Mina Saidze: “Algorithmen können diskriminieren”

Eigent­lich woll­te Mina Said­ze die Welt ret­ten – oder sie wenigs­tens ein biss­chen bes­ser machen. Als Teen­age­rin träum­te sie davon, als Inves­ti­ga­ti­v­jour­na­lis­tin poli­ti­sche Intri­gen auf­zu­de­cken oder in einer Hilfs­or­ga­ni­sa­ti­on Ent­wick­lungs­pro­jek­te vor­an­zu­trei­ben. Heu­te arbei­tet die Toch­ter poli­ti­scher Akti­vis­ten aus dem Iran und Afgha­ni­stan als Data Ana­lyst – und hat ihre Mis­si­on gefun­den: mehr Diver­si­ty in Tech! Sie will mehr Frau­en für Daten­ana­ly­se und künst­li­che Intel­li­genz (KI) begeis­tern. Dafür hat sie Anfang des Jah­res Inclu­si­ve Tech gegrün­det, euro­pa­weit die ers­te Lob­by-und Bera­tungs­or­ga­ni­sa­ti­on für Diver­si­ty und Inclu­si­on in Tech. Im Cou­ra­ge-Inter­view spricht sie dar­über, wie man den eige­nen Klei­der­schrank zum Übungs­ob­jekt für Data Sci­ence nutzt, wie­so Algo­rith­men dis­kri­mi­nie­ren kön­nen und war­um es gut ist, nicht immer über­all reinzupassen.

Von Astrid Zehbe

Data Ana­ly­tics – da den­ken die meis­ten an fürch­ter­lich lan­ge Excel-Tabel­len, Dia­gram­me und kom­pli­zier­te For­meln. Was bedeu­ten Daten für Dich?
Mina Said­ze: Ich lie­be Daten. Daten sind super. Sie sind uni­ver­sell und nicht geo­gra­fisch gebun­den. Mit ihnen las­sen sich Pro­ble­me erken­nen, Phä­no­me­ne ver­ste­hen und Ent­wick­lun­gen vor­her­sa­gen, auf deren Basis man Lösun­gen erar­bei­ten kann. Daten sind viel mehr als nur Zah­len und ich lie­be es, wie viel­fäl­tig ich als Data Ana­lyst arbei­ten kann – ich bin Rei­ni­gungs­kraft, Logis­ti­ke­rin, Künst­le­rin und vie­les mehr.

Inwie­fern?
Daten­sät­ze sind sel­ten sau­ber. Das heißt, sie ent­hal­ten Daten­feh­ler, die man kor­ri­gie­ren oder ent­fer­nen muss. Die­se Berei­ni­gung kos­tet viel Zeit, ist aber unwahr­schein­lich wich­tig für die Aus­sa­ge­kraft der Daten. Ich beför­de­re die­se Daten dann von A nach B bezie­hungs­wei­se von einem Anwen­dungs­pro­zess zum nächs­ten – das erfor­dert logis­ti­sches Geschick. Die Daten­aus­wer­tung und ihre Inter­pre­ta­ti­on ist wie­der­um ein sehr krea­ti­ver Pro­zess, es ist wie ein Gemäl­de zu erschaf­fen mit all den Daten­ma­te­ria­li­en, die einem zur Ver­fü­gung stehen.

„Die Fähigkeit zu haben, Daten nutzbar zu machen, ist ein Werkzeug“

Warst Du schon in der Schu­le ein Zahlen-Nerd?
Gar nicht. Ich woll­te eigent­lich immer Inves­ti­ga­ti­v­jour­na­lis­tin wer­den oder aber in der Ent­wick­lungs­ar­beit tätig sein. Mei­ne Eltern waren poli­ti­sche Akti­vis­ten im Iran und in Afgha­ni­stan. Mir war es immer wich­tig dazu bei­zu­tra­gen, dass die Welt ein bes­se­rer Ort wird. Nach mei­nem Abi bin ich dar­um für ein Jahr nach Tan­sa­nia gegan­gen und habe im Rah­men eines Frei­wil­li­gen­pro­jekts Solar­an­la­gen auf Dächern mon­tiert. Zurück in Deutsch­land habe ich begon­nen, Sozi­al­wis­sen­schaf­ten zu stu­die­ren. Als ich eine Vor­le­sung in Öko­no­me­trie besuch­te, wuss­te ich: Das ist es! Die Fähig­keit zu haben, Daten nutz­bar zu machen und sie ana­ly­sie­ren und inter­pre­tie­ren zu kön­nen, ist ein wich­ti­ges Werk­zeug mit viel Gestal­tungs­mög­lich­kei­ten. Genau das war es, was ich wollte.

