Allgemeines

Buendelung und Aufbau der notwendigen Kompetenzen fuer eine staatliche Wissensorganisation auf dem Stand der Zeit ist prinzipiell zu begruessen. Hier waere es wichtig, vor allem Fuehrungs- und Entscheidungsrollen durchweg fachlich zu besetzen, d.h. ggf. Doppelspitzen zu bilden, die sowohl die notwendige Fachlichkeit in Rechts- und Verwaltungswissenschaften, aber vor allem auch in Informatik, IT- und Wissensarchitektur ausreichend erfuellen. Die reine begleitende Weiterbildung von Personen ohne tiefe praktische Erfahrung im Aufbau solcher Architekturen hat sich in der Vergangenheit nicht bewaehrt.

Relevant ist hier vor allem ein tiefer praktischer Einblick in die zu schaffenden notwendigen organisatorischen und infrastrukturellen Voraussetzungen, die bei der Infrastruktur in der Regel am buchstaeblichen Fundament der staatlichen IT-Architektur beginnen. Das heisst, hier ist ein tiefes Verstaendnis erforderlich, warum z.B. Datenportale weder notwendige noch hinreichende Voraussetzung fuer strategisch weitsichtige Datenarchitekturen sind, und wie das Ziel von Linked Data mit maschinenlesbarer Semantik erreicht werden kann. Das ist unmittelbar mit Themenfeldern wie der Registermodernisierung verknuepft!

Bei anzuwendenden Standards gilt es vor allem, etablierte und bewaehrte Modelle zu verfolgen und stets auch unmittelbar praktisch zu verproben.

Keinesfalls sollte das Land sich verleiten lassen, nationale oder gar subnationale Sonderwege zu standardisieren. Das bedeutet z.B. einen Fokus auf die bewaehrten und von der EU vorgeschlagenen Creative-Commons-Lizenzen anstatt des rechtlich fragwuerdigen Sonderwegs der sogenannten Datenlizenz Deutschland.

Der Passus um die Verwendung von mehr Daten – insbesondere personenbezogener Daten – „fuer das Training von KI“ irritiert. Es scheint, als wuerden unter „KI“ lediglich konnektionistische (trainierbare) Systeme verstanden werden.

Der strategische Fokus der Landesregierung sollte unbedingt auf den Einsatz symbolischer KI-Ansaetze gelegt werden – nur dieser Weg sorgt gleichzeitig fuer die notwendigen Voraussetzungen, die in den Handlungsfeldern Datenmanagement, Organisation und Technische Infrastruktur erwaehnt werden.

Insbesondere sind fuer die staatliche Verwaltung, die regelbasiert und nach Prinzipien wie dem Gleichheitssatz vorgehen soll, konnektionistische KI-Modelle und insbesondere generative KI durch ihren probabilistischen Ansatz fuer viele Anwendungsfaelle schlicht ungeeignet. Symbolische KI-Modelle, die auf interoperablen semantischen Daten aufbauen, schaffen hier deterministische und verlaessliche Auskuenfte und gehen nicht mit Seiteneffekten wie dem immensen Energieaufwand generativer KI einher, die auch im eklatanten Widerspruch zu bestehenden Beschlusslagen z.B. zu den Sustainable Development Goals stehen.

Die Schaffung von Datenkompetenz in der Breite ist prinzipiell begruessenswert. Hier sind jedoch Analogien zu allgemeiner IT-Kompetenz erkennbar: Prinzipiell waere es auch wuenschenswert, wenn viel mehr Menschen in Verwaltung, Wissenschaft, Wirtschaft und Zivilgesellschaft ein viel tieferes Verstaendnis von IT und IT-Architektur haetten. Grundsaetzlich ist jedoch bereits viel erreicht, wenn Anwendungen, Produkte und Verfahren mit einem tiefen Verstaendnis von Datenkompetenz entwickelt werden, und die sich auch von Laien mit weniger stark ausgepraegter Datenkompetenz einfach und komfortabel bedienen lassen.

Begruessenswert waere bei der Entwicklung von Datenkompetenz ein starker Fokus beispielsweise auf das 5-Sterne-Modell fuer Daten, durch das die unterschiedliche Wiederverwendbarkeit verschiedener Datenhaltungsformen durch maschinelle Auswertung verstaendlicher wird. Ziel sollte ein besseres Verstaendnis sein, bis zu welcher Ebene (Symbole, Fakten, Information, Wissen) ein Informationsbestand maschinenlesbar ist und ab welcher Ebene eine Interpretation aufgrund der gewaehlten Repraesentation nur noch menschlich moeglich ist. Insbesondere ein Bewusstsein fuer den Unterschied der Datenablage in Dokumenten (vorwiegend nur menschlicher Interpretation zugaenglich) und in Wissensgraphen (Wissensinterpretation auch semantisch-maschinell moeglich) ist elementar.

Wichtige Kompetenzziele fuer Data Literacy koennten sein: 1) Verstaendnis, dass eine Datenerhebung fast immer eine mit Reduktion und Auswahl einhergehende Modellierung der Realitaet ist; 2) dass die gewaehlte Auswahl, das gewaehlte Modell, die gewaehlte Klassifizierung etc. bestehende Annahmen oder systemische Strukturen reproduzieren kann; 3) Faehigkeit zur kritischen Quellenbewertung anhand dieser Faktoren; 4) Verstaendnis fuer semantische Kodierung von Sachverhalten.

Ergaenzend koennte eine Einordnungskompetenz sinnvoll sein, wann und auf welcher Rechtsgrundlage Daten frei weitergegeben werden duerfen und wann nicht. Insbesondere die Unterscheidung zwischen kreativer Schoepfung (z.B. digitale Fotografie als in digitalen Symbolen vorliegende urheberrechtlich relevante Schoepfung) und reinen Fakteninformationen (z.B. Messwerte, akkurate Klassifizierung von Sachverhalten, mit denen keine Immaterialgueterrechte begruendet werden koennen). Genauso die Aufloesung des Eigentumsbegriffs an Daten und eine praezisere Begriffsbestimmung, wann aufgrund welcher Rechtsgrundlagen trotz nicht existenter Eigentumsrechte eine Weitergabe eingeschraenkt sein koennte (z.B. Personenbezug/Datenschutz)