Soziale Herausforderungen: Ethik, Fairness und Datenschutz

Künstliche Intelligenz verstehen

Iason Prassides

Content Developer, DataCamp

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche verantwortungsvoller KI

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche der verantwortungsvollen KI

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche verantwortungsvoller KI

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche der verantwortungsvollen KI

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche verantwortungsvoller KI

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche verantwortungsvoller KI

Verantwortungsvolle KI

Verantwortungsvolle KI: Ethische und verantwortungsvolle Entwicklung und Nutzung von KI-Systemen mit Blick auf die gesellschaftlichen Auswirkungen

Bereiche verantwortungsvoller KI

Ethik und Fairness

KI-Ethik: Einhalten ethischer Richtlinien und Grundsätze: {{2}}Fairness Transparenz

Fairness

Ethik und Fairness

KI-Ethik: Einhalten ethischer Richtlinien und Grundsätze.

Fairness Transparenz Datenschutz Rechenschaftspflicht Haftung für KI-Entscheidungen

Fairness zur Minderung von Verzerrungen

Ethik und Fairness

KI-Ethik: Einhalten ethischer Richtlinien und Grundsätze.

Fairness Transparenz Datenschutz Rechenschaftspflicht Haftung für KI-Entscheidungen

Quellen von Verzerrungen

Vorurteile in KI-Systemen: Beispiele

Überprüfung von Lebensläufen Verzerrte Trainingsdaten: überwiegend männliche Einstellungen

Datenverzerrung in einem System zur Bewerberauswahl

E-Commerce-Empfehlungen

Algorithmische Verzerrung in Empfehlungen

Vorurteile in KI-Systemen: Beispiele

Überprüfung von Lebensläufen Verzerrte Trainingsdaten: meist männlich Unfaire Behandlung von Bewerberinnen Lösungen: aktive Datenerfassung, Algorithmen zur Korrektur von Verzerrungen

Datenverzerrung in einem System zur Bewerberauswahl

E-Commerce-Empfehlungen

Beliebte Produkte übermäßig beworben Andere Produkte unberücksichtigt {{1}}Lösungen: Techniken und Metriken für vielfältige und faire Empfehlungen

Algorithmische Verzerrung in Empfehlungen