Maschinen ohne Gewissen: wenn KI auf Ethik trifft
•
1 j'aime•1,560 vues
Maschinen haben kein Gewissen. Oder etwa doch? Immer wieder hört man von Fällen, in denen eine KI scheinbar „unethische“ Entscheidungen fällt oder für politische Zwecke missbraucht wird. Angefangen bei genderspezifischer Benachteiligung, über die Generierung und gezielte Verbreitung von Fake-News und Deep-Fakes bis hin zu offenkundigem Rassismus durch eine KI existieren unzählige Beispiele. Was aber genau steckt dahinter und wie können wir uns dagegen verwehren? Die Session zeigt einige populäre Beispiele auf und beleuchtet deren Hintergründe. Eine KI ist nur so gut wie ihr Modell und die Daten, auf denen dieses basiert. Dies führt immer wieder zu überraschenden, ja sogar erschreckenden Resultaten bei deren Einsatz. Dabei bildet die KI nicht selten lediglich unsere Realität ab und spiegelt somit die Grundwerte unserer Gesellschaft wider, wie populäre Beispiele zeigen. Die Session zeigt einige Beispiele, in denen eindeutig einzelne Gruppen der Bevölkerung benachteiligt wurden, und beleuchtet diese im Detail. Es wird aufgezeigt, wie wir alle durch Fake-News und Deep-Fakes manipuliert werden und welche Initiativen zum Schutz und zur Regulierung angedacht sind.
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à Maschinen ohne Gewissen: wenn KI auf Ethik trifft
Similaire à Maschinen ohne Gewissen: wenn KI auf Ethik trifft (10)
Plus de OPEN KNOWLEDGE GmbH
Plus de OPEN KNOWLEDGE GmbH (20)
Maschinen ohne Gewissen: wenn KI auf Ethik trifft
- 1. #WISSENTEILEN Künstliche Intelligenz Eine ethische Betrachtung @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
- 2. #WISSENTEILEN Was ist KI? … und Machine Learning, Deep Learning …
- 4. “Künstliche Intelligenz bezeichnet den Versuch, bestimmte Entscheidungsstrukturen des Menschen nachzubilden." Quelle: Wikipedia
- 5. Turing Test by Alan Turing, 1950
- 6. Completely Automated Puplic Turing test to tell Computers and Humans Apart CAPTCHAs
- 7. Completely Automated Puplic Turing test to tell Computers and Humans Apart CAPTCHAs
- 8. Completely Automated Puplic Turing test to tell Computers and Humans Apart CAPTCHAs
- 9. "Artificial Intelligence is the science of making machines do things that would require intelligence if done by men." Marvin Minsky, 1966
- 10. (Deep Blue besiegt Schach-Großmeister Garri Kasparow, 1997) künstliche Intelligenz
- 11. (AlphaGO besiegt GO-Großmeister Lee Sedol, 2016) künstliche Intelligenz
- 12. (LSVRC: Klassifizierung und Lokalisierung) Evolution der KI Fehlerrate: 2010 = 28% | 2017 = 2%
- 13. „Artificial Intelligence is a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ Andreas Kaplan & Michael Haenlein, 2018
- 14. künstliche Intelligenz starke KI schwache KI echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
- 15. künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
- 16. Teilgebiet des Machine Learnings: bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Deep Learning Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
- 19. (Kaggle Titanic KI Challenge: https://www.kaggle.com/c/titanic)
- 20. KI am Beispiel der TITANIC gegeben: Trainingsdatenmenge mit Informationen zu einigen Passagieren der Titanic. gesucht: Entscheidungsbaum, der für die übrigen Passagiere vorhersagt, ob sie die Fahrt überlebt haben oder nicht. Trainingsset (891 Passagiere) Testset (1309 Passagiere)
- 21. KI am Beispiel der TITANIC - Name & Anrede (ca. 70%) - Alter (ca. 80%) - Buchungsklasse & Ticketpreis - Familiengröße - Geschlecht - hat überlebt JA / NEIN Trainingsset (891 Passagiere) Grundwahrheit (gibt dem Algorithmus Feedback)