Du hast dann das Stu­di­en­fach gewechselt?
Ja, ich habe mich für Volks­wirt­schaft ein­ge­schrie­ben und habe wäh­rend mei­nes Stu­di­ums die Ber­li­ner Digi­tal­sze­ne erkun­det. Ich konn­te mich dort super ver­net­zen, habe viel gelernt und natür­lich ers­te Berufs­er­fah­run­gen gesam­melt – erst in den Medi­en, wo ich vor allem im Bereich Data Ana­ly­tics tätig war, seit Anfang des Jah­res arbei­te ich nun als Data Ana­lyst beim Online-Ver­gleichs­por­tal idealo.

„Die hohe Männerquote ist beunruhigend“

Was genau ist dort Dei­ne Aufgabe?
Bei idea­lo arbei­te ich mit einem inter­dis­zi­pli­nä­ren Team an Daten­pro­duk­ten, wel­che wir Mar­ken­part­nern anbie­ten. Mei­ne Vor­ge­setz­te kommt aus der Ber­li­ner Grün­der­sze­ne und mein Kol­le­ge hat als Data Sci­en­tist für ein Ham­bur­ger Fin­tech gear­bei­tet. Das Tol­le an der Auf­ga­be ist, dass wir als Inku­ba­tor an der Schnitt­stel­le von Pro­dukt­ma­nage­ment und Data Ana­ly­tics tätig sind. Wir sind qua­si ein Start-up im idea­lo-Öko­sys­tem mit dem Ziel, aus den Daten Mehr­wert für unse­re Part­ner zu generieren.

Anfang des Jah­res hast Du nicht nur Dei­nen Job gewech­selt, Du hast auch Inclu­si­ve Tech gegrün­det, die ers­te Lob­by-und Bera­tungs­or­ga­ni­sa­ti­on für Diver­si­ty und Inclu­si­on in Tech in ganz Euro­pa. Was macht Inclu­si­ve Tech? Euro­pean Women in Data ist eine euro­päi­sche Orga­ni­sa­ti­on mit der Mis­si­on, mehr Diver­si­tät in den neu­en Daten­be­ru­fen und der KI zu för­dern. Unser Ziel ist es, den Gen­der Data Gap zu schlie­ßen. Bis­lang ist die Bran­che näm­lich sehr männ­lich domi­niert. Einer Stu­die der Bos­ton Con­sul­ting Group aus dem Jahr 2019 zufol­ge sind weni­ger als ein Drit­tel der Frau­en in Beru­fen rund um Big Data tätig. Das erschreckt mich und beun­ru­higt mich auch sehr.

Dass die Män­ner­quo­te sehr hoch ist, war ja fast zu erwar­ten. Aber was genau beun­ru­higt Dich?
Es hat erheb­li­che Kon­se­quen­zen zur Fol­ge: Künst­li­che Intel­li­genz, die ja von Daten lebt, kann frau­en­feind­lich oder ras­sis­tisch sein, wenn der Algo­rith­mus dahin­ter nicht dis­kri­mi­nie­rungs­frei trai­niert wird. Aktu­ell wer­den Tech­no­lo­gien von wei­test­ge­hend männ­lich domi­nier­ten Teams ent­wi­ckelt, sodass zum Bei­spiel bei digi­ta­len Assis­ten­ten geschlechts­spe­zi­fi­sche Vor­ur­tei­le wider­ge­spie­gelt wer­den. Dar­um ist es so wich­tig, dass sich in Berufs­fel­dern wie Advan­ced Ana­ly­tics, Data Sci­ence und Machi­ne Lear­ning mehr Frau­en finden.

„Der Fokus liegt auf Gemeinschaft statt Wettbewerb“

Klingt nach einer Her­aus­for­de­rung, wenn man bedenkt, dass die meis­ten tech­ni­schen Bran­chen eher von Män­nern domi­niert werden.
Es ist zunächst ein­mal wich­tig, Bewusst­sein zu schaf­fen und all die The­men, die um Big Data und künst­li­che Intel­li­genz krei­sen, als Chan­ce zu sehen. Bis­lang wird in ers­ter Linie der öko­no­mi­sche Nut­zen betrach­tet – das ist aber eine sehr ein­sei­ti­ge Sicht. Data Sci­ence kann einen Bei­trag zur Gleich­stel­lung der Geschlech­ter leis­ten – eben dann, wenn Algo­rith­men nicht (mehr) diskriminieren.

Das hät­te dann ja auch einen öko­no­mi­schen Nutzen.
Auf jeden Fall, schon allei­ne, weil die­se Gen­der oder auch Race Bias in Algo­rith­men zu Image­schä­den von Unter­neh­men füh­ren. Aber auch unab­hän­gig davon: Diver­si­tät ist ein Wett­be­werbs­fak­tor und es ist erwie­sen, dass eine nied­ri­ge Diver­si­tät in Teams zu gerin­ge­rem Out­put führt.

