News BLOG / EVENTS / PRESSE

10 Schlagworte der Location Intelligence

Location Intelligence. Artificial Intelligence. Machine Learning. Datasets. Explainable AI

Eine sich immer fortsetzende Reihe von Worten, die noch vor einigen Jahren nur Teil eines Science-Fiction-Films gewesen wären…

Und warum alles auf Englisch?

In den letzten Jahren und Jahrzehnten bewegt sich die aktuelle Forschung und der Fortschritt immer mehr auf einer internationalen Bühne. Vor allem in den IT-Bereichen wie künstlicher Intelligenz oder maschinellem Lernen entstehen neueste Erkenntnisse durch die Zusammenarbeit globaler Akteure verschiedener Forschungsrichtungen. Die meisten Konzepte im Bereich der künstlichen Intelligenz sind daher zwar im Deutschen verbreitet. Im fachlichen Diskurs jedoch wird meist auf die englischen Bezeichnungen zurückgegriffen. So weiß jeder Beteiligte genau, wovon die Rede ist.

Location Intelligence ist dabei eng mit anderen Konzepten verflochten. Diese Konzepte sind auch ein fester Bestandteil davon, was Location Intelligence ausmacht und womit wir uns bei Geospin Tag für Tag beschäftigen. So haben wir uns in den letzten fünf Jahren zu Experten auf diesem Gebiet entwickelt. Und unsere Visionen ist es, Location Intelligence für mehr Menschen und Unternehmen zugänglich und verständlich zu machen.

Wir wissen aus eigener Erfahrung und aus Gesprächen mit unseren Kunden, dass man bei der Auseinandersetzung mit Location Intelligence früher oder später immer auf gewisse Schlagworte stößt. In diesem Artikel wollen wir diese Schlagworte aufgreifen, sie beleuchten und erklären, was sich hinter ihnen verbirgt. Damit schlagen wir zwei Fliegen mit einer Klatsche: Sie können sich einerseits besser im Diskurs zurechtfinden und tauchen andererseits inhaltlich tiefer in die vielschichtige Thematik von Location Intelligence ein.

Dann mal auf ins Getümmel!

 

    1. Datengestützte Entscheidungsfindung (Data-driven decision making)

Es gibt verschiedene Möglichkeiten, Entscheidungen zu treffen. Oftmals können wir einer Intuition folgen, die aus einer Expertise oder einer Routine entsteht. Diese Entscheidungsprozesse wenden wir alltäglich an, ob im Privatleben oder im Beruf. Sie machen unser Leben ein ganzes Stück leichter und angenehmer.

Im Laufe der letzten Jahrzehnte hat sich ein neuer Ansatz entwickelt, der vor allem durch den technologischen Fortschritt und die Digitalisierung vorangetrieben wurde. Ganz neu kann man den Ansatz eigentlich nicht nennen: Datengestützte Entscheidungsfindung (oder gebräuchlicher data-driven decision making) bezeichnet Entscheidungen, die auf konkreten Daten beruhen. Dabei achtet man darauf, welche Daten zu welchen Ergebnissen führen und analysiert die Muster in den Daten, um Erkenntnisse für Entscheidungen zu treffen.

Das gab es natürlich schon immer. Besonders ist die Menge an Daten, die heutzutage zur Verfügung steht. Sie macht data-driven decision making in einem Maße möglich, das datengestützte Entscheidungen zum neuen Standard werden lässt:

Ein Standard, der Experten zunehmend bei ihren Entscheidungen unterstützen kann und ihnen die richtigen Daten und Argumente an die Hand gibt. Damit können verschiedenen Beurteilungsfehlern vorgebeugt werden.

An dieser Stelle von uns eine kleine literarische Bestseller-Empfehlung, die nicht nur für den Schreibtisch, sondern auch für den Nachttisch geeignet ist: Daniel Kahneman (2012): Schnelles Denken, langsames Denken.

Ein Rundumschlag über die Art und Weise, wie wir Menschen Entscheidungen treffen und welchen Mechanismen sie dabei folgen.

 

    1. Prescriptive Analytics

Prescriptive Analytics bezieht sich auf Entscheidungsprozesse in Unternehmen. Wenn ein Unternehmen zum Beispiel eine neue Richtung einschlagen möchte oder eine wichtige Investition plant, kann es maschinelles Lernen dafür zur Hilfe ziehen. Dies berücksichtigt verschiedene Daten, um die Auswirkungen bestimmter Entscheidungen in der Zukunft zu analysieren und zu berechnen. Mit dieser Art von data-driven decision making werden unternehmerische Entscheidungen mit soliden Daten und den daraus hervorgehenden Wahrscheinlichkeiten fundiert.

