiesparen.
- Negative Aspekte: ständige Überwachung und Speicherung privater Daten; Geräte sind anfällig für Angriffe, sensible Daten können verloren gehen.
Im Smart Home können IoT-Geräte wie Thermostate, Beleuchtungssysteme und Sicherheitskameras miteinander verbunden werden, um Komfort und Sicherheit der Bewohnerinnen und Bewohner zu erhöhen. Man kann sein Zuhause sogar aus der Ferne über eine App auf dem Smartphone überwachen und steuern.
Aufgabe: Untersuchen Sie die Quellen und erstellen Sie eine kleine Präsentation zu folgenden Aspekten:
- Welche Sicherheitsrisiken bestehen für einzelne Nutzende?
- Welche Möglichkeiten der Vernetzung gibt es?
- Was sollte man tun, um seine Smart Devices möglichst sicher einzubinden?
- Inwiefern ist die automatisierte Analyse großer Datenmengen beteiligt? Nennen Sie auch Aspekte, die negative Auswirkungen auf die Bevölkerung zeigen.
Quellen: BSI: Smart Home
- Risiken: schwache Sicherheitsvorkehrungen wie Standardpasswörter oder fehlende Updates; Datenlecks durch fehlende Verschlüsselung oder Sicherheitslücken.
- Vernetzung: zentral über einen Smart-Home-Hub oder direkt zwischen den Geräten (Peer-to-Peer), wodurch weniger Daten über fremde Server laufen.
- Sicher einbinden: regelmäßige Updates; starke, einzigartige Passwörter und Zwei-Faktor-Authentifizierung; IoT-Geräte in ein eigenes Netz (z. B. Gastnetz) auslagern, damit ein gehacktes Gerät nicht das ganze Heimnetz gefährdet.
- Datenanalyse und negative Aspekte: Hersteller werten Nutzungsdaten aus. Diese verraten viel über den Alltag, z. B. wann jemand zu Hause ist.
Die Vorteile des IoT sind zahlreich. Es kann Effizienz steigern, Ressourcen sparen, Komfort bieten und sogar Leben retten. Zum Beispiel können vernetzte medizinische Geräte die Gesundheitsüberwachung verbessern und Probleme frühzeitig erkennen.
Das IoT bringt aber auch Risiken für Datenschutz und Sicherheit mit sich. Wenn IoT-Geräte persönliche Daten sammeln, besteht die Gefahr von Missbrauch oder unbefugtem Zugriff. Sicherheitslücken in vernetzten Geräten können zu Hackerangriffen führen, die sowohl einzelne Personen als auch ganze Systeme gefährden.
Unternehmen nutzen das IoT, um Daten von Geräten und Sensoren zu sammeln und zu analysieren. So gewinnen sie Einblicke in das Verhalten ihrer Kundschaft, verbessern Produkte und optimieren Abläufe. Fitnesstracker sammeln z. B. Daten über die körperliche Aktivität, die Gesundheitsunternehmen für persönliche Gesundheitsprogramme nutzen.
Fazit: Das Internet der Dinge kann unser Leben auf vielfältige Weise verbessern. Gleichzeitig ist es wichtig, die Risiken im Blick zu behalten und Datenschutz und Sicherheit sicherzustellen.