22.09.2023

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

Lisette Espín-Noboa entwickelt in Wien mit Big Data Machine-Learning-Modelle und zeigt uns mit Poverty Maps, wo die Ärmsten in Zukunft leben.
/artikel/ihre-modelle-visualisieren-zukuenftige-armut-auf-landkarten
Lisette Espín-Noboa liefert Politiker:innen neue Entscheidungsgrundlagen. Foto: Map Box/OpenStreetMap/Bimal Viswanath
Lisette Espín-Noboa liefert Politiker:innen neue Entscheidungsgrundlagen. Foto: Map Box/OpenStreetMap/Bimal Viswanath

Heuer präsentierte ein wissenschaftliches Team von der Central European University (CEU) und dem Complexity Science Hub (CSH) einen Durchbruch: Sie können Armut auf Landkarten sichtbar machen.

Konkret nahmen sich die Forscher:innen dafür Sierra Leone und Uganda vor. Die beiden Staaten in Subsahara-Afrika zählen zu den ärmsten der Welt. Das Wiener Forscherteam entwickelte dazu das interaktive Online-Tool Poverty Maps, mit dem User:innen die Wohlstandsentwicklung in beiden Ländern vergleichen können. Sogar einen Ausblick auf die Zukunft können die Karten geben. Unmengen abstrakter Daten werden damit auf einen Blick zu aussagekräftiger Information.

Vom Taxiverhalten zu Armutskarten

„Die Idee wäre, dass politische Entscheidungsträger:innen, die Menschen unterhalb der Armutsgrenze helfen möchten, diese Art von Instrumenten nutzen können. Um zu verstehen, wo die Menschen sind, die wirklich Hilfe brauchen“, erklärt Lisette Espín-Noboa im brutkasten-Interview.

Die aus Ecuador stammende Computerwissenschaftlerin ist extra für das Projekt nach Wien gekommen. Sie ist Expertin für Predictive Analytics, Netzwerkanalysen und Machine Learning. Davor arbeitete sie vor allem mit Mobilitätsdaten, auf deren Basis sie Prognosen für die Zukunft erstellte. Espín-Noboa erforschte unter anderem, wie sich Taxis in der Metropole New York verhalten.

Wiederverwendbare ML-Modelle

„Sie gaben mir dieses Projekt und ich hatte die Freiheit, zu schauen, wie es funktioniert“, sagt die Computerwissenschaftlerin. Sie entwickelte ein eigenes Framework für drei Machine-Learning-Modelle. Damit visualisieren die Forscher:innen die Wohlstandsentwicklung auf Landkarten. Am Beispiel von Sierra Leone und Uganda bewies das Team bereits, dass es möglich ist.

Espín-Noboa erklärt, dass sie die Modelle nun auch für andere Länder verwenden. Dafür müsse nur die sogenannte Ground Truth für jedes Land anhand einer eigenen Datenbasis neu in das Modell gefüttert werden. Ground Truth ist die genaue und verlässliche Referenz, anhand derer die Richtigkeit von Daten oder Vorhersagen bewertet wird.

Wie viele Antennen, welche Toilette?

Für die beiden afrikanischen Länder verwendeten die Forscher:innen Umfragedaten als Basis. „In Afrika werden Umfragen zum Haushalt oder Lebensstandard durchgeführt. Diese Fragebögen ermitteln, wie viele Zimmer Ihr Haus hat, welche Art von Toilette Sie benutzen, wie Sie an Ihr Wasser kommen, ob Sie ein Auto habe oder ob Sie eine Haus- und Sanitäranlage haben“, erklärt die Computerwissenschaftlerin. Mit dem Internationalen Wohlstandsindex (IWI) wurden auf dieser Basis dann Grundwerte errechnet.

Hinzugefügt wurden in der Folge weitere Daten, die etwa von Satellitenbildern oder Social-Media-Postings stammen. Daraus konnten Espín-Noboa und ihre Kolleg:innen schließen, wie viele Menschen in einer Region ein iPhone besitzen oder wie viele Antennen sich in einem Gebiet befinden. „Wir dachten: Wenn der Ort viele Antennen hat, bedeutet das wahrscheinlich, dass er wohlhabend ist. Wenn er keine Antennen hat, ist er wahrscheinlich arm“, so Espín-Noboa. Daten aus OpenStreetMap würden wiederum verraten, wie weit die nächste Straße oder Schule entfernt ist.