- 22. KI am Beispiel der TITANIC Frau? > 9,5 J nein ja überlebt nicht überlebt Trainingsset (891 Passagiere) 233/314 überlebt 109/577 überlebt 701/891 korrekt 233 468
- 23. KI am Beispiel der TITANIC Frau? > 9,5 J nein ja überlebt nicht überlebt Trainingsset (891 Passagiere) 75% 81% 79% korrekt „Das ist KI? Da geht doch bestimmt noch mehr?“
- 24. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Trainingsset (891 Passagiere) 233/314 überlebt 90/545 überlebt 1/14 überlebt 18/18 überlebt
- 25. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Trainingsset (891 Passagiere) 100% 75% 83% 93% 81% korrekt „Cool! Ich will die 100 sehen, ich will die … “
- 26. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Trainingsset (891 Passagiere) 100% 75% 83% 93% 81% korrekt OVERFITTING
- 27. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Testset (1309 Passagiere) 339/466 überlebt 136/796 überlebt 3/27 überlebt 19/20 überlebt ca 80% korrekt
- 28. KI am Beispiel der TITANIC FAZIT: unsere „KI“ sagt mit 80%iger Wahrscheinlichkeit das richtige Ergebnis voraus. Ist das gut?
- 29. KI am Beispiel der TITANIC FAZIT: unsere „KI“ sagt mit 80%iger Wahrscheinlichkeit das richtige Ergebnis voraus. FAKT: 61,6% der Passagiere sind ertrunken. Baseline (Maß für die Qualität)
- 30. KI am Beispiel der TITANIC KORRELATION: Frauen & Kinder haben dieses Schiffsunglück häufiger überlebt*. VS KAUSALITÄT: Frauen und Kinder haben bei Schiffsunglücken eine höhere Überlebenschance. Rückschluss (Interpretation des Modells) * „Frauen und Kinder zuerst in die Boote“.
- 32. KI am Beispiel von RECRUITING gegeben: Daten mit Informationen zu erfolgreichen / erfolglosen Bewerbern. gesucht: Entscheidungsgrundlage, ob Bewerber zum Gespräch eingeladen werden sollen.
- 33. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) „KI: finde bitte eine sinnvolle Unterteilung. Danke.“* *… auf deren Basis wir Aussagen über den Erfolg zukünftiger Bewerber treffen können.
- 34. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren)
- 35. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
- 36. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4
- 37. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4
- 38. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7
- 39. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 6
- 40. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
- 41. KI am Beispiel von RECRUITING Menschen müssen entscheiden, was eine gute Entscheidung ausmacht, damit maschinelles Lernen überhaupt gute Entscheidungen produzieren kann.* Rückkopplung/Feedback: Das gezeigte Modell ermöglicht nur einseitiges Feedback!** Rückschluss (Sozioinformatiker) *Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale **in realer Welt eher die Norm als die Ausnahme
- 42. KI am Beispiel von PROFILING Alter bei erster Straftat bisherige Straftaten 7 4 4 5 6 „KI: wie wahrscheinlich ist es, dass der Kriminelle rückfällig wird?
- 43. KI am Beispiel von PROFILING Operationalisierbarkeit: Was kann gemessen werden? Was nicht? Und was wird am Ende tatsächlich gemessen?* Moralische Abwägung: welche Fehlentscheidung wiegt schwerer? *nicht die Rückfälligkeit wird gemessen, sondern lediglich, wer erwischt wurde! Menschen hispanischer Herkunft werden in den USA 4x häufiger kontrolliert als weiße Amerikaner. Afroamerikaner sogar 6x häufiger. Diebstahl und Drogendelikte werden deutlich intensiver verfolgt als Finanzdelikte. SELBSTERFÜLLENDE PROPHEZEIUNG!
- 44. #WISSENTEILEN KI & Ethik … und was hat KI mit Ethik zu tun?
- 45. Ist es fair für alle Beteiligten? Ist es wahr und transparent / nachvollziehbar? Ist es gut und im Interesse der Gesellschaft?
- 46. Ist es fair? Für alle Beteiligten?
