Historische Trends und vorhandene Zukunfts

szenarien

Für die vorliegende Studie ist vor allem interes-sant, wie sich bisherige bzw. aktuelle Trends der Digitalisierung zukünftig fortsetzen. In der Litera-tur finden sich Daten zur bisherigen Entwicklung, Beschreibungen der aktuellen Situation sowie Szenarien und Prognosen für die nahe Zukunft (Zeitraum bis 2025, z. B. hilbert (2015), reinsel

et al. (2018), cisco (2019). Für die mittelfristige Zukunft bis 2030 gibt es zum einen Analysen zu den wirtschaftlichen und gesellschaftlichen Mög-lichkeiten (stone et al. 2016; rAo & VerWeiJ

2017; bughin et al. 2018), zum anderen quanti-tative Prognosen zur Energienachfrage, wobei letztere meist auf einer Extrapolation aktueller Trends ohne nähere Rationalisierung beruhen z. B. AndrAe & edler (2015). Für den Zeitraum bis 2040 existieren nur allgemeinere Szenarien wie die SSPs und der World Energy Outlook, die nicht oder nur in geringem Umfang auf Digitalisierungs-trends eingehen (riAhi et al. 2017; IEA 2019). Im Folgenden werden wesentliche Trends

zusam-mengefasst und Schlussfolgerungen für die eige-nen Szenarien bis 2040 gezogen.

Daten und Prognosen zur Entwicklung zen-traler Kennzahlen der digitalen Infrastruktur zwischen 1985 und 2025: Kapazitäten und Aufkommen in der Datenspeicherung, -übertragung und -berechnung

Im Allgemeinen verläuft die Diffusion neuer Technologien so, dass der Bestand an den ent-sprechenden Produkten (oder auch Anlagen, Dienstleistungseinheiten, etc.) über die Zeit eine S-Kurve bildet (s. Kapitel 1.5). Dieser empiri-sche Befund kann mit verschiedenen Modellen erklärt werden, wobei epidemiologische Modelle und Kosten-Nutzen-Modelle zwei grundsätzliche Strömungen darstellen. Bei den kostenbasier-ten Modellen nimmt man an, dass die Koskostenbasier-ten für eine Innovation mit der Zeit durch Skalenef-fekte etc. fallen, so dass sich die Anschaffung zu unterschiedlichen Zeitpunkten für Menschen mit verschiedenem verfügbaren Budget als sinnvoll erweist, woraus sich der s-kurvenförmige Verlauf ergibt. Somit ist die s-kurvenförmige Technologie-diffusion nach diesem Erklärungsansatz stets mit einem technologischen Fortschritt und entspre-chenden Kostenreduktionen verbunden.

Auch bei vielen digitalen Technologien überlagert sich die Marktdiffusion mit dem technologischen Fortschritt, der sich allerdings in anderen Grö-ßenordnungen abspielt, als dies für nicht-digitale Technologien der Fall ist. Das klassische Beispiel hierfür ist das Moore‘sche Gesetz, laut dem sich die Anzahl der Schaltkreiskomponenten auf einem integrierten Schaltkreis oder auch die Anzahl der Transistoren pro Flächeneinheit in regelmäßi-gen Zeitabständen verdoppelt. Die Zeitabstände betrugen in der Anfangszeit (1965 – 1970) ca.

zwölf Monate, und verlangsamten sich dann auf 24 Monate. Auf diesem hohen Niveau blieben sie über Jahrzehnte, eine Verdopplung aller zwei Jahre wird zwischen 1970 und 2020 gesehen.

Das Moore‘sche Gesetz ist entscheidend für die zur Verfügung stehende Rechenleistung.

In Analogie dazu besagt das Edholm‘sche Gesetz, dass sich die verfügbare Bandbreite alle 18 Monate verdoppelt. Die Arbeiten von hilbert &

lóPez (2011) und hilbert (2015) untersuchen die exponenzielle Entwicklung der global verfügbaren

Kapazität für die Speicherung und Übertragung von Daten, zunächst von 1986 – 2007, in einem späteren Update bis 2014. Die Datenspeicher-kapazität wuchs demnach in den 21 Jahren zwi-schen 1986 und 2007 mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 31 % ca.