Wie genau för­dert Ihr Frauen?
Wir bie­ten einer­seits För­der­pro­gram­me für Quer­ein­stei­ge­rin­nen in Koope­ra­ti­on mit Unter­neh­men an. Ande­rer­seits kon­zen­trie­ren wir uns dar­auf, den Frau­en einen Raum zu bie­ten, damit sie sich ver­net­zen kön­nen, bei­spiels­wei­se über Meet-ups oder Sym­po­si­en. Unser Fokus liegt auf Gemein­schaft statt auf Wettbewerb.

„Ich kaufe mittlerweile achtsamer“

Wenn ich mich spon­tan ent­schei­den wür­de, eine Kar­rie­re als Data Ana­lyst anzu­stre­ben, könn­tet Ihr mir dann auch hel­fen, obwohl ich gar kei­nen Tech-Hin­ter­grund habe?
Ja, im Prin­zip schon. Was zählt, sind Dei­ne Bereit­schaft, Dich rich­tig rein­zu­fuch­sen, und Dei­ne Begeis­te­rung, die Dich dazu antreibt. In unse­ren Ver­an­stal­tun­gen geht es nicht um bahn­bre­chen­de KI, son­dern um Pra­xis­bei­spie­le aus dem Unter­neh­mens­all­tag. Unter­neh­men stel­len uns dafür einen Daten­satz mit einer Pro­blem­stel­lung zur Ver­fü­gung. Der „New­bie“ – also in dem Fall Du – bear­bei­tet das dann unter Anlei­tung eines Men­tors. Das kann zum Bei­spiel eine Umsatz­pro­gno­se sein, bei deren Model­lie­rung Ver­bes­se­rungs­be­darf besteht. Das ist viel bes­ser als bei­spiels­wei­se an der Uni, wo man immer schon berei­nig­te Daten­sät­ze bekommt, was in der Pra­xis sel­ten der Fall ist. Außer­dem kann man sich sein eige­nes Data-Sci­ence-Pro­jekt auch zu Hau­se suchen, um ein Gefühl dafür zu bekom­men, was man mit Daten alles machen kann.

Zum Bei­spiel?
Ich habe wäh­rend des Stu­di­ums mei­nen Klei­der­schrank sowie mein Kauf- und Tra­ge­ver­hal­ten der Kla­mot­ten ein­mal genau unter die Lupe genom­men. Um den Umgang mit Daten an einem Pra­xis­bei­spiel mit Mehr­wert zu üben: Wel­che Klei­dungs­stü­cke besit­ze ich über­haupt? Wel­che Far­ben und wel­ches Mate­ri­al haben sie? Zu wel­chen Gele­gen­hei­ten zie­he ich was an? Ich habe über einen gewis­sen Zeit­raum notiert, wie oft ich wel­ches Klei­dungs­stück tra­ge, habe alles ana­ly­siert und mei­ne Schlüs­se dar­aus gezogen.

Was kam raus?
Dass ich zum Bei­spiel ziem­lich viel Schwarz tra­ge und es auch Klei­dungs­stü­cke gibt, die ich nur sel­ten tra­ge, so konn­te ich mein Ver­hal­ten anpas­sen. Das war hilf­reich, weil ich mitt­ler­wei­le viel acht­sa­mer einkaufe.

„Man muss nicht immer ins Bild passen“

Woher nimmst Du Dei­nen Ein­falls­reich­tum und Dei­ne ste­ti­ge Inspiration?
Ich bin jemand, der stän­dig Neu­es ler­nen will und sei­ner Lei­den­schaft folgt. Dazu gehört eine Mischung aus Ver­stand und Herz − und eine ordent­li­che Por­ti­on Mut. Das habe ich schon früh von mei­nen Eltern mit­be­kom­men – auch dass ich als Frau genau­so wert­voll bin wie ein Mann. Den­noch pass­te ich als Toch­ter ira­ni­scher und afgha­ni­scher Ein­wan­de­rer nicht so recht ins Bild des neu­en Deutsch­lands und hat­te es in der Schu­le dar­um nicht ganz ein­fach, was die Akzep­tanz anging. Heu­te bin ich ganz froh, dass ich nicht rein­ge­passt habe.

Weil es Dich stär­ker gemacht hat?
Ja, es hat mir vor Augen geführt, dass man nicht immer ins Bild pas­sen muss. Es gibt ja auch in Daten­sät­zen Aus­rei­ßer. Das ist nor­mal. Die Fra­ge ist, wie man damit umgeht? Belässt man den Aus­rei­ßer im Daten­satz, um das Phä­no­men zu ver­ste­hen? Oder wirft man ihn raus, um ein homo­ge­nes Bild zu ver­mit­teln? Ich habe gelernt, dass man nir­gend­wo rein­pas­sen muss und trotz­dem sei­nen Weg gehen kann. Es ist nur wich­tig, sei­ne Stim­me zu finden!