{"id":3219,"date":"2022-10-27T10:00:21","date_gmt":"2022-10-27T08:00:21","guid":{"rendered":"https:\/\/blogs.uni-bremen.de\/scienceblog\/?p=3219"},"modified":"2022-10-26T18:43:30","modified_gmt":"2022-10-26T16:43:30","slug":"big-data-big-potential","status":"publish","type":"post","link":"https:\/\/blogs.uni-bremen.de\/scienceblog\/2022\/10\/27\/big-data-big-potential\/","title":{"rendered":"Big Data- Big Potential"},"content":{"rendered":"

von Svenja Goers<\/em><\/p>\n

\"\"

Taucht ein in die Welt der Datenwissenschaften an der Universit\u00e4t Bremen. Ein Einblick in das Data Science Center zeigt, wie man aus Daten Wissen schafft. Quelle: Pixabay.<\/em><\/p><\/div>\n

Unsere Welt ertrinkt heutzutage regelrecht in Daten. Diese bringen gro\u00dfes Potential mit sich. Denn in ihnen stecken zahlreiche interessante Informationen und Erkenntnisse. Um diese zu gewinnen, m\u00fcssen Datens\u00e4tze jedoch sinnvoll ausgewertet werden. Dies erm\u00f6glicht die Disziplin Data Science (Datenwissenschaften). Doch was genau steckt hinter dieser noch relativ jungen Disziplin? Wie schafft sie es in der Datenflut den Kopf \u00fcber Wasser zu halten und dabei Wettervorhersagen, Marketing, Krankheitsdiagnosen und die Erkennung von Fake-News unter einen Hut zu bringen? Und wie kann das Data Science Center der Universit\u00e4t Bremen Forschenden dabei helfen, riesige Datenmengen auszuwerten und Wissen daraus zu generieren?<\/strong><\/p>\n

<\/p>\n

 <\/p>\n

Eine Welt voller Daten <\/strong>\u2014<\/strong> auch bekannt als \u201aBig Data\u2018<\/strong><\/p>\n

Der Ausdruck Big Data<\/em> ist inzwischen fast jedem ein Begriff. Doch was genau steckt eigentlich hinter diesem Buzzword? Und warum ist Big Data heute so wichtig? Egal ob wir durch Social-Media-Feeds scrollen, Suchmaschinen befragen, online shoppen, E-Mails verschicken oder Filme und Serien streamen. \u00dcberall im Internet hinterlassen wir t\u00e4glich zahlreiche digitale Spuren. Folglich l\u00e4sst sich das Wort Big Data mit dem deutschen Begriff Massendaten<\/em> \u00fcbersetzen. Big Data umfasst also die Unmengen an Data, die weltweit anfallen und gespeichert werden.<\/p>\n

\"\"

Was genau f\u00e4llt alles unter den Begriff Big Data? Ein kleiner \u00dcberblick \u00fcber verschiedene Datenformate.<\/em><\/p><\/div>\n

Oft wird das Konzept Big Data durch die sogenannten 3 Vs<\/em> definiert: Volume, Velocity & Variety<\/em> [1]. Big Data l\u00e4sst sich also durch drei Hauptmerkmale charakterisieren: riesige Datenmengen, ein rapides Wachstum des Datenvolumens sowie eine gro\u00dfe Datenvielfalt. Letzteres beschreibt die unterschiedlichsten Formen, in denen Daten gespeichert werden k\u00f6nnen. Dazu geh\u00f6ren zum Beispiel Textdokumente, Bilder, Daten von Internetseiten und Smartphones-Apps, oder Spotify\u00a9- , Netflix\u00a9- und Social-Media-Algorithmen.<\/p>\n

\"\"

Ein \u00dcberblick \u00fcber die Entwicklung des globalen Datenvolumens.<\/em><\/p><\/div>\n

Dabei ist das weltweit erzeugte Datenvolumen in den letzten Jahren exponentiell angewachsen. Zwischen den Jahren 2012 und 2020 hat sich das globale Datenaufkommen ca. verzehnfacht. Laut Prognosen soll die j\u00e4hrlich produzierte Datenmenge bis zum Jahr 2025 auf bis zu 175 Zettabyte (ZB) anwachsen [2] (siehe Abbildung). W\u00fcrde man diese 175 ZB auf DVDs speichern, w\u00e4re der DVD-Stapel lang genug, um damit die Erde 222 Mal zu umrunden.<\/p>\n

 <\/p>\n

Was passiert mit diesen Datenmengen? Das vielf\u00e4ltige Potential von Data Science<\/strong><\/p>\n