5-mal so schnell wie die Weltwirtschaft. 2014 war eine globale Speicherkapazität von 4,6 Zettaby-tes (1 ZB = 10²¹ Bytes) erreicht, während sie 1986 noch 2,6 Exabytes (1 EB = 10¹⁸ Bytes) betrug.

Die globale Kapazität zur Übertragung von Daten mittels Informations- und Kommunikationstechnik (IKT) wuchs von 1986 mit 7,5 Petabits (1 Pb = 10¹⁵ bits) bis 2014 auf 25 Exabits (1 Eb = 10¹⁸ bits) mit einer CAGR von 35 %. Diese Schätzungen beinhalten alle verfügbaren Geräte mit ihrer jewei-ligen Maximalkapazität und unter der Annahme, dass alle Daten optimal komprimiert werden (hil

-bert & lóPez 2011). Es handelt sich also um ein theoretisches Gesamtpotenzial, das praktisch nicht ausgenutzt wird, aber dennoch die Entwick-lung über mehrere Jahrzehnte anhand konstanter Indikatoren beschreiben kann. Die Wachstums-raten resultieren somit aus der anfangs beschrie-benen Überlagerung von Technologiefortschritt und Technologiediffusion, wobei man den tech-nologischen Fortschritt noch einmal in Hardware-entwicklung und SoftwareHardware-entwicklung unterteilen kann. Der technologische Software-Fortschritt ist ein wichtiger, oft unterschätzter Treiber. So konnte 2007 dank Formaten wie ZIP, GIF, JPEG, MPEG die gleiche Hardware 3-mal so viel Daten senden wie in 1986 (hilbert 2014). Laut hilbert (2014) ist der technologische Fortschritt von Hard- und Software insgesamt ca. 2- bis 6-mal relevanter für die jährlichen Wachstumsraten von Speicher- und Übertragungskapazität, wie die Technologiediffu-sion, also die weitere Verbreitung von Speicher- und Übertragungskomponenten. Daraus kann geschlussfolgert werden, dass die Speicher- und Übertragungskapazität deutlich stärker wächst, als der dafür erforderliche Rohstoffbedarf.

cisco (2017) stellt historische Daten zum Traffic, also zu den tatsächlich übertragenen Datenmen-gen, zur Verfügung, s. Abb. 1.11. Diese Werte resultieren ebenfalls aus der Überlagerung von Technologiediffusion, also der weiteren Verbrei-tung der Komponenten, und dem technologischen Fortschritt, also den erweiterten Möglichkeiten pro Komponente durch Hardware- und Software-Innovationen. Es ergibt sich bspw. für die via fest installiertem Internet übertragenen Daten für die

20 Jahre zwischen 1997 und 2017 eine CAGR von 67 %. Dies ähnelt aktuellen Wachstumsraten beim mobilen Traffic (z. B. 2012 – 2017: 68 % CAGR).

Aus Abb. 1.11 wird allerdings auch deutlich, dass die jährlichen Wachstumsraten kleiner werden, so dass sich ein s-kurvenförmiger Verlauf ergibt. Dies ist zu erwarten, da die übertragenen Datenmen-gen an sich eine sehr kurze Lebensdauer (nahe 0) haben (s. Abb. 1.13 im Kapitel 1.5). Ein ähnlicher Verlauf der Wachstumsraten ist für die benötig-ten Energiemengen zu erwarbenötig-ten, allerdings deut-lich gedämpft, weil diese durch die von Hard- und Softwareinnovationen ermöglichte Effizienz- bzw.

Leistungssteigerung mit geringeren Wachstums-raten wachsen. Diese Dämpfung betrifft auch den Rohstoffbedarf für die entsprechenden Kompo-nenten. Dabei ist jedoch zusätzlich zu beachten, dass diese Komponenten eine lange Lebensdauer haben (belKhir & elMeligi 2018), so dass der zeit-liche Kurvenverlauf eher der 1. Ableitung einer gestauchten Kurve analog zu Abb. 1.12 entspre-chen sollte, siehe auch Abb. 1.13 in Kapitel 1.5.