Zukunftsvorhersagen auch für Europa

Nun versuchen Espín-Noboa und ihr Team diese Karten auch für Österreich und Ungarn zu erstellen. Noch fehlen ihr aber die dafür notwendigen Daten für ihre Modelle. Sie ist deshalb auf der Suche nach Organisationen, die Daten zur Verfügung stellen.

„Wir können nicht einfach die gleichen Daten verwenden, weil die Standards unterschiedlich sind. Etwa fragt man in Ungarn nicht, welche Art von Toiletten jemand benutzt“, erklärt Espín-Noboa. Stattdessen sei in etwa Ungarn aussagekräftiger, wie viel Immobilien kosten. Für jedes Land müsse deshalb eine eigene „Ground Truth“ ermittelt werden, dann könnten die entwickelten Modelle für verschiedene Länder verwendet werden, glaubt die Expertin.

Bessere Entscheidungsgrundlage

Das Projekt ist ein Novum, denn bisher verließen sich Entscheidungsträger:innen vor allem auf Volkszählungsdaten, wenn es um den Umgang mit Armut ging. Die Karten stellen die Entwicklung jedoch viel detaillierter dar. „Mit der Ground Truth haben wir Armut vorhergesagt, aber Sie können alles vorhersagen. Wenn Sie fundierte Fakten zum Thema Bildung haben, können Sie etwa auch Bildung vorhersagen“, sagt Espín-Noboa. Sie hofft, dass künftig mehr Tools für politische Entscheidungsträger:innen zur Verfügung stehen – damit diese bessere und zielgerichtete Entscheidungen treffen können.

Deine ungelesenen Artikel:
10.08.2026

Junge Entwickler:innen wollen mehr KI nutzen, als Unternehmen erlauben

Eine Befragung unter 1.119 jungen Entwickler:innen zeigt: Fast alle nutzen KI, doch zwei Drittel klagen über organisatorische Bremsen in Unternehmen. Während regulatorische Vorgaben den Einsatz einschränken, warnt der IT-Dienstleister Cloudflight vor den Gefahren von Schatten-IT und dem Abbau von Junior-Stellen.
/artikel/junge-entwicklerinnen-wollen-mehr-ki-nutzen-als-unternehmen-erlauben
10.08.2026

Junge Entwickler:innen wollen mehr KI nutzen, als Unternehmen erlauben

Eine Befragung unter 1.119 jungen Entwickler:innen zeigt: Fast alle nutzen KI, doch zwei Drittel klagen über organisatorische Bremsen in Unternehmen. Während regulatorische Vorgaben den Einsatz einschränken, warnt der IT-Dienstleister Cloudflight vor den Gefahren von Schatten-IT und dem Abbau von Junior-Stellen.
/artikel/junge-entwicklerinnen-wollen-mehr-ki-nutzen-als-unternehmen-erlauben
Junior Developer
(c) True Agency via Unsplash

„Wer glaubt, mit Künstlicher Intelligenz ließen sich Einstiegspositionen einfach streichen, verwechselt das Werkzeug mit der Person, die es sinnvoll einsetzt“, warnt André Holhozinskyj, CEO der europäischen Cloudflight Group. Die Warnung des Branchenexperten stützt sich auf eine aktuelle Befragung, die das Unternehmen durchgeführt hat. Unter den 1.119 Teilnehmenden – mehrheitlich Studierende und Berufseinsteiger:innen aus Deutschland, Österreich und Rumänien – zeigt sich eine weite Verbreitung, aber auch eine spürbare Reglementierung von KI-Tools im Arbeitsalltag.

Während 99 Prozent der befragten Nachwuchskräfte angeben, KI-Werkzeuge regelmäßig zu nutzen, stoßen sie in der Praxis häufig an organisatorische Grenzen. Rund zwei Drittel der Befragten berichten von Einschränkungen bei der Nutzung, die überwiegend organisatorischer Natur sind. Als Haupthindernis nennen 46 Prozent regulatorische Vorgaben wie Richtlinien von Schulen, Universitäten oder Unternehmen. Weit dahinter folgen Kosten und Lizenzgebühren mit 24 Prozent sowie ethische, rechtliche und datenschutzrechtliche Bedenken mit 23 Prozent. Mangelndes Interesse spielt mit nur zwei Prozent praktisch keine Rolle.

Risiko durch Schatten-IT und Compliance-Verstöße

Die restriktive Haltung in vielen Organisationen birgt nach Einschätzung der Studienautor:innen jedoch Risiken: Wird die Nutzung im Unternehmen untersagt oder komplett eingeschränkt, weichen Mitarbeiter:innen häufig auf private Geräte und nicht freigegebene Consumer-Tools aus – ohne Wissen oder Zustimmung der IT-Abteilung.

