Menschenzentrierte Datenwissenschaft und KI
Während in Deutschland Reallabore boomen, die innovative Anwendungen von künstlicher Intelligenz (KI) und Robotik erforschen, hat sich in der Schweiz unter der Federführung des Bundesamts für Statistik (BFS) ein ganz eigener Pioniergeist entwickelt. Abseits der Schlagzeilen verfolgt das BFS seit 2014 eine klar strukturierte Vision, um Datenwissenschaft und KI in der öffentlichen Verwaltung zu verankern, und ebnet so den Weg für eine datenbasierte Entscheidfindung bei den Schweizer Bundesbehörden. Dank dieser Bemühungen konnten trotz der teilweise sehr begrenzten finanziellen Mittel signifikante strukturelle und inhaltliche Fortschritte erzielt werden, die vom Wert strategischer Weitsicht und kollaborativer Innovation zeugen.
Autor: Bertrand Loison
Die Anfänge der Schweizer Dateninnovation: erste Anstrengungen des BFS (2015–2017)
Angesichts der zunehmenden Komplexität gesellschaftlicher Herausforderungen, die durch den rasanten technologischen Wandel noch verstärkt werden, können Regierungen immer seltener auf traditionelle Problemlösungsansätze setzen. Das BFS hat in der Datenwissenschaft ein essenzielles Instrument für den Umgang mit dieser schwierigen Realität erkannt und sich so an die Spitze der Transformation gestellt. Bereits vor der Ausarbeitung formeller Strategien beteiligte sich das BFS aktiv an der globalen Debatte über die Nutzung grosser Datensätze. Seit 2014 engagiert sich das BFS im United Nations' Committee of Experts on Big Data and Data Science for Official Statistics (UN-CEBD) und beteiligt sich an internationalen Diskussionen über neue Datenquellen sowie deren Einbindung in öffentliche Statistiken. Es ist aktives Mitglied in Task Teams zu spezifischen Themen, wie der Nutzung von Technologien zum Schutz der Privatsphäre, dem Zugang zu Daten in privater Hand sowie Aus- und Weiterbildung, Kompetenzen und Kapazitätsaufbau. Darüber hinaus engagiert sich das BFS im Data Science Leaders Network (DSLN), das ein Data Science Playbook erstellt. Das Playbook soll als umfassender Leitfaden für die Integration der Datenwissenschaft in die Arbeit nationaler Statistikbehörden dienen. Ziel ist es, einen systematischen Ansatz für die Durchführung von Pilotprojekten, die Bündelung von Ressourcen, die Dokumentation von Erfolgen und die Überwindung institutioneller Hindernisse aufzuzeigen. Dieses frühe internationale Engagement verdeutlicht das Bestreben des BFS, das Potenzial von Daten zugunsten des Gemeinwohls auszuschöpfen.
Darauf aufbauend veröffentlicht das BFS im Jahr 2017 seine wegweisende Dateninnovationsstrategie. Sie definiert Dateninnovation als die Anwendung von komplementären Analysemethoden (z. B. Predictive Analytics, die die Methoden der erweiterten Statistik, der Datenwissenschaft und des maschinellen Lernens nutzen) auf bestehende oder neue Datenquellen (Big Data). Das übergeordnete Ziel der Strategie besteht darin, die Rolle der öffentlichen Statistik im demokratischen Prozess der Schweiz zu festigen, indem die Zuverlässigkeit, Transparenz und Vertrauenswürdigkeit der Informationen gewährleistet wird. Die Strategie soll die Qualität, den Umfang und die Kosteneffizienz von Statistiken erhöhen, den Aufwand für die befragten Haushalte und Unternehmen reduzieren und die Aktualität sowie den Detaillierungsgrad der öffentlichen Statistiken verbessern.
Mit einer Unterscheidung zwischen (zu statistischen Zwecken erhobenen) Primärquellen und («gefundenen» oder «organischen») Sekundärquellen führt die Strategie ein differenziertes Verständnis von Datenquellen ein. Zudem wird betont, dass sich induktive («datenorientierte») und deduktive («ideenorientierte») Verfahren ergänzen und beide Ansätze schrittweise angewendet werden sollten, um die datenbasierte politische Entscheidfindung laufend zu verbessern. Wesentlich ist auch die Priorisierung der Datennutzung: Gemäss der Strategie sollten zunächst BFS-interne Primärdaten sowie bereits verknüpfte Sekundärdaten genutzt werden, anschliessend vorhandene Sekundärdaten und zuletzt gänzlich neue Sekundärdaten. Dieser gestaffelte Ansatz soll die Effizienz steigern, die Kosten senken, den administrativen Aufwand minimieren und das BFS-interne Fachwissen systematisch aufbauen, bevor auf komplexere Datenquellen zurückgegriffen wird. Diesen Bemühungen liegt ein unermüdliches Engagement für zentrale Werte wie Datenschutz, Datenschutzrichtlinien, Datensicherheit, Datengouvernanz und öffentliches Vertrauen zugrunde.