Doch welche Daten kann man sich dafür zunutze machen?

 

    1. Raum- und Geodaten (Spatial and Geo Data)

Wir bei Geospin haben uns vor allem auf Raum- und Geodaten spezialisiert. Daher kommt übrigens auch ursprünglich unser Name (GEOSPatial – INtelligence) ;)

Diese Daten bezeichnen aus einer breiten Perspektive alle Datenpunkte, die lokal verortet werden können. Und ja, das sind ganz schön viele. Denn wer jetzt nur an Standorte denkt, irrt sich. Die Daten in unserem Location Intelligence Portal umfassen eine Vielzahl von möglichen Datenquellen, von soziologischen Daten über Verkehrsdaten zu Kriminalitätsstatistiken ist alles dabei. Denn all das lässt sich örtlich zuordnen, und das auf 100 Meter genau.

Am besten verschaffen Sie sich selbst einen Eindruck und schauen sich die verschiedene Geodaten an!

 

Jetzt kostenlos registrieren

 

    1. Datenpunkt (data point)

Datensätze (data sets) setzen sich aus einzelnen Datenpunkten zusammen. Sie können sich vorstellen, wie groß so eine Sammlung ist, wenn sie wie bei uns Datenpunkte aus ganz Deutschland zusammenfasst.

Ein Datenpunkt definiert zum Beispiel einen Parkplatz im Kölner Stadtzentrum und dessen Koordinaten. Aber auch andere Informationen können mit diesem Datenpunkt verbunden sein (z. B. bei Elektroladesäulen: tägliche Auslastung oder Stromzufuhr durch Gleich- oder Wechselstrom,…).

 

    1. Datenschicht (Layer)

Alle diese Datenpunkte einer bestimmten Kategorie können unter einer Schicht (Layer) zusammengefasst werden. In unserem Portal kann ich diese Schicht über eine Karte legen. Dann sehe ich deutschlandweit alle Datenpunkte, die sich auf diese Datensammlung beziehen (z.B. alle Tankstellen, angezeigt durch ein Tanksymbol).

Hier finden Sie eine Übersicht zu den Datenschichten, die sich aktuell in unserem Portal befinden.

 

    1. Open Data

Geospin sammelt diese immense Menge an Daten nicht selbst. Der Bund, die Länder und Kommunen werden sich immer bewusster, wie wichtig es ist, Raum- und Geodaten zu ihren Regionen bereitzustellen. In vielen Digitalisierungsinitiativen in ganz Deutschland werden diese Daten gesammelt und öffentlich zugänglich gemacht. Es handelt sich also um offene Daten (Open Data).

Unsere Heimatstadt Freiburg ist zum Beispiel Teil des Programms „Smart Cities 2020“ und baut so einen Freiburger Datenraum auf (https://fritz.freiburg.de/Informationsportal/configurator?scenario=OpenData).

 

    1. Datenvisualisierung (Data Visualization)

Und was stellen Sie sich vor, wenn Sie das Wort data set lesen? Wahrscheinlich tut sich vor Ihrem inneren Auge eine nie enden wollende Exceltabelle auf, die alles um sich verschlingt. Damit haben Sie nicht ganz unrecht: Daten sind von ihrer Natur aus messbare (Zahlen-)Werte. Und bei Geodaten ist das nicht anders. Es sei denn man ersetzt die Exceltabelle durch ein galantes Geospinportal, an dem man sich nicht satt sehen kann.

Spaß beiseite, es liegt natürlich nahe, Raum- und Geodaten mithilfe einer Karte zu visualisieren und mit verschiedenen Darstellungsmodi, Farben und Legenden, die Orientierung in der Datenmenge zu erleichtern. Und genau das macht Geospin in seinem Portal. Sie wählen verschiedene Datenschichten aus und entscheiden sich für eine Ansicht. Dann können Sie sich selbst ein Bild von den Datenpunkten in Ihrem Gebiet machen. Durch die Kombination mehrerer Datenschichten eröffnen sich neue Perspektiven, die bei einzelner Betrachtung im Verborgenen geblieben wären.

So weit so gut, aber woher weiß man, welche Daten wann eine Rolle spielen?

Hierfür kommen die zwei bisher wahrscheinlich meistgenutzten Schlagworte des Jahrhunderts ins Spiel:

 

    1. Künstliche Intelligenz (Artificial Intelligence) und Maschinelles Lernen (Machine Learning)

Machine Learning ist nichts anderes als eine Unterkategorie von künstlicher Intelligenz. Es beschreibt, wie der Name schon sagt, wie Computer lernen können. Die Fähigkeit zu Lernen ist nicht nur bei Menschen für fast alle Bereiche des Lebens bedeutend. Auch für andere Bereiche der künstlichen Intelligenz, wie zum Beispiel Mustererkennung oder bei wissensbasierten Systemen, haben sich Methoden des maschinellen Lernens als sehr wirksam erwiesen. So betrifft Machine Learning die meisten Facetten künstlicher Intelligenz. 