Hier kommt der Begriff Data Science<\/em> (deutsch \u201eDatenwissenschaften\u201c) ins Spiel. Ziel von Data Science ist es, Wissen aus Daten zu generieren. Daf\u00fcr werden zum Beispiel verschiedene Muster und Trends in Datens\u00e4tzen herausgearbeitet, um Vorhersagen zu treffen, Zusammenh\u00e4nge zu erkennen und Aussagen \u00fcber Risiken und Wahrscheinlichkeiten zu erm\u00f6glichen. Somit kann Data Science bspw. verwendet werden, um Wettervorhersagen zu treffen, Serien- und Musikempfehlungen zu geben, schwere Krankheiten zu diagnostizieren oder Fake News von offiziellen Nachrichten zu unterscheiden [3, 4, 5, 6].<\/p>\n

\"\"

Data Science wird h\u00e4ufig als interdisziplin\u00e4re Schl\u00fcsseldisziplin bezeichnet.<\/p><\/div>\n

Data Science l\u00e4sst sich am besten als Schnittstelle zwischen drei verschiedenen Bereichen beschreiben: Informatik, Mathematik und spezifischem Fachwissen (siehe Abbildung). Letzteres macht die Disziplin besonders vielf\u00e4ltig, da die ben\u00f6tigte Expertise aus den verschiedensten Dom\u00e4nen stammen kann. Folglich sind der Anwendung von Data Science so gut wie keine Grenzen gesetzt. Doch wie genau funktioniert Data Science?<\/p>\n

 <\/p>\n

Ein Einblick in das Data Science ABC <\/strong>\u2014 <\/strong>Data Mining, Machine- und Deep Learning<\/strong><\/p>\n

Geht es darum, Wissen aus gro\u00dfen Datenmengen zu generieren, spricht man vom sogenannten Data Mining<\/em>. Wortw\u00f6rtlich liegt das Ziel des Data Minings darin, wertvolle Informationen aus gro\u00dfen, komplexen Datens\u00e4tzen \u201eauszugraben\u201c und \u201eabzubauen\u201c. Dies geschieht, indem bestimmte Trends und Muster in den Daten herausgearbeitet werden. Folglich kommt Data Mining h\u00e4ufig im Kontext von Big Data<\/em> zum Einsatz. So setzen bspw. viele Unternehmen Data Mining im Marketing ein, um Zielgruppen und Marktsegmente zu definieren.<\/p>\n

Neben dem Data Mining stellt au\u00dferdem der Bereich des Machine Learning<\/em> (maschinelles Lernen) einen wichtigen Bestandteil des wachsenden Feldes der Datenwissenschaften dar. Machine Learning ist ein Teilbereich der k\u00fcnstlichen Intelligenz (KI), der auf der Anwendung von gro\u00dfen strukturierten Datens\u00e4tzen und Algorithmen basiert. Diese erm\u00f6glichen k\u00fcnstlichen Systemen wie Menschen zu lernen und sich dabei schrittweise zu verbessern. Eine Unterform des Machine Learning stellt das sogenannte Deep Learning<\/em> (tiefgehendes Lernen) dar. Dabei k\u00f6nnen mit Hilfe von k\u00fcnstlichen neuronalen Netzen, die der Struktur des menschlichen Gehirns nachempfunden sind, auch unstrukturierte Datens\u00e4tze verarbeitet werden.<\/p>\n

Der Einsatz von zukunftsrelevanten Technologien wie Machine und Deep Learning wird zurzeit in verschiedensten Bereichen erforscht. So kann Machine Learning bereits jetzt u.a. genutzt werden, um die Parkinson-Krankheit zu diagnostizieren und Brustkrebs in verschiedene Stadien zu erkennen [5, 6]. Im Bereich der Agrarwissenschaften wird aktuell u.a. untersucht, inwiefern Machine Learning eingesetzt werden kann, um Bew\u00e4sserungssysteme zu managen, das Wohl von Tieren zu \u00fcberwachen oder Krankheiten in Getreidebest\u00e4nden zu identifizieren [7]. Die Universit\u00e4t Bremen beteiligt sich bspw. an einem Projekt, dass an der Entwicklung von \u201ek\u00fcnstlich intelligenten\u201c Z\u00e4unen arbeitet. Diese k\u00f6nnen W\u00f6lfe erkennen und vertreiben, um Weidetiere zu sch\u00fctzen [8].<\/p>\n

 <\/p>\n

Der Data Science-Werkzeugkasten <\/strong>\u2014 <\/strong>wichtige Tools und Techniken<\/strong><\/p>\n

Um zu verstehen wie genau Data Science funktioniert, muss ebenfalls ein kurzer Blick in den Werkzeugkasten der Datenwissenschaften geworfen werden. Dieser ist voll von verschiedenen Tools und Techniken, die es erm\u00f6glichen Daten zu sammeln, auszuwerten und zu visualisieren. Mit zu den wichtigsten Werkzeugen geh\u00f6ren Data Science relevante Programmiersprachen wie Python oder R. Diese nutzen Data Scientists, um sich durch riesige Datens\u00e4tze zu w\u00fchlen und diese sinnvoll zu sortieren und zu analysieren. Dar\u00fcber hinaus erm\u00f6glichen diese Programmiersprachen das Arbeiten mit verschiedenen Algorithmen im Bereich des Machine Learnings.<\/p>\n