Ein starkes Fundament: das Kompetenzzentrum für Datenwissenschaft (DSCC – 2020)
Um sein Engagement weiter zu festigen und Unterstützung für die gesamte Bundesverwaltung zu leisten, wird das BFS im Mai 2020 mit der Schaffung eines Kompetenzzentrums für Datenwissenschaft (Data Science Competence Center, DSCC) beauftragt. Seit seiner Inbetriebnahme im Januar 2021 stellt das DSCC als zentraler Dienstleister Datenwissenschaft als Dienstleistung («Data Science as a Service», DSaaS) für den gesamten öffentlichen Sektor der Schweiz bereit, d. h. für Bund, Kantone und Gemeinden.
Das DSCC ist «im Grenzbereich der Datenwissenschaft und der künstlichen Intelligenz» tätig. Zu seinen Aufgaben gehören der Aufbau von Kompetenzen und die Anwendung geeigneter Methoden, Techniken und Praktiken zur Förderung des Verständnisses und der Entscheidfindung zugunsten des Gemeinwohls. Die Grundwerte des DSCC spiegeln die Prinzipien der Dateninnovationsstrategie wider, darunter Informationssicherheit, Daten- und Informationsschutz, Datensicherheit, Datengouvernanz, Nichtdiskriminierung, Erklärbarkeit, Nachvollziehbarkeit, Transparenz, Reproduzierbarkeit, Neutralität, Objektivität, ethischer Umgang mit Daten und Ergebnissen und öffentliches Vertrauen. Das Kompetenzzentrum bekräftigt ebenfalls, wie wichtig die transparente Dokumentation und Bereitstellung von Projektergebnissen ist, sofern datenschutzrechtliche und andere Vorgaben dies zulassen. So kann ein nachhaltiger Mehrwert geschaffen werden.
Das DSCC erbringt umfassende Dienstleistungen, die den gesamten datenwissenschaftlichen Prozess abdecken. Dazu gehören:
Die Reichweite vergrössern: das Kompetenznetzwerk für künstliche Intelligenz (CNAI – 2021)
Im August 2021 beschliesst der Bundesrat die Schaffung eines im BFS angesiedelten Kompetenznetzwerks für künstliche Intelligenz (Competence Network for Artificial Intelligence, CNAI) und bekräftigt so das Engagement der Schweiz für die digitale Transformation. Seit Januar 2022 erbringt das CNAI wichtige Dienstleistungen, um die Nutzung von und das Vertrauen in KI und andere neue Technologien vor allem innerhalb der Bundesverwaltung rasch und nachhaltig zu stärken. Darüber hinaus fördert es den Austausch mit den Kantonen und Gemeinden.
In seiner Rolle als «Enabler» (ermöglicht Prozesse) und «Facilitator» (vereinfacht Prozesse) treibt das CNAI den Austausch von Wissen und Expertise voran. Mit seiner öffentlichen Projektdatenbank, einer Übersicht aller KI-relevanten Projekte in der Bundesverwaltung, leistet das CNAI einen wichtigen Beitrag zur Transparenz und zum Austausch von Erfahrungswerten.
Auch Terminologiemanagement gehört zu den zentralen Dienstleistungen des CNAI. Das dadurch gewährleistete einheitliche Verständnis von KI-bezogenen Begriffen in der ganzen Bundesverwaltung vereinfacht die Kommunikation und Zusammenarbeit. Zudem vereint das Netzwerk zwei Gremien:
Community of Practice for Data Science and Artificial Intelligence (CoP DS&AI) – Praxisgemeinschaft für Datenwissenschaft und KI
Diese Gruppe, die im Rahmen der Datenwissenschaftsstrategie des Bundes geschaffen wurde, dient dazu, «Bottom-up»-Diskussionen über praktische datenwissenschaftliche Fragestellungen anzuregen und den nachhaltigen Austausch von Fachkenntnissen und technischem Wissen zwischen Personen, die Datenwissenschaft in der Bundesverwaltung nutzen, zu gewährleisten. Die Community widmet sich Themen wie Best Practices (z. B. Erklärbarkeit und Reproduzierbarkeit), neuen Methoden, Konsolidierung von Mitteln, generativer KI, grossen Sprachmodellen (Large Language Models; LLM) sowie den rechtlichen Rahmenbedingungen.