Es folgt also: Die Entwicklung des Rohstoffbedarfs ist gegenüber der Entwicklung der übertrage-nen Datenmengen deutlich gedämpft, zum eiübertrage-nen durch Effizienzfortschritte, zum anderen durch die Tatsache, dass Daten permanent übertragen wer-den, während Infrastrukturkomponenten nur mit größeren zeitlichen Abständen erneuert werden.

Deutlich wird dieser Unterschied auch, wenn man zum Vergleich das Wachstum der jährlichen glo-balen Investitionen in Rechenzentren heranzieht.

Hier findet man je nach Quelle für den Zeitraum zwischen 2010 und 2014 eine CAGR von 15 % (dAtAcenterdynAMics 2015) bzw. für den Zeit-raum zwischen 2012 und 2019 eine CAGR von 6 % (gArtner 2020).

In Prognosen für die nahe Zukunft (bis ca. 2025) findet man ähnlich beeindruckende Wachstums-raten für die Datenübertragung oder auch Daten-erzeugung (reinsel et al. 2018; cisco 2019), wie in den historischen Daten. So prognostizierte cisco (2018) ein Wachstum des Rechenzentren-traffics von 2016 bis 2021 von 6 ZB auf 19,5 ZB, wobei Daten von Unternehmen und Konsumen-ten berücksichtigt sind (CAGR 27 %). Ausschlag-gebend für den Infrastrukturausbau ist der Busy-Hour-Traffic, dieser steigt um einen Faktor von 4,6 (cisco 2019). Die in Rechenzentren gespeicherte Daten wachsen im selben Zeitraum mit einer CAGR von 36 % auf 1,3 ZB in 2021. Der Anteil

von Big Data an diesen Daten steigt von 18 % auf 30 %. 5,9 ZB werden laut cisco (2018) in 2021 auf Endgeräten gespeichert. In Abb. 1.11 ist zu erken-nen, dass die aktuellen Prognosen eine Fortset-zung des Wachstums mit kontinuierlich kleiner werdenden Wachstumsraten bedeuten. Es folgt:

Für die Zukunft erscheinen aus dem historischen Verlauf weiterhin hohe, aber kontinuierlich abneh-mende Wachstumsraten für die übertragenen und gespeicherten Datenmengen wahrscheinlich.

Parallel wird das Marktwachstum von Rechen-zentren mit geringeren Wachstumsraten prog-nostiziert. technAVio (2019) erwartet für den glo-balen Rechenzentren-Markt zwischen 2019 und 2023 eine CAGR von 17 %. MArKet reseArch

Future (2021) nimmt zwischen 2017 bis 2023 ein Wachstum mit CAGR 11 % an. Dies bestätigt der oben bereits beschriebene Effekt: Durch techno-logische Effizienzsteigerungen ist ein geringeres Wachstum für Infrastrukturkomponenten als für Datenmengen zu erwarten.

Noch deutlicher wird dies bei Szenarien zu den Infrastrukturkomponenten selbst. berWAld et al.

(2015) nehmen an, dass sich die Anzahl der Ser-ver in Europa von 9,3 Mio. in 2014 auf 12,8 Mio.

in 2030 erhöhen wird, wobei die Rechenleistung der Server freilich nicht vergleichbar ist.

Aktuelle und zukünftige Treiber des Ausbaus der digitalen Infrastruktur

Um die Entwicklung von Datenmengen und zugrundeliegenden Infrastrukturkomponenten besser zu verstehen, lohnt sich ein Blick auf die historischen, aktuellen und zukünftigen Treiber von Technologiediffusion und technologischem Fortschritt auf globaler Ebene. Diese kann man grundsätzlich unterscheiden in (A) den prinzipiel-len Zugang zur digitaprinzipiel-len Infrastruktur und (B) die Nutzungsintensität. Die Rollen von prinzipiellem Zugang und Nutzungsintensität für die Entwick-lung der übertragenen und gespeicherten Daten lassen sich besser verstehen, wenn in verschie-dene Ländern in Abhängigkeit von deren Einkom-menslevel differenziert wird. In Analogie zu hil

-bert (2015; 2019) sowie duttA & lAnVin (2019) wird zur Differenzierung die Weltbank-Untertei-lung in Länder mit (1) hohem, (2) höherem mitt-leren, (3) niedrigerem mittleren und (4) niedrigem Einkommenslevel verwendet.