Bei Datenanalysen kommen dabei unterschiedliche Techniken zum Einsatz. Dazu geh\u00f6ren z.B. verschiedene Machine Learning Methoden. Durch Cluster-Analysen k\u00f6nnen Daten sinnvoll gruppiert werden. Assoziationsanalysen erlauben die Identifizierung von bestimmten Zusammenh\u00e4ngen. Weitere Techniken erm\u00f6glichen u.a. das Erkennen von Anomalien oder Ausrei\u00dfern in einem Datensatz oder das Klassifizieren von Daten wie es in der folgenden Abbildung beispielhaft dargestellt ist.<\/p>\n

\"\"

Ein schematisches Beispiel f\u00fcr die Klassifikation von Daten mit Hilfe von Machine Learning.<\/p><\/div>\n

 <\/p>\n

Das Data Science Center<\/strong>\u2014<\/strong> Datenwissenschaften an der Universit\u00e4t Bremen<\/strong><\/p>\n

\"\"<\/p>\n

Auch hier an der Universit\u00e4t Bremen werden regelm\u00e4\u00dfige spannende Forschungs-projekte im Bereich Data Science umgesetzt. Eine wichtige Rolle spielt dabei das Data Science Center<\/em> (DSC), das im Jahr 2019 als interdisziplin\u00e4res Institut f\u00fcr Data Science unter der Leitung von Prof. Dr. Rolf Drechsler an der Universit\u00e4t Bremen gegr\u00fcndet wurde. Das DSC dient als Knotenpunkt und Kontaktstelle f\u00fcr Wissenschaftler*innen aller Fachgebiete, die mit Daten jeglicher Art arbeiten. \u201eWir im DSC unterst\u00fctzen Forschende dabei, das Beste aus ihren Daten herauszuholen und so neue Erkenntnisse zu gewinnen,\u201c erkl\u00e4rt Dr. Lena Steinmann, die Koordinatorin des DSC. Daf\u00fcr stehen Forschenden am DSC unterschiedliche Angebote zur Verf\u00fcgung. Dazu geh\u00f6ren bspw. Rechenressourcen f\u00fcr die Umsetzung maschineller Lernverfahren, Datenkompetenz-Trainings und finanzielle Unterst\u00fctzung und Beratung bei der Umsetzung von Data-Science-Methoden (z.B. Machine Learning).<\/p>\n

Dar\u00fcber hinaus wurde das DSC Team diesen Sommer durch drei Data Stewards<\/em> erg\u00e4nzt. Diese bringen Expertise zum Management von Forschungsdaten und Erfahrungen aus verschiedenen Forschungsbereichen mit sich. Zuk\u00fcnftig werden sie Wissenschaftler*innen pers\u00f6nlich beraten, beim Datenmanagement individuell unterst\u00fctzen und gezielte Trainings anbieten.<\/p>\n

\"\"

Logo und Screenshot der App der Accessible Text App. Foto: Jona Andresen.<\/p><\/div>\n

\u00dcber die finanzielle Unterst\u00fctzung in Form des DSC Seed Grants<\/em> wurden seit der Gr\u00fcndung des DSC bereits mehrere spannende Projekte gef\u00f6rdert. Darunter bspw. die Weiterentwicklung einer Smartphone-App, die Nicht-Muttersprachler*innen und Menschen mit kognitiven Einschr\u00e4nkungen das Lesen von Texten erleichtern soll. Mit Hilfe des Einsatzes von Machine Learning-Techniken soll die \u201eAccessible Text App\u201c Texte f\u00fcr Nutzer*innen vereinfachen und schwierige Begriffe erkl\u00e4ren. Dadurch soll Betroffenen mehr Barrierefreiheit im Alltag erm\u00f6glicht werden.<\/p>\n

 <\/p>\n

\"\"

Mit Hilfe von Data Science wird erforscht, wie soziale Netzwerke den Kryptow\u00e4hrungsmarkt beeinflussen. Quelle: Pexels.<\/p><\/div>\n

Im Rahmen eines weiteren DSC Seed Grant Pilotprojekts wird mit unterschiedlichen Data-Science-Verfahren untersucht, inwiefern Diskurse kleinerer Randgruppen auf Social-Media-Plattformen wie Reddit Schwankungen im Kryptow\u00e4hrungsmarkt beeinflussen k\u00f6nnen. Auch finanzielle Unterst\u00fctzung f\u00fcr Events im Zusammenhang mit Data Science, wie die Durchf\u00fchrung der internationalen Data-Power-Konferenz im Juni 2022, k\u00f6nnen \u00fcber den DSC Seed Grant beantragt werden (wie ihr den DSC Seed Grant beantragen k\u00f6nnt erfahrt ihr hier<\/a>).<\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