Committee for Data Science and Artificial Intelligence (COSciDoIA) – Ausschuss für Datenwissenschaft und KI
Dieser schweizweite Ausschuss vereint Vertreterinnen und Vertreter aus allen Kantonen sowie einigen Gemeinden, Bundesämtern und der Wissenschaft. Er befasst sich auch mit Themen wie Best Practices (z. B. Erklärbarkeit und Reproduzierbarkeit), neuen Methoden, Konsolidierung von Mitteln, generativer KI, grossen Sprachmodellen (Large Language Models; LLM) sowie den rechtlichen Rahmenbedingungen. Das Hauptziel des CoSciDoIA besteht darin, Synergien zu schaffen und Redundanzen zwischen den einzelnen staatlichen Ebenen zu vermeiden.
Beide Gremien arbeiten aktiv mit dem Expertenpool des DSCC zusammen, was den ganzheitlichen Ansatz zur Kompetenzentwicklung verdeutlicht.
Für eine koordinierte Zukunft: die Datenwissenschaftsstrategie des Bundes (2022)
Diese frühen Initiativen münden schliesslich in der am 2. Dezember 2022 vom Bundesrat verabschiedeten Datenwissenschaftsstrategie des Bundes (DSStB). Diese umfassende Strategie legt fest, wie Datenwissenschaft künftig in der Bundesverwaltung genutzt werden soll. Sie definiert Ziele und die für einen gezielten und koordinierten Einsatz erforderlichen Massnahmen.
Die DSStB formuliert eine klare Vision: «Menschenzentrierte und vertrauenswürdige Datenwissenschaft unterstützt das Gemeinwohl und die Staatstätigkeit». Diese Vision wird durch eine Reihe von Grundprinzipien untermauert, die alle datenwissenschaftlichen Aktivitäten leiten: Informationssicherheit, Daten- und Informationsschutz, Datensicherheit, Datengouvernanz, Nichtdiskriminierung, Erklärbarkeit, Nachvollziehbarkeit, Transparenz, Reproduzierbarkeit, Neutralität, Objektivität und ethischer Umgang mit Daten und Ergebnissen. Diese Grundprinzipien sollen das öffentliche Vertrauen stärken und einen verantwortungsvollen Einsatz von Datenwissenschaft sicherstellen. Die Strategie legt die folgende Ambition fest: «Datenbasierte Entscheidungsunterstützung in der Bundesverwaltung: verstärkte Wirksamkeit und Effizienz im staatlichen Handeln durch Datenwissenschaft».
Zur Verwirklichung dieses Ziels sieht die DSStB strategische Stossrichtungen vor, die durch die folgenden zwei Hebel umgesetzt werden sollen:
Strategische Verankerung der Datenwissenschaft
Die Grundprinzipien werden gefördert, verständlich gemacht und gefestigt, die Gouvernanz geklärt und übergreifende Anwendungsfälle entlang des gesamten Prozesses der Politikgestaltung identifiziert.
Entwicklung eines transversalen «Ökosystems Datenwissenschaft»
Dieses System bildet die Grundlage für die Festigung von Innovationen und eine optimale Nutzung. Es wird durch fünf zentrale Befähiger angetrieben:
- Datenwissenschaftskultur: Etablierung einer Führungs- und Arbeitskultur, die Experimentiermöglichkeiten schafft, das Lernen anregt sowie Datenqualität in den Vordergrund stellt und dabei im Einklang mit den Prinzipien einer menschenzentrierten und vertrauenswürdigen Datenwissenschaft steht.
- Talente und Personalentwicklung: Koordiniertes Aus- und Weiterbildungsprogramm («Up- und Reskilling»), Stärkung von Führungswissen, Positionierung der Bundesverwaltung als attraktive Arbeitgeberin zur Rekrutierung externer Talente mit klar definierten Berufsprofilen.