Die Teilhabe an der globalen, digitalen Infrastruk-tur korreliert stark mit dem Einkommenslevel der jeweiligen Länder. hilbert (2015; 2019) nennt dies den Digital Divide und nutzt als Indikator das Verhältnis der Anteile der Länder mit hohem Ein-kommenslevel zum Rest der Welt. Für den prinzi-piellen Zugang zur Infrastruktur ist dieses Verhält-nis seit langer Zeit konstant abnehmend, so dass von einer globalen Breitendiffusion gesprochen werden kann. Da schon vergleichsweise viele Menschen einen Zugang haben, flacht dieses Wachstum allmählich ab. Es ist getrieben von der gesamtwirtschaftlichen Entwicklung und nicht von technologischer Innovation. So hatten 2018 51 % der Weltbevölkerung Zugang zum Internet, 2023 werden es laut cisco (2019) 66 % der Weltbevöl-kerung sein, was einer CAGR von 6 % entspricht.

Der Anteil der Menschen, die über ein Handy ver-fügen, soll von 66 % der Weltbevölkerung in 2018 auf 71 % in 2023 wachsen (CAGR 2 %, (cisco

2019)). In Ländern mit geringem Einkommensle-vel haben mehr Menschen ein Handy als einen festen Internetzugang, so dass Smartphones eine dominante Rolle beim primären Internetzugang spielen.

Bezüglich der verfügbaren Bandbreite nahm das Verhältnis der Anteile in Ländern mit hohem Ein-kommen zum Rest der Welt („Digital Divide“) bis zum Jahr 2000 ebenfalls ab, was mit der globalen Diffusion von 2G und Schmalbandübertragung zu begründen ist. In den Jahren zwischen 2001 und 2008 stieg der Digital Divide durch die Einführung der Breitbandtechnologie (sowohl fest installiert als auch mobil) in Ländern mit hohem Einkom-menslevel. Seit 2008 kann man durch die globale Diffusion der Breitbandtechnologie wieder ein Abnehmen des Digital Divide beobachten. Eine ähnlich versetzte Entwicklung ist auch für zukünf-tige Infrastrukturinnovationen wahrscheinlich.

2007 hatten Länder mit hohem Einkommenslevel 18-mal mehr Bandbreite pro Kopf, 2017 waren es noch 2,6-mal mehr.

Laut duttA & lAnVin (2019) haben Länder mit hohem Einkommenslevel auch zukünftig bessere Voraussetzungen, von der digitalen Transforma-tion zu profitieren. Sie haben nicht nur in der Ver-gangenheit stärker in IKT investiert, sondern wer-den dies auch in naher Zukunft tun. Zudem haben sie bessere Möglichkeiten, Zukunftstechnologien zu identifizieren und in sie zu investieren. Daher zeichnet sich laut duttA & lAnVin (2019) ein

gene-reller Trend ab: Je geringer das Einkommensle-vel eines Landes, desto geringer sein Network Readiness Index. Hinzu kommt, dass Länder mit hohem Einkommenslevel einen höheren Anreiz haben, in Automatisierung etc. zu investieren, weil sie höhere Arbeitskosten haben (rAo & VerWeiJ

2017; bughin et al. 2018). In Ländern mit gerin-gerem Einkommenslevel werden KI-Technologien daher sehr viel weniger bzw. langsamer übernom-men. Andererseits werden große Potenziale zum Leap Frogging gesehen (rAo & VerWeiJ 2017):

Länder mit heute geringem Einkommenslevel können dabei in ihrer wirtschaftlichen Entwick-lung bestimmte Phasen überspringen, die Länder mit heute hohem Einkommenslevel durchlaufen haben. Beispielsweise kann das erste Handy bereits ein Smartphone sein, oder anstelle von papierdominierten Fernunis etabliert sich das E-Learning direkt.