Interesse am Thema Data Science und dem DSC der Uni Bremen geweckt?<\/strong><\/p>\n

Falls ihr selber Forschung im Bereich Data Science betreibt oder betreiben m\u00f6chtet und Unterst\u00fctzung bei der Analyse oder dem Management eurer Daten braucht, dann meldet euch gerne direkt bei der DSC Koordinatorin Dr. Lena Steinmann (lena.steinmann@uni-bremen.de<\/u>).<\/p>\n

Weitere Infos zu Events und dem Data Science Center findet ihr au\u00dferdem auf der Website (https:\/\/www.dsc-ub.de\/<\/a>) oder dem Twitter Account (@DSC_unibremen)<\/a> des DSC.<\/p>\n

 <\/p>\n

Verweise<\/strong>:<\/p>\n

[1] De Mauro, A., M. Greco, und M. Grimaldi (2016): „A formal definition of Big Data based on its essential features.“ Library Review, <\/em>65 (3), S. 122-135.<\/p>\n

[2] Reinsel, D, J. Gantz, J. Rydning (2018): Data Age 2025. The Digitization of the World. From Edge to Core<\/em>. Framingham: International Data Corporation (IDC).<\/p>\n

[3] Haupt, S. E., J. Cowie, S. Linden, T. McCandless, B. Kosovic und S. Alessandrini (2018): „Machine learning for applied weather prediction.“ 2018 IEEE 14th international conference on e-science (e-Science), <\/em>S. 276-277.<\/p>\n

[4] Ahmad I., M. Yousaf, S. Yousaf und M. O. Ahmad (2020): „Fake news detection using machine learning ensemble methods.“ Complexity<\/em> vol. 2020, o. SS.<\/p>\n

[5] Ribli, D., A. Horv\u00e1th, Z. Unger, P. Pollner und I. Csabai (2018): „Detecting and classifying lesions in mammograms with deep learning.“ Scientific reports<\/em>, 8 (1), S. 1-7.<\/p>\n

[6] Mei, J., C. Desrosiers und J. Frasnelli (2021): „Machine learning for the diagnosis of parkinson’s disease: A review of literature.“ Frontiers in aging neuroscience<\/em>, 13, S. 1-41.<\/p>\n

[7] Liakos, K. G., Busato, P., Moshou, D., Pearson und S., Bochtis, D. (2018): „Machine learning in agriculture: A review“. Sensors<\/em>,18 (8), S.1-29.<\/p>\n

[8] Bohn, K. U. (2021): \u201eDer intelligente Zaun gegen den Wolf\u201c, URL: https:\/\/www.uni-bremen.de\/universitaet\/hochschulkommunikation-und-marketing\/aktuelle-meldungen\/detailansicht\/der-intelligente-zaun-gegen-den-wolf<\/a>, Abrufdatum: 30.08.2022.<\/p>\n

 <\/p>\n

Links:<\/strong><\/p>\n

Internetseite des DSC: https:\/\/www.dsc-ub.de\/<\/a><\/p>\n

Twitter Account des DSC: https:\/\/twitter.com\/DSC_unibremen<\/a><\/p>\n

Infos zum DSC Seed Grant: https:\/\/www.dsc-ub.de\/grant.php<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

von Svenja Goers Unsere Welt ertrinkt heutzutage regelrecht in Daten. Diese bringen gro\u00dfes Potential mit sich. Denn in ihnen stecken zahlreiche interessante Informationen und Erkenntnisse. Um diese zu gewinnen, m\u00fcssen Datens\u00e4tze jedoch sinnvoll ausgewertet werden. Dies erm\u00f6glicht die Disziplin Data Science (Datenwissenschaften). Doch was genau steckt hinter dieser noch relativ jungen Disziplin? Wie schafft sie […]<\/p>\n","protected":false},"author":12867,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"footnotes":""},"categories":[486],"tags":[103486,1010198,1010190,1010194,1010192,721348,721347],"class_list":["post-3219","post","type-post","status-publish","format-standard","hentry","category-informatik","tag-big-data","tag-data-mining","tag-data-science","tag-data-science-center-dsc","tag-datenwissenschaften","tag-deep-learning","tag-machine-learning","post-preview"],"_links":{"self":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts\/3219","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/users\/12867"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/comments?post=3219"}],"version-history":[{"count":8,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts\/3219\/revisions"}],"predecessor-version":[{"id":3235,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/posts\/3219\/revisions\/3235"}],"wp:attachment":[{"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/media?parent=3219"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/categories?post=3219"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogs.uni-bremen.de\/scienceblog\/wp-json\/wp\/v2\/tags?post=3219"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}