Machine Learning ist eine Methode der Datenanalyse. Ein Teil von Machine Learning ist das Supervised Learning. Wir haben einen Datensatz, der verschiedene Datenpunkte enthält. Nun können wir an jeden dieser Datenpunkte gewisse Ergebnisse knüpfen, die wir aus Daten der Vergangenheit erkennen können: z.B. Die Auslastung einer Elektroladesäule.

Auf Basis dieses Datensatzes wird ein Algorithmus trainiert, der erkennt, welche Eigenschaften des Datenpunkts zu Unterscheidungen in dessen Ergebnis führen. Kurz gesagt, was beeinflusst, ob eine Ladesäule ausgelastet ist oder nicht?

Der Algorithmus lernt also aus bereits bekannten Daten und kann dann vorhersagen, ob eine geplante Ladesäule eine hohe oder eine niedrige Auslastung erzielen wird.

 

    1. Erklärbare künstliche Intelligenz (Explainable AI)

Welche Kriterien ein Algorithmus dabei berücksichtigt, kann in manchen Fällen unbekannt bleiben. Der Algorithmus ist dabei eine Blackbox und die AnwenderInnen kennen nur den Input und den Output der Algorithmen.

Das wird besonders dann relevant, wenn Ethik bei den Entscheidungen von KI-Algorithmen ins Spiel kommt. Beispielsweise möchte man nicht, dass bei der Beurteilung von Kreditwürdigkeit die Hautfarbe oder das Geschlecht einer Person eine Rolle spielen.

Um das auszuschließen, setzt sich explainable AI mit der Transparenz von KI-Algorithmen auseinander. Das Ziel ist es, im Nachhinein sagen zu können, welche Aspekte zu welchen Ergebnissen geführt haben.

Damit können wir bei Geospin nachvollziehen, welche Faktoren für welche Ergebnisse eine Rolle spielen.

 

    1. Smart City

Und nun noch ein letztes Schlagwort, das uns ganz besonders am Herzen liegt. Wie schon oben erwähnt, wurde Freiburg letztes Jahr für das Projekt „Smart Cities 2020“ ausgewählt und hat eine breite Digitalisierungsstrategie ausgearbeitet (https://digital.freiburg.de/).

Eine Smart City umfasst dabei all die Aspekte, die bisher erwähnt wurden und die wir zu unseren Kernkompetenzen zählen. Smart City ist ohne Location Intelligence undenkbar. Denn es ist genau das: Eine Stadt, die die Vielzahl der Datenquellen nutzt, um Entwicklungsprozesse, Ressourcen und Dienstleistungen noch effizienter und vor allem nachhaltiger nutzen zu können.

Gerade um die Nachhaltigkeit von Kommunen voranzutreiben, haben die Vereinten Nationen Ziele für nachhaltigen Entwicklung (Sustainable Development Goals) definiert. Verschiedene Kommunen sind in Deutschland sind unterschiedlich aufgestellt (https://sdg-portal.de/de/). Wir bei Geospin sind uns sicher, dass wir mit Location Intelligence in diesem Thema einen entscheidenden Beitrag leisten können!

 

Und mit dem Thema Stadt runden wir auch diesen Beitrag literarisch ab. Denn wie Rebecca Solnit in ihrem Buch Nonstop Metropolis: A new York City Atlas fasziniert auch uns die Vielseitigkeit von Städten: 

"A city is not one or the other of some things but all of them, contradictions and collaborations and conflicts together, forever churning and spitting out new possibilities."

 

Related Articles

Breitbandausbau: Mit Location Intelligence schnell und kostensicher

Location Intelligence. Artificial Intelligence. Machine Learning. Datasets. Explainable AI


Topics: Maschinelles Lernen, Künstliche Intelligenz, Location Intelligence

Nachhaltige Städte und Kommunen: Mit Location Intelligence die UN-Nachhaltigkeitsziele erreichen

Location Intelligence. Artificial Intelligence. Machine Learning. Datasets. Explainable AI


Topics: Maschinelles Lernen, Künstliche Intelligenz, Location Intelligence

Data Literacy – LIA als Brücke zwischen Daten und Anwender:innen

Location Intelligence. Artificial Intelligence. Machine Learning. Datasets. Explainable AI


Topics: Maschinelles Lernen, Künstliche Intelligenz, Location Intelligence