Gernot Molin, CTO der Cloudflight Group, warnt vor den unmittelbaren Gefahren für die Datensicherheit: „Tools wie ChatGPT, Gemini oder Claude sind nicht für Unternehmenssicherheit oder Compliance konzipiert, sondern für einfachen Zugang, und das schafft unmittelbare Risiken.“ So könnten etwa proprietäre Algorithmen durch das Einfügen von Code-Schnipseln abfließen, oder Entwickler:innen könnten unbeabsichtigt Kundendaten bei der Analyse von Log-Dateien offenlegen. Unternehmen, die an Richtlinien wie DSGVO, HIPAA oder SOC 2 gebunden sind, riskieren laut Molin bei der Verwendung nicht autorisierter Dienste empfindliche Verstöße. Er plädiert daher für eine kontrollierte Freigabe von KI-Werkzeugen, die direkt in bestehende Entwicklungsumgebungen integriert und durch Sicherheitskontrollen sowie Audit-Trails abgesichert sind.

Vielseitige Nutzung abseits von reinem Code

Die Befragung räumt zudem mit dem Vorurteil auf, KI diene primär dem Schreiben von neuem Programmcode. Der Einsatz zur reinen Code-Generierung liegt bei 18 Prozent und ist damit fast gleichauf mit dem Debugging und Code-Reviews (19 Prozent), administrativen und organisatorischen Aufgaben wie Recherche (19 Prozent) sowie der Code-Optimierung (17 Prozent). Dokumentation (12 Prozent) und Testautomatisierung (10 Prozent) folgen mit etwas Abstand.

Den größten Nutzen sehen die Befragten in der Entlastung bei Routinearbeiten. Fast jede:r Zweite (48 Prozent) nutzt KI vor allem zur Bewältigung repetitiver, zeitaufwändiger Aufgaben wie dem Erstellen von Boilerplate-Code oder dem automatisierten Organisieren von Daten. Ziel sei es, so heißt es aus den offenen Antworten der Teilnehmenden, sich dank der KI auf die interessanten Teile der Arbeit konzentrieren zu können. Zudem schätzen 42 Prozent die Tools als eine Art rund um die Uhr verfügbaren Tutor, der komplexe Konzepte erklären kann. Dieser Effekt könnte nach Einschätzung der Studienautoren vor allem in Regionen mit schwächerer Bildungsinfrastruktur den Zugang zu hochwertiger Programmierausbildung demokratisieren.

Zukunftssorgen und die Rolle der Nachwuchskräfte

Trotz der intensiven Nutzung blickt die junge Generation keineswegs sorgenfrei in die Zukunft. Lediglich 12 Prozent der Befragten geben an, keinerlei Sorge hinsichtlich der Auswirkungen von KI auf ihre eigene Karriere zu haben. Die überwiegende Mehrheit von 88 Prozent äußert leichte bis extreme Besorgnis. Neben der allgemeinen Karriereentwicklung sorgt sich ein Teil der Entwickler:innen auch um den eigenen Lernfortschritt: Es besteht die Befürchtung, durch eine zu starke Abhängigkeit von der KI das eigene Weiterkommen zu bremsen und durch die automatisierten Lösungen „dümmer“ zu werden. Viele wünschen sich daher Erklärungen anstelle von fertigen Antworten.

Für Cloudflight-CEO Holhozinskyj zeigt die Untersuchung, dass Unternehmen umdenken müssen. Künstliche Intelligenz müsse wie eine „virtuelle Mitarbeiterin“ verstanden werden, die ein geregeltes Onboarding benötigt. Wer Juniorstellen aus Gründen der kurzfristigen Kostenersparnis streicht, begehe laut Holhozinskyj einen strategischen Fehler: „Urteilsvermögen entsteht nicht am Reißbrett, sondern über Jahre praktischer Erfahrung, auch aus eigenen Fehlern, und genau diese Erfahrung bauen Unternehmen gerade systematisch ab, wenn sie ihre Juniorstellen kürzen.“ Langfristig drohe den Unternehmen dadurch der Verlust der „Senior-Kompetenz von morgen“ an die Konkurrenz, was sich schnell zum mittelfristigen Wettbewerbsnachteil entwickeln könne.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Ihre Modelle visualisieren zukünftige Armut auf Landkarten