第一吃瓜网

noch nicht in diesem Umfang und das wird f眉r die b眉rgerliche Gesellschaft problematisch werden Meiner Meinung nach liegt es derzeit an Europa sich zu entscheiden ob und unter welchen Bedingungen es ein Player im Bereich der k眉nstlichen Intelligenz wird Eine gegenw盲rtig wichtige Debatte bezieht sich auf die sogenannten Bias oder algorithmische Voreinge nommenheit die etwa zu rassisti schen Beurteilungen f眉hren kann Wo entstand diese Debatte F眉r diskriminierende Entscheidungen durch Algorithmen existieren zahl reiche Beispiele Eine Google Wer bung zeigte Frauen in den USA keine hochbezahlten Stellen an US ameri kanische Software bewertete das R眉ckfallrisiko bei schwarzen Gef盲ng nisinsassen h枚her als bei wei脽en Patienten erhielten pl枚tzlich keine Behandlung mehr da algorithmische Systeme ohne menschliche 脺ber pr眉fung entschieden hatten dass eine Fortsetzung der Behandlung unn枚tig sei Solche F盲lle werfen bereits seit einigen Jahren Fragen auf bereits bei einfachen KI Systemen Und bei den sehr fortschrittlichen KI Systemen gibt es Probleme mit der R眉ckverfolg barkeit von Entscheidungen Reagieren Unternehmen und Wissenschaft angemessen Ich stelle mit Sorge fest dass sich die Vorstellung verbreitet es k枚nne eine schnelle L枚sung gefunden werden etwa durch eine mathematische Fairnessformel die sich einfach in die technologischen Systeme einbauen lie脽e Das wird nicht gelingen Unsere KI Systeme werden mit Daten aus der Vergangenheit trainiert einer Vergangenheit die von Vorurteilen und Diskriminierung gepr盲gt ist Diese Debatte darf nicht nur in Computerwissenschaftslaboren gef眉hrt werden Wir brauchen einen st盲rker interdisziplin盲ren Ansatz wir m眉ssen Politiker Soziologen Poli tikwissenschaftler Philosophen und Historiker einbinden Die Frage die sich gegenw盲rtig stellt lautet Wie m枚chten wir leben und wie sollten unsere technologischen Systeme unsere Vorstellungen unterst眉tzen Dies ist die gr枚脽te Herausforderung der kommenden Jahre Wird es jemals eine Welt ohne diese Vorurteile ohne Diskriminierung geben In der Vergangenheit wurden gesell schaftliche Ver盲nderungen da durch bewirkt dass Menschen sich gegen Systeme erhoben die in ihren Augen ungerecht waren Um 脛nderungen zu fordern muss ein System jedoch zun盲chst einmal sichtbar sein Bei den komplexen KI Systemen sind wir uns h盲ufig nicht einmal bewusst mit welchen Syste men wir es zu tun haben und selbst wenn sind deren Entscheidungen oft schwer nachvollziehbar F眉r Betroffene ist es so extrem schwierig sich zu verteidigen Deshalb m眉ssen wir darauf bestehen dass diese Systeme rechenschaftspflichtig und transparent sind Wir wissen aber auch dass es keine schnelle technolo gische L枚sung gibt Wir m眉ssen akzep tieren dass diese Systeme immer Formen der Diskriminierung erzeu gen und m眉ssen entscheiden auf welchen Gebieten das akzeptabel ist K枚nnen wir bereits vor dem Einsatz von KI Systemen feststellen ob diese diskriminierend wirken Im AI Now Institute der ersten universit盲ren Forschungseinrichtung die die gesellschaftlichen Auswir kungen von k眉nstlicher Intelligenz untersucht erforschen wir wie ein System so getestet werden kann dass man von Anfang an und im Laufe seines Einsatzes versteht inwieweit es bestimmte Gruppen diskriminiert Wir haben au脽erdem ein Rahmen werk f眉r die Folgeneinsch盲tzung von Algorithmen entwickelt Dieses hilft Beh枚rden und B眉rgern k眉nstli che Intelligenz und algorithmische Systeme die Entscheidungen treffen zu 眉berwachen und zu verstehen sowie zu entscheiden ob ein System eingesetzt werden sollte oder nicht Wie bringen wir Maschinen bei nicht zu diskriminieren Maschinen lernen stets auf der Basis von Daten aus der Vergangenheit und k枚nnen damit bestehende ungleiche Verh盲ltnisse zementieren Wenn ein System beispiels weise aus dem Internet lernt welche Berufe M盲nner und welche Berufe Frauen aus眉ben k枚nnte es zu dem Schluss kommen dass Frauen k眉nftig keine Stellenanzeigen f眉r 脛rzte oder Informatiker pr盲sentiert bekommen und M盲nner keine mehr f眉r Krankenpfleger Forscher k盲mpfen derzeit damit KI solche Schw盲chen auszutreiben Da KI allerdings so perfekt darin ist Muster in Daten zu erkennen gen眉gt es nicht jene Faktoren wie das Geschlecht oder die Hautfarbe einfach aus den Daten zu l枚schen Die KI errechnet sie sich einfach aus anderen Zusammenh盲ngen vom Namen 眉ber den Wohnort das soziale Umfeld und vieles mehr Dazu kommt eine weitere Schw盲che des maschinellen Lernens allen voran des Deep Learnings auf Basis tiefer neuronaler Netze Die Systeme k枚nnen nicht erkl盲ren wie sie zu einer Entscheidung gekommen sind Bei komplexen Entschei dungen f眉hrt das dazu dass Menschen ihr einfach trauen m眉ssen Doch angesichts der Pannen die in der Vergangenheit geschehen sind ist das kein gutes Konzept In der Forschung gibt es erste vielver sprechende Ans盲tze einer erkl盲rbaren KI die zumindest teilweise preisgibt auf welche Faktoren sie sich bei einer Entschei dung st眉tzt sodass Menschen sie auf Plausibilit盲t 眉berpr眉fen k枚nnen und auch darauf ob die Entscheidung auf der Basis unseres Wertesystems getroffen worden ist KI wird mit Daten aus der Vergangen heit trainiert die von Vorurteilen und Diskriminie rung gepr盲gt ist Interview36 Robert Bosch 第一吃瓜网

Hinweis: Dies ist eine maschinenlesbare No-Flash Ansicht.
Klicken Sie hier um zur Online-Version zu gelangen.