Neben dem Einkommenslevel haben aber auch politische Maßnahmen starken Einfluss auf die Möglichkeiten zur digitalen Teilhabe in verschie-denen Ländern (hilbert 2015). So haben Anfang 2000 Japan und Südkorea massiv in den Ausbau der Glasfaserinfrastruktur investiert. Seit 2010 ist die Bandweite auch in China und Russland stark gestiegen (hilbert 2015). China hat eine starke KI-Strategie und bereits heute die zweitmeisten KI-Patente nach den USA (bughin et al. 2018).

rAo & VerWeiJ (2017) erwarten, dass die USA im Bereich KI in naher Zukunft noch dominieren werden, dann aber von China überholt werden.

Weiterhin wird erwartet, dass China weltweit den größten Nutzen aus KI-Technologien ziehen kann, da sich aus der starken Produktionsausrichtung der Wirtschaft besonders viele Potenziale durch Automation und Digitalisierung ergeben.

Ein Fortsetzen der aktuell bestehenden Unter-schiede zwischen verUnter-schiedenen Ländern wird in SSP2 abgebildet, wohingegen SSP1 und SSP5 von einer stärkeren Angleichung bzw. einem star-ken Aufholen der Länder mit geringerem Einkom-menslevel ausgehen.

2017 hatten Länder mit hohem Einkommen 25 % der Zugänge, aber 43 % der Bandbreite (hilbert

2019), wobei sie 15 % der Weltbevölkerung stel-len. Neue technologische Anwendungen, die in der Regel datenintensiv sind, stellen den wesent-lichen Wachstumstreiber der Datenmengen in Ländern mit hohem Einkommen dar (cisco 2018;

cisco 2019). Zwar sind die Wachstumsraten ähn-lich in allen Weltregionen (ca. 30 % bis 2023, (cisco 2016)), allerdings wirkt sich das innova-tionsgetriebene Datenwachstum in Ländern mit hohem Einkommenslevel stärker auf das glo-bale Datenwachstum aus, weil das Wachstum hier zwar mit ähnlicher CAGR, aber von einem wesentlich höheren Grundniveau aus stattfindet.

Die wichtigsten Entwicklungen in Ländern mit hohem Einkommenslevel werden im Folgenden erläutert.

Cloud-Computing

Cloud-Computing beschreibt die zentrale Bereit-stellung von Speicherplatz, Rechenleistung oder Anwendungssoftware auf Servern, die mittels digitaler Übertragungsinfrastruktur auf Endgerä-ten verfügbar wird. Diese KapazitäEndgerä-ten müssen somit nicht mehr auf einzelnen Endgeräten ver-fügbar sein, zudem ist ein Zugriff von verschiede-nen Endgeräten möglich.

Cloud-Computing wird aktuell als Hauptreiber für steigenden Datentraffic und zunehmende Datenspeicherung in Rechenzentren betrachtet (cisco 2018). Die lokale Datenspeicherung ver-liert demgegenüber immer mehr an Bedeutung (reinsel et al. 2018). Verursacht ist dies wiede-rum durch gesteigerte Möglichkeiten dank ver-besserter Übertragungstechnologien, aktuell z. B.

5G, sowie neuer Architekturen wie Multicloud und hybride Cloud, die die Nutzung insbesondere für Unternehmen attraktiver machen (technAVio

2019). Bereits 2014 waren 20 – 40 % aller Daten laut hilbert (2015) in der Cloud gespeichert. Zu den aktuellen Trends zählt auch eine Dezentra-lisierung der Cloudspeicherung, einerseits durch semizentrale Speichersysteme (Edge Compu-ting), andererseits durch steigende Anteile von Cloudservices außerhalb der USA, die eine stär-kere Verteilung der Rechenzentren auf verschie-dene Weltregionen bewirkt. Beides verbessert Latenzzeiten, Kontrollmöglichkeiten und macht den Datentransport effizienter. Weitere Effizienz-steigerungen werden vom vermehrten Einsatz von HyperScale-Rechenzentren erwartet. Diese Effizienzsteigerungen ermöglichen wiederum eine stärkere Gesamtnachfrage durch Preissen-kungen und die Ermöglichung neuer Anwendun-gen, so dass insgesamt von steigendem Traffic und steigender Speicherung ausgegangen wird.

Laut cisco (2018) betrug der Anteil von Cloudan-wendungen am Gesamttraffic 88 % im Jahr 2016;

für 2021 wird ein Anstieg dieses Anteils auf 95 % prognostiziert. Auch hier gilt wieder zu unterschei-den: die gespeicherten Daten sind ein Bestand, zu dem jährlich etwas dazu kommt, während es beim Traffic keinen Bestand, sondern nur das jährliche Aufkommen gibt. Streaming, Gaming und Social Media stellen die Hauptanteile des von Konsumenten verursachten Cloudtraffics, und diese Anteile nehmen weiter zu (cisco 2018).

Internet der Dinge (IoT)

Technische Details und Entwicklungen zum IoT können im Kapitel 3.2.8 nachgelesen werden.

Vom IoT werden hohe Wachstumsimpulse auf Datenmengen erwartet, da viele Anwendungen Videofunktionen beinhalten, sowie eine hohe Auf-lösung und geringe Latenz benötigen (z. B. auto-nomes Fahren). Zwar ist die Menge der erzeugten Daten um zwei Größenordnungen höher als die Menge der gespeicherten Daten (cisco 2018).

Dennoch wird erwartet, dass von IoT-Anwendun-gen große Impulse auf die Cloud-Speicherung ausgehen (reinsel et al. 2018).

Videoanwendungen

Insgesamt werden von Videoanwendungen die stärksten Wachstumsimpulse auf Datenspeiche-rung und Datenübertragung erwartet. In China wird laut reinsel et al. (2018) die Videoüberwachung eine zentrale Rolle bei den Videoanwendungen einnehmen. In Ländern mit hohem Einkommens-level wird das stärkste Wachstum hingegen in der Unterhaltungsbranche durch Streaming, Gaming und Social Media erwartet. So geht cisco (2019) von einer zunehmenden Verbreitung von inter-netfähigen TV-Geräten aus, deren Auflösung zudem kontinuierlich gesteigert wird: 66 % der in 2023 neu angeschafften TV-Geräte sollen dem-nach UHD-fähig sein (CAGR 30 %), wobei UHD („Ultra High Definition“ bzw. ultrahochauflösende Videos) bzw. 4K der doppelten Auflösung von HD („High Definition“ bzw. hochauflösende Videos) entspricht, welches wiederum die 9-fache Auflö-sung von SD („Standard Definition“ bzw. normal auflösende Videos) darstellt. Über 2023 hinaus wird sich dieser Trend laut cisco (2019) mit 8K und Wall-TV fortsetzen. Wie eingangs

beschrie-ben erfordern neue Anwendungen bessere Über-tragungsraten und mehr Speicher bzw. schnellere Übertragungsraten, und bessere Speichermög-lichkeiten ermöglichen neue Anwendungen. Die-ses Wechselspiel kann sich theoretisch beliebig fortsetzen, eine Sättigung scheint nicht abseh-bar. Denkbar wäre ein Abschwächen des Trends, wenn sich zukünftig in anderen Konsumbereichen interessantere Entwicklungen ergeben. So gab es im Bereich Robotik schon Anwendungen, für die geringes Kaufinteresse bestand (stone et al.

2016). Ein Abschwächen des Wachstumstrends kann aber auch durch eine Beschränkung auf ein Kosumniveau innerhalb nachhaltiger Grenzen erfolgen. Letzteres kann im zum SSP1 gehörigen Szenario abgebildet werden, während der unein-geschränkte Konsum in SSP5 abgebildet werden kann.

Mobile Daten

Der Trend beim mobilen Datentransfer gleicht prinzipiell der Entwicklung der Datenübertragung über fest installierte Internetanschlüsse (s. Abb.