- Transversale Zusammenarbeit: Nutzung unterschiedlicher Wissensgrundlagen und Fähigkeiten durch die Förderung der Zusammenarbeit innerhalb der Bundesverwaltung (zwischen den Departementen und staatlichen Ebenen), mit Wissenschaft, Forschung und Wirtschaft sowie auf internationaler Ebene.
- Datenwissenschaftswerkzeuge und -plattformen: Vereinfachung des Zugangs zu den entsprechenden Werkzeugen und Plattformen in einer sicheren Umgebung, Etablierung von Standardprodukten für kollaborative Plattformen, Erstellung eines Katalogs der verfügbaren Werkzeuge und Plattformen mit klaren Richtlinien zum prinzipien- und rechtskonformen Einsatz dieser Lösungen.
- Datenbewirtschaftung und -infrastruktur: Gewährleistung einer robusten Datenbewirtschaftung und -infrastruktur zur wirksamen, effizienten und nachhaltigen Datennutzung unter Einhaltung des Datenschutzes und des Datensparsamkeitsprinzips, Erprobung von Techniken zur Wahrung der Privatsphäre, z. B. synthetische Daten.
Das BFS leitete die Kerninitiative «Data Science» der «Digitalisierungsstrategie des Bundes 2020–2023» und koordiniert das DSCC und das CNAI, daher ist seine Rolle in diesem strategischen Rahmen von zentraler Bedeutung.
Erfolge und Prototypen: greifbare Ergebnisse
Die strategischen Bemühungen des BFS gehen über die Theorie hinaus. Das CNAI führt im Dokument «Projektsteckbriefe» eine umfassende Liste der breiten Palette von laufenden und abgeschlossenen KI- und Data-Science-Projekte der verschiedenen Departemente. Die über 95 Prototypen, MVP und produktionsreifen Anwendungen in der Projektdatenbank sind Ausdruck des vielfältigen Nutzens von maschinellem Lernen, natürlicher Sprachverarbeitung (Natural Language Processing; NLP) und der Analyse von Massendaten für die Bewältigung der realen Herausforderungen, mit denen der öffentliche Sektor der Schweiz konfrontiert ist.
Allein im Bereich der öffentlichen Statistik der Schweiz hat das BFS mehr als 25 Prototypen, MVP, produktionsreife Anwendungen und experimentelle Statistiken zu verschiedenen Themengebieten lanciert.
Einige Beispiele:
Zur Optimierung der Verwaltungsprozesse und Kommunikation
- StatBot.Swiss ist ein Bot, der Fragen zu schweizerischen Statistikdaten beantwortet und den Zugang zu strukturierten Daten auf den verschiedenen Verwaltungsebenen verbessert.
Für einen besseren Informationszugang
- Lomas ist eine Plattform für vertrauliche Datenanalysen, die unter Einhaltung höchster Datenschutzstandards die Forschung fördern, politische Entscheidfindung unterstützen und Innovation sektorübergreifend vorantreiben.
Für Datenqualität, Analysen und Vorhersagen
- Die Frühschätzung der Statistik der Unternehmensstruktur (STATENT-Flash) zielt darauf ab, die wichtigsten Ergebnisse zur Unternehmensstruktur durch eine Schätzung rascher bereitzustellen. Aktuell wird die Statistik der Unternehmensstruktur jährlich rund zwanzig Monate nach dem Referenzjahr veröffentlicht.
- Das ADELE-System und DL-MARK nutzen Deep Learning zur Bilderkennung, wodurch der manuelle Interpretationsaufwand erheblich gesenkt wird. Anhand von Luftbildern werden für die jeweiligen Statistiken Veränderungen in der Bodennutzung und -bedeckung visuell interpretiert.
- ML_Poverty und ML_SoSi erforschen Machine-Learning-Techniken zur räumlichen Vorhersagemodellierung von Armutsindikatoren und zur Identifizierung von typischen Bezugs- und Erwerbsverläufen im System der sozialen Sicherheit.
Zur Prozessautomatisierung
- Plausi++ automatisiert die Plausibilitätsprüfung der Qualität und Zuverlässigkeit von Administrativ- und Umfragedaten.
- NOGAuto automatisiert die Kodierung der wirtschaftlichen Tätigkeit von Unternehmen anhand von Machine-Learning-Methoden, die auf bereits im BFS vorhandene Daten angewandt werden (Erhebungsdaten, Beschreibung im Handelsregister, Schlüsselwörter, Erläuterungen der Nomenklaturen usw.).
