Big Data Anwendungen ... selbst gedacht.

Präsentation zum Thema: "Big Data Anwendungen ... selbst gedacht."—  Präsentation transkript:

1 Big Data Anwendungen ... selbst gedacht

2 Angenommen ... Sie sind bei Google zuständig für die Entwicklung neuer Projektideen. Sie können davon ausgehen dass Daten aller Arten in fast unbegrenztem Umfang zur Verfügung stehen oder besorgt werden können dass Ihre Techniker mit Methoden des Maschinellen Lernens aus den Mustern in diesen Daten versteckte oder zukünftige Informationen ableiten können (mit hoher statistischer Wahrscheinlichkeit) Welche Big Data Projekte schlagen Sie Ihrem Team vor?

3 Entwickeln Sie mehrere Vorschläge
Spezifizieren Sie Ziel bzw. Wert dieser Anwendung. Für wen / wozu wäre sie nützlich? Wie liesse sich evtl. Geld damit verdienen? Spezifizieren Sie die benötigten Daten Welche Arten von Daten werden benötigt? Woher könnte man diese Daten bekommen? Spezifizieren Sie die Auswertung (E-V-A) Was genau ist die Eingabe? Was genau wird ausgegeben? (grob) Welche Art von Verarbeitung wäre nötig?

4 Stellen Sie Ihre beste Idee vor
Spezifizieren Sie Ziel bzw. Wert der Anwendung. Spezifizieren Sie die benötigten Daten Spezifizieren Sie die Auswertung (E-V-A)

5 Stellen Sie Ihre beste Idee vor ( die anderen steuern Ihre Einschätzung bei)
Spezifizieren Sie Ziel bzw. Wert der Anwendung.  Sehen Sie den Wert / Nutzen dieses Projekts? Spezifizieren Sie die benötigten Daten  Ist das eine realistische Datenbasis? Spezifizieren Sie die Auswertung (E-V-A) Könnte das funktionieren? Sind die zu extrahierenden Informationen in der Eingabe enthalten? Braucht es eine zeitliche Komponente?

6 Meine Big Data Idee: Was halten Sie davon? Zielsetzung/Wert:
Kantischüler kosten den Staat/Kanton viel Geld. Manche schaffen aber den Abschluss nicht – hier wird nicht nur Geld verschwendet sondern auch die Zeit aller Betroffenen. Das Ziel ist es, diese Verschwendung mithilfe von Big Data zu reduzieren, indem der Zugang zur Kanti auf diejenigen beschränkt wird, für die sich eine hohe Maturwahrscheinlichkeit vorhersagen lässt. Datenbasis: Informationen des Kantons über seine Schüler, z.B. vorherige Noten, Disziplinarisches, Wohnort, ggf. familiärer Hintergrund, etc. Zusätzlich werden einfach zugängliche Metadaten des digitalen Lebens verwendet, z.B. genutzte Dienste (inkl. Umfang und Zeiten), Standortdaten, etc. Auswertung: Alle persönlichen Informationen über eine Person (s.o.) dienen als Eingabe, ausgegeben wird die Maturwahrscheinlichkeit (ggf. auch die Saldopunktzahl). Ein lernendes System wird mit 80% der Daten bisheriger Schüler trainiert, seine Generalisierung wird an einem Testset (20% der Daten) validiert. Wenn die Fehlerwahrscheinlichkeit dabei klein bleibt, wird das System ab dem kommenden Schuljahr angewendet – nur wer eine Maturwahrscheinlichkeit von über 95% aufweist, darf an die Kanti.

7 Ihre Big Data Ideen Denken Sie erneut über die Ideen aus der vorherigen Lektion nach, diesmal möglichst kritisch. Sehen Sie inzwischen, welche Probleme es mit Ihrer Anwendung geben könnte? Bezogen auf Einzelfälle Bezogen auf gesellschaftliche Folgen Wiegt der Wert / Nutzen der Anwendung die möglichen Probleme auf? Formulieren Sie ein Urteil

8 Und existierende Big Data Anwendungen?
Formulieren Sie ein kritisches Urteil zu Big Data Anwendungen, die bereits im Einsatz sind Suchen Sie sich dafür ein eigenes Beispiel oder informieren Sie sich über eines aus dieser Liste: Predictive Policing Personalized Pricing Google Flu Trends ...