Gesamtlänge aller Episoden: 5 hours 9 minutes
Macht und Verantwortung sind zwei Seiten einer Medaille. Immer wieder wird die Verantwortung der Betreiber sozialer Netzwerke im Kontext der öffentlichen Meinungsbildung dikutiert. Nun markierte Twitter einen Beitrag von Trump als Fake News, Facebook spricht sich gegen ein solches Einmischen aus – ein Anlass die Macht und gesellschaftlich wünschenswerte Verantwortung digitaler Plattformen zu diskutieren. Den Artikel zu dieser Hörfassung findest du hier auf der Data& Webseite
Dass es für Unternehmen essenziell wichtig ist, sich um neue, digitale Angebote zu kümmern, ist nun mittlerweile wohl auch dem letzten Geschäftsführer bekannt. Wieso landet das Thema dennoch so häufig ganz weit unten auf der Agenda?
Eine Diskussion des Artikels gibt es in der ersten Episode des Data& Podcast. Dort geht es unter anderem darum, ob eher die Aussicht auf Belohnung oder die Aussicht auf Verluste die digitale Transformation vorantreiben...
In unsere heutigen Episode geht es um die drei Artikel: Die Undringlichkeit des Wichtigen – Warum wir heute lieber nicht an morgen denken Das Algorithmus-Paradoxon - Wieso viele Menschen die Möglichkeiten von Algorithmen und Daten zugleich massiv über- und unterschätzen. Das neue Unsichtbar: Intelligente Systeme, User Experience und Digitale Souveränität Mehr Infos auf: https://www.dataand.io/
Durch die Integration von “künstlicher Intelligenz” in Alltagsobjekten – Uhren, Beleuchtungen, Kühlschränken und Babyphone – werden intelligente Systeme zunehmend unsichtbar. Was bedeutet dies im Kontext gesellschaftlicher Interessenskonflikte, individueller Souveränität und dem Wunsch nach einem reflektierten Umgangs mit solchen Systemen? Den Artikel zu dieser Hörfassung findest du hier auf der Data& Webseite
Das Algorithmus-Paradoxon beschreibt, dass viele Menschen die Möglichkeiten von Algorithmen und Daten zugleich massiv über- und unterschätzen. Zum einem lässt sich das auf die einfache Unwissenheit vieler zurückführen. Zum anderen gibt es genügend prominiente Beispiele, welche zeigen das Vorhersagen trotz Fachwissen oft nicht zutreffen.