- Datenvalidierung mit Machine Learning: Mithilfe von Machine-Learning-Algorithmen sollen die Datenüberprüfung im BFS erweitert und beschleunigt sowie die Datenqualität verbessert werden.
Diese grosse Bandbreite an Projekten, von denen sich viele in der Prototyp- oder MVP-Phase befinden, unterstreicht die aktive Rolle des BFS bei der Förderung praktischer KI- und Data-Science-Anwendungen innerhalb der Schweizer Bundesverwaltung.
Mehr als konkrete Lösungen: das BFS als Motor der Veränderung
Über die Umsetzung einzelner Projekte hinaus haben sich die Initiativen des BFS insbesondere in den folgenden Bereichen als wirksam erwiesen:
Methodische Begleitung und Coaching
Das DSCC bietet aktive methodische Begleitung und Coaching bei der Durchführung massgeblicher, anwendungsorientierter bundesverwaltungsinterner oder extern vergebener Projekte und stellt sicher, dass auf Datenwissenschaft basierende Ergebnisse effektiv in bestehende Verwaltungsprozesse eingebunden werden. Dazu gehört auch die Verbesserung und Optimierung von Prozessen anhand neuer Erkenntnisse.
Durchführung von interdisziplinären Projekten mit agilen Methoden
Datenwissenschaft ist ein Teamsport, der transversale Zusammenarbeit und einen agilen, interdisziplinären Ansatz voraussetzt. Das DSCC ist selbst multidisziplinär aufgestellt: Seine Mitglieder vereinen Fachwissen aus den Bereichen Data Engineering, Informatik, Softwareentwicklung, Businessanalyse, Mathematik, Statistik und Entscheidfindung. Diese vielfältige Expertise ist wesentlich für die Umsetzung komplexer Projekte, die mehrere Fachthemen betreffen und Zusammenarbeit erfordern.
Entwicklung und Konsolidierung von Fachwissen für datenbasierte Innovationsprojekte
In der DSStB wird ausdrücklich auf die Notwendigkeit hingewiesen, «Bewusstsein und Kompetenz» aufzubauen. Dies wird durch Aus- und Weiterbildungsprogramme («Up- und Reskilling»), die Stärkung von Führungswissen für die Anwendung von Datenwissenschaft und die Rekrutierung externer Talente erreicht. Das DSCC bietet Fachschulungen an und hat zum Ziel, klar definierte Berufsbilder und -profile im Bereich der Datenwissenschaft zu entwickeln, um die Bundesverwaltung als attraktive Arbeitgeberin zu etablieren. Auch Interessensvereinigungen und Webinare zum Nutzen der Datenwissenschaft und KI für das Gemeinwohl fördern den Wissensaustausch.
Aktiver Austausch über KI und Datenwissenschaft in der Bundesverwaltung
Sowohl das DSCC als auch das CNAI betonen die Bedeutung eines starken Netzwerks. Die Community of Practice und die Community of Expertise des CNAI, die in enger Abstimmung mit dem DSCC gegründet wurden, sollen den Wissens- und Erfahrungsaustausch zwischen den verschiedenen Verwaltungseinheiten des Bundes begünstigen. Das Netzwerk vereint Vertreterinnen und Vertreter aus der Wirtschaft, Wissenschaft und Forschung (z. B. aus dem Swiss Data Science Center) und beteiligt sich aktiv an der Entwicklung internationaler Initiativen und Standards.
Die Entwicklung des BFS seit 2014 zeigt, wie sich das Amt entschieden, anhaltend und in enger Zusammenarbeit mit seinen Partnern dafür einsetzt, Datenwissenschaft und KI in die Kernfunktionen der Schweizer Bundesverwaltung zu integrieren. Durch einen menschenzentrierten und vertrauenswürdigen Ansatz, den Aufbau starker Kompetenzen und die Förderung eines aktiven und innovativen Datenökosystems schafft es die Schweiz, das Potenzial von Daten zugunsten des Gemeinwohls nutzbar zu machen.
Weitere Informationen
Zusätzliche Informationen über das Engagement der Schweiz für Datenwissenschaft und KI in der öffentlichen Verwaltung finden Sie in den folgenden Dokumenten und Websites:
Inhaltsverzeichnis
Bundesamt für Statistik
Espace de l'Europe 10
2010 Neuchâtel