- 47. Ist es fair? Für alle Beteiligten?
- 48. Ist es fair? Für alle Beteiligten?
- 49. Ist es wahr? Und nachvollziehbar?
- 50. Ist es wahr? Und nachvollziehbar? * Beispiel: https://thispersondoesnotexist.com
- 51. Ist es wahr? Und nachvollziehbar?
- 52. KI im Dienst des Guten
- 53. KI im Dienst des …?
- 54. Scheinbar eine gute Sache.
- 55. Immer noch eine gute Sache?
- 56. #WISSENTEILEN KI & Ich … und was hat das mit mir zu tun?
- 57. künstliche Intelligenz als Spiegel der Gesellschaft
- 64. künstliche Intelligenz formt die Gesellschaft
- 70. Die Wahrheit liegt in den Daten* *… und deren Interpretation
- 71. Vollständig? Diskriminierend? Infos vorenthalten? Weiter lernend?
- 72. „Wo bereits vorher diskriminiert wurde, wird die KI die Diskriminierung mitlernen!“* * Daten & KI sind aber auch Chance, Diskriminierung aufzudecken!
- 73. #WISSENTEILEN KI & was nun? … wir brauchen dringend Spielregeln!
- 77. Gesamtschadenspotential Wahl-/Einflussmöglichkeit Kaufempfehlung Objektbewertung ohne Auswirkung auf Menschen Autom. LStJA Facebook Newsfeed Bewerber aussortieren Arbeitnehmer bewerten Kredit- Scoring China Citizen Score Lethal auton. Weapons Terroristen Identifikation Risikomatrixzur Notwendigkeit der Regulierung niedrig hoch niedrig hoch Quelle: Enquete-Kommission des Bundestages „AI“
- 78. Kaufempfehlung Objektbewertung ohne Auswirkung auf Menschen Autom. LStJA Facebook Newsfeed Bewerber aussortieren Arbeitnehmer bewerten Kredit- Scoring China Citizen Score Lethal auton. Weapons Terroristen Identifikation Klasse 0 Klasse 1 Klasse 2 Klasse 3 Klasse 4 Gesamtschadenspotential niedrig hoch Wahl-/Einflussmöglichkeit niedrig hoch Quelle: Enquete-Kommission des Bundestages „AI“
- 79. Klasse 1 Quelle: Enquete-Kommission des Bundestages „AI“ Nennung der Qualitätsmerkmale Nennung des Lernverfahrens Notwendige Interfaces für BlackBox Verfahren Beschreibung der Einbettung in den sozialen Entscheidungsprozess Klasse 2 Nennung der Trainings- und Eingabedaten Nachvollziehbarkeit der Qualitätsbewertung Klasse 3 Nachvollziehbarkeit der Daten Nachvollziehbarkeit des Lernverfahrens Nachvollziehbarkeit der Entscheidung Klasse 4 KEINE KI erlauben! Risikomatrixzur Notwendigkeit der Regulierung
- 80. #WISSENTEILEN KI & Ethik … (m)ein persönliches Fazit!
- 81. Was ihr mitnehmen solltet … KI ist nicht (mehr) aufzuhalten KI ist Operationalisierung, Modell und Aktion KI ist Korrelation und nicht Kausalität schlechte Daten führen zu schlechten Entscheidungen selbstoptimierende Systeme benötigen zweiseitiges Feedback Regulierung ist immer dann notwendig und sinnvoll, wenn es nur wenig Auswahl-/Einflussmöglichkeiten gibt und ein hohes Schadenspotential – individuell und/oder gesamt - besteht.
- 82. „Menschen müssen entscheiden, was eine gute Entscheidung ist, damit maschinelles Lernen überhaupt gute Entscheidungen produzieren kann.“
- 84. #WISSENTEILEN Gibt es Fragen oder Anmerkungen? @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
- 85. #WISSENTEILEN Tschüss und vielen Dank! @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH lars.roewekamp@openknowledge.de
- 86. Bildernachweis Folie 01: © Phonlamei Photo, shutterstock.com Folie 05: © Jesus Sanz, shutterstