Data Driven Foresight

Es ist ein alter Menschheitstraum, die Zukunft vorhersagen zu können. Es gibt Systeme, für die das relativ gut funktioniert. Astrophysikalische Simulationen legen beispielsweise nahe, dass sich unsere Sonne in knapp fünf Milliarden Jahren zu einem Roten Riesen entwickeln wird. Die Entwicklung des Wetters in den nächsten zwei Wochen lässt sich dagegen nicht mit Gewissheit vorhersagen.

Und wie sieht es damit aus technologische, gesellschaftliche, politische, ökonomische oder sonstige Zukünfte „vorherzusagen“? Die Zukunftsforschung hat hierfür ein umfangreiches Portfolio an sehr unterschiedlichen Methoden entwickelt. Das Fraunhofer INT befasst sich seit Jahren intensiv mit diesen. Sie lassen sich grob gesprochen in qualitative und quantitative Ansätze unterteilen. Während zu ersteren klassische Ansätze wie die Delphi-Methode, verschiedene Workshop-Formate oder die Szenariotechnik gehören, umfassen quantitative Verfahren Methoden wie Bibliometrie, Forecasting und Patentanalysen. In den letzten Jahren wird zunehmend diskutiert, ob nicht Methoden aus dem Bereich der Künstlichen Intelligenz (KI) geeignet wären, das Methodenportfolio der Zukunftsforschung zu erweitern [1], ja ob nicht KI selbst zur Erforschung der Zukunft in der Lage sein könnte. 

In diesem Kontext ist das Konzept von Data Driven Foresight entstanden. Zentrale Fragestellung dieses Forschungsfeldes ist es datengestützte Methoden zu nutzen, um Aussagen über (technologische) Zukünfte zu generieren und um Foresight-Prozesse zu unterstützen. Mit Hilfe dieses Ansatzes sollen zukunftsbezogene Entscheidungen unterstützt und verbessert werden.

Das Konzept stützt sich auf drei Säulen. In der Praxis stehen meist konkrete Fragestellungen und Probleme im Zentrum, die entlang eines typischen Foresight-Prozesses aufkommen. So kann es darum gehen, im Rahmen einer Technologieanalyse ein Themenfeld zu strukturieren und neue Anwendungsfelder zu identifizieren. Oder man möchte wissen, welche Länder welche Forschungsschwerpunkte setzen, um dies für die Bewertung eines Themas zu nutzen. Oder es sollen im Rahmen eines Szenario-Prozesses Zukunftsbilder zu einem Thema erarbeitet werden. In diesen und vielen weiteren denkbaren Use Cases kann man nun fragen:

1. Kann ich diese Fragen mit Hilfe von Daten beantworten?
2. Welche Datenquellen benötige ich dafür?
3. Welche Methoden muss ich dafür nutzen?

Dies ist der Kern von Data Driven Foresight [2].

Dieser Kern wird zum einen durch die notwendigen Daten gebildet. Hier stehen eine ganze Reihe zum Teil sehr unterschiedlicher Datenquellen zur Verfügung. Das können Publikationsdaten, Patentdaten, ökonomische Daten oder auch Social Media-Daten sein. Aus technischer Sicht spielt dabei vor allem die Unterscheidung zwischen strukturierten und unstrukturierten Daten eine zentrale Rolle, da diese maßgeblich den Aufwand bestimmt, den man betreiben muss, um die Daten zu erschließen.

Um den Rohstoff "Daten" zu veredeln werden geeignete analytische Methoden benötigt, mit deren Hilfe Erkenntnisse extrahiert werden. Hier existiert eine große Auswahl an Ansätzen, die sich grob in klassisches Data Mining, in Text Mining und in Verfahren aus dem Bereich des maschinellen Lernens unterteilen lassen.

Zentral ist aber immer die konkrete Fragestellung, der sogenannte Use Case, der behandelt werden soll. Dieser bestimmt maßgeblich, welche Datenquellen in Frage kommen und welche Methoden genutzt werden müssen. Einen kleinen Überblick über einige solcher Use Cases, die in KATI implementiert wurden, finden Sie hier.

Mit KATI (Knowledge Analytics for Technology & Innovation) hat das Fraunhofer INT in den letzten Jahren ein System entwickelt, welches die Ideen/das Konzept von Data Driven Foresight umsetzt und nutzbar macht.

Literatur

[1] Steinmüller, Karlheinz ; Burchardt, Aljoscha ; Gondlach, Kai ; Gracht, Heiko von der ; Kisgen, Stefanie ; Ellermann, Kai ; Martini, Melanie ; John, Marcus: Kann Künstliche Intelligenz Zukunftsforschung? ‐ Ein spekulativer Impuls. In: Zeitschrift für Zukunftsforschung 2022 (2022), Nr. 1, URL https://www.zeitschrift-zukunftsforschung.de/ausgaben/1/5527 (abgerufen am 06.03.2023)

[2] John, Marcus: Data driven foresight - Technologiefrühaufklärung im Zeitalter von Big and Linked Data. Ein Werkstattbericht. In: Gausemeier, Jürgen; Bauer, Wilhelm; Dumitrescu, Roman (Hrsg.): Vorausschau und Technologieplanung. Paderborn, 2018 (HNI-Verlagsschriftenreihe, 385), S. 409–421