1.11). Da diese technologische Entwicklung später begonnen hat, sind die Wachstumsraten aktuell noch höher. Auch hier sind Videoanwen-dungen der wesentliche Treiber für den Datenver-kehr, 2017 machten sie bereits 59 % der mobilen Datenübertragung aus. Der mobile Datentransfer ist im Vergleich zur Übertragung durch fest ins-talliertes Internet wesentlich energieintensiver.

Mobil vernetzte IoT-Geräte (z. B. GPS im Auto, mobile Überwachung von Gütern in Produktion und Transport, Patientenüberwachung) sollen laut cisco (2019) zwischen 2018 und 2023 mit einer CAGR von 30 % wachsen. Smartphones nehmen allerdings nur mit einer CAGR von 8 % zu, andere Handys nehmen global sogar ab, so dass sich insgesamt eine CAGR von 8 % für mobil vernetzte Geräte ergibt (cisco 2019). Seit 2014 hat die Diffusion von Smartphones auch für ins-gesamt zunehmende Bandbreiten in Ländern mit höherem mittleren Einkommen in Asien gesorgt.

Bei den Übertragungsgeschwindigkeiten als Enabler für neue Entwicklungen bei Streaming, Gaming und Social Media prognostiziert (cisco

2019) folgende Anstiege zwischen 2018 und 2023:

– Breitband 46 Mbps → 110 Mbps, – Mobile Daten 13 Mbps → 44 Mbps, – WiFi 20 Mbps → 92 Mbps.

Als neues Netzwerksystem könnten sich in Ländern mit hohem Einkommenslevel Low-Power-Wide-Area-Netzwerke (LPWA) für IoT-Anwendungen mit geringen Anforderungen an die Bandbreite, aber großen Anforderungen an die geographische Abdeckung etablieren (z. B. zur Haustierüberwachung).

Künstliche Intelligenz

Der Begriff Künstliche Intelligenz (KI) wird von verschiedenen Akteuren unterschiedlich genutzt.

In rAo & VerWeiJ (2017) findet sich eine gute Beschreibung verschiedener Aspekte. Unter KI werden hier Computersysteme verstanden, die ihre Umgebung wahrnehmen können, und ent-sprechend dieser Wahrnehmungen und ihrer einprogrammierten Ziele lernen, Entscheidungen treffen und Handlungen ausführen können. Somit fällt auch die Sensorik, z. B. das Aufnehmen von Videos, unter den Begriff KI. Innerhalb dieser Systeme wird zum einen unterschieden, ob diese menschliche Handlungen oder Entscheidungen unterstützen oder vollkommen autonom agieren.

Eine zweite Unterscheidung wird dahingehend getroffen, ob die Systeme konstant lernen und sich anpassen, oder ob sie in ihren Reaktionen festgelegt sind. Somit fällt auch die mittlerweile weit verbreitete Automation von Routineaufga-ben unter die Künstliche Intelligenz. Besonderes Zukunftspotenzial wird aber den Möglichkeiten des maschinellen Lernens basierend auf neuro-nalen Netzwerken zugeschrieben. Darunter fallen u. a. die Mustererkennung und das Reinforcement Learning. Das Erkennen von Mustern in großen Datenmengen findet beispielsweise Anwendung in der Spracherkennung und -verarbeitung (Natu-ral Language Processing), beim Erkennen von Auffälligkeiten in medizinischen Bildaufnahmen oder bei der Verkehrsflussplanung in Städten.

Von Reinforcement Learning spricht man, wenn ein Computersystem basierend auf Grundein-stellungen durch Versuch und Irrtum Fähigkei-ten erarbeitet. Damit können Maschinen lernen, innerhalb fest definierten Grenzen die richtigen Entscheidungen zu treffen oder bei Entscheidun-gen zu unterstützen. Vielleicht prominentestes

Von Reinforcement Learning spricht man, wenn ein Computersystem basierend auf Grundein-stellungen durch Versuch und Irrtum Fähigkei-ten erarbeitet. Damit können Maschinen lernen, innerhalb fest definierten Grenzen die richtigen Entscheidungen zu treffen oder bei Entscheidun-gen zu unterstützen. Vielleicht prominentestes

Im Dokument Rohstoffe für (Seite 41-49)