VL12 Flashcards
Allg. Vorteile KI (betrieblicher Kontext)
- Kunden Zufriedenheit
- Steigerung Umsätze
- Identifikation Betrugsversuchen
- Vorausschauende Analysen
Chancen von KI für den menschlichen Nutzer
• leichterer Zugang zu Informationen
• KI übernimmt operativ durchzuführende Aufgaben
• Unterstützung bei wichtigen Entscheidungen
• Ermöglichung vorausschauender Vorhersagen durch KI
• Kostensenkungspotentiale durch KI
Prinzipien für einen verantwortungsvollen Einsatz von KI
• Mensch steht im Mittelpunkt
• Mensch als strategischer Nutzer & KI als Unterstützer
• Einhaltung von ethischen & rechtlichen Normen durch KI
1. Fairness: Gleichberechtigte Behandlung aller Menschen
2. Zuverlässigkeit: Verlass auf KI-Systeme
3. Datenschutz und -sicherheit: Sicherheit von KI-Systemen & Respektierung des Datenschutzes
4. Barrierefreiheit: KI-Systeme sollten allen Menschen zu Gute kommen
5. Transparenz: Nachvollziehbarkeit der KI-Entscheidungen für Kunden und Beteiligte
6. Kontrolle: Verantwortlichkeit und Kontrolle des Menschen & Rechenschaft ggü. den Menschen
Probleme, die zu unfairen KI-Ergebnissen führen können
Verzerrung von Daten
• Daten beeinflussen Güte & Qualität von KI-Entscheidungen -> Gewährleistung von Fairness
• KI-Techniken werden von Menschen trainiert & getestet
• Unerwünschte Verzerrung von KI- Vorhersagen durch verzerrtes Datenbild
• Möglichkeiten der Datenverzerrung
1. Verzerrung der Stichprobe
2. Verzerrung der Attribute
Problem: Verzerrung der Stichprobe
• unausgewogene Daten können zur Diskriminierung führen-> mehr Männer als Frauen
• Bestimmte Gruppen werden unterrepräsentiert
• Beispiel Recruiting
> Systematische Benachteiligung möglich (Frau/ Mann, jung/ alt, Herkunft, Farbe…)
> wenn männliche Bewerbern, dann bevorzugt KI Männer g.ü. Frauen
• KI nicht für falsche Entscheidung verantwortlich
• Der vom Mensch gewählte Trainingsdatensatz!
Lösung:
• Repräsentation der tatsächlichen Population in Trainingsdaten
• Gewährleistung von Fairness
Verzerrung von Attributen
• Verzerrung der vorhandenen Attributen -> wenn Attribute falsch dargestellt sind
• Z.B. Einsatz KI zur Selektion geeigneter Kandidaten, Trainieren des Modells auf historische Einstellungsdaten
KI-Black-Box
- nur Ergebnisse der Analysen sichtbar
- Gründe für Entscheidungen häufig nicht nachvollziehbar -> nicht Erklärbar, wie KI zum Ergebnis kommt
Bsp.: Intransparenz (Gründe nicht nachvollziehbar) weshalb:
• eine Krankheit diagnostiziert wird
• ein Bewerber ausgewählt wurde
-> Problematisch bei hochsensiblen Anwendungsgebiebten
White-Box-KI
• kann klar erklären, wie sie sich verhält, Vorhersagen entstehen und welche Einflussgrößen & Kriterien es gibt
-> Prozesse sind transparent
Grenzen/ Herausforderung von KI
- Weak Al - Einsatz von Kl ist bisher auf bestimmte Zwecke begrenzt
• Unterstützung im Kundendienst durch Chatbots
• Vorhersagen von Produktempfehlungen
2. Kl kann große Datenmengen sehr gut verarbeiten, aber Kl kann Daten nicht verstehen -> Kl besitzt keinen Verstand
3. Kl kann falsche Entscheidungen & Schlüssel nicht erkennen
• Kl basiert auf historischen Daten auf denen sie trainiert wird
• wenn Daten falsch/unsauber -> Kl liefert falsche Ergebnisse
4. Kl kennt keine außerordentlichen Zustände z.B. Pandemiezeiten
Herausforderungen an Kl-Einsatz
- Erklärbarkeit vs. Genauigkeit von Kl-Modellen als Dilemma
• Klärung von Haftungsfragen: Wer haftet, wenn Kl zu falschen Entscheidungen kommt
• Sicherheitsrisiken
- Schutz vor Hackerangriffen
- insb. in hochsensiblen Bereichen (bspw. Medizin) mit personenbezogenen Daten
Übliche Anlaufprobleme von Kl in der betrieblichen Praxis
• Fehlen von „guten” Daten
> Quantität -> unzureichendes Datenvolumen für Training & Testing
> Qualität -> Fehlende bzw. unbereinigte Daten (Inkonsistenten, Fehler, fehlende Werte …)
• Fehlende Aussagekraft eigener Daten -> wenig Nutzen aus den Daten
• Fehlen von etablierten Datenstrategie im Unternehmen
> Management von Daten
> Bereitstellung von Daten
> Zugriffskontrolle für KI-Projekte
