Big Data Wie uns die eigenen Daten verdächtig machen

Seite 4/5

Big Data zum Verbrechen zu verhindern

In Memphis, Tennessee, liefert ein Datenanalyseprogramm namens Blue CRUSH der Polizei relativ genaue Angaben, wo (einige Straßenblöcke) und wann (einige Stunden an bestimmten Wochentagen) sie ihre Kräfte konzentrieren sollte. Die Polizei in Richmond wiederum korreliert die Verbrechensstatistik mit zusätzlichen Daten. Die Richmonder Polizei hatte etwa den Verdacht, dass Waffenverkaufsmessen zu einem Anstieg der Gewaltkriminalität führten; die Big-Data-Analyse bestätigte das, allerdings mit der unerwarteten Feinheit, dass der Spitzenwert bei Gewaltverbrechen zwei Wochen nach einer Gun Show auftrat und nicht schon unmittelbar danach.

Diese Systeme versuchen Verbrechen zu verhindern, indem sie vorhersagen, wer sie begehen könnte. Dies weist auf einen neuen Verwendungszweck für Big Data hin: die Verhinderung von Verbrechen. Das mag nach Science-Fiction klingen, aber in der alltäglichen Banalität unserer Flughäfen werden erste Schritte gewagt. Ein Forschungsprojekt namens FAST im Auftrag des Heimatschutzministeriums der USA versucht etwaige Terroristen auszumachen, indem es Herzschlag, Atemfrequenz, Körpersprache und andere physiologische Faktoren verfolgt. Bei Tests habe das Programm, so das Heimatschutzministerium, zu 70 Prozent korrekt funktioniert. Allerdings bleibt unklar, was das genau bedeutet; mussten die Studienteilnehmer Terroristen spielen, damit ihre angeblichen bösen Absichten entdeckt würden?

Wie Unternehmen ihre IT-Systeme schützen können
Das Nationale Cyber-Abwehrzentrum im Gebäude des Bundesamtes für Sicherheit in der Informationstechnik Quelle: REUTERS
Eine Viren-Warnung auf einem Computer-Bildschirm Quelle: dpa
Ein Mann ist via WLAN mit seinem Laptop im Internet Quelle: dpa
Kabel an einem Server Quelle: dpa
Ein E-Mail-Postfach Quelle: AP
Eine Frau vor einem Computer Quelle: REUTERS
Eine Hand hält einen USB-Stick Quelle: dpa
Ein Mann an einem Laptop Quelle: AP
Einige Euro-Münzen und -Scheine Quelle: dpa

Potenzielle Täter bestrafen

Zunächst klingt es ja verlockend, ein Verbrechen zu verhindern, bevor es begangen werden kann. Ist das nicht bei Weitem einer nachträglichen Bestrafung des Täters vorzuziehen? Aber dieser Weg ist gefährlich. Wenn wir mithilfe von Big Data vorhersagen können, wer in der Zukunft ein Verbrechen begehen wird, sind wir möglicherweise nicht damit zufrieden, das Verbrechen zu verhindern, sondern wollen auch den potenziellen Täter bestrafen.

In vielen Fällen wird im Namen der Prävention die Datenanalyse bereits eingesetzt. Mit ihrer Hilfe werden wir in Gruppen von Menschen mit ähnlichen Eigenschaften eingeteilt und dann oft wie diese behandelt. In den USA verursachen Oberstufenschüler mit guten Noten statistisch gesehen weniger Verkehrsunfälle – für einige ihrer Mitschüler mit weniger guten Noten bedeutet das höhere Versicherungsprämien.

Das ist die Idee des sogenannten Profiling in der heutigen Small-Data-Welt: Man findet ein Merkmal in den Daten, legt eine Gruppe von Menschen fest, die alle dieses Merkmal aufweisen, und unterwirft sie besonderen Kontrollen. Im Gegensatz dazu funktionieren Big-Data-Vorhersagen anders: Die nichtkausale Big-Data-Analyse erkennt oft einfach die besten Vorhersagefaktoren aus dem Meer an verfügbarer Information. Das Wichtigste dabei ist, dass man mit Big Data versucht, auf Einzelne und nicht auf Gruppen abzuzielen.

Das klingt akzeptabel, wenn es nur darum geht, unerwünschtes Verhalten zu verhindern, wird aber gefährlich, sobald wir Big-Data-Vorhersagen dazu verwenden, um über Schuld und Strafe zu entscheiden für eine Tat, die noch gar nicht begangen wurde. Schon die Idee, jemanden lediglich aufgrund seiner Neigungen zu bestrafen, ist abstoßend. Jemandem eine mögliche zukünftige Tat vorzuwerfen, negiert den Kern von Gerechtigkeit: dass man etwas getan haben muss, bevor man dafür zur Verantwortung gezogen wird.

© Handelsblatt GmbH – Alle Rechte vorbehalten. Nutzungsrechte erwerben?
Zur Startseite
-0%1%2%3%4%5%6%7%8%9%10%11%12%13%14%15%16%17%18%19%20%21%22%23%24%25%26%27%28%29%30%31%32%33%34%35%36%37%38%39%40%41%42%43%44%45%46%47%48%49%50%51%52%53%54%55%56%57%58%59%60%61%62%63%64%65%66%67%68%69%70%71%72%73%74%75%76%77%78%79%80%81%82%83%84%85%86%87%88%89%90%91%92%93%94%95%96%97%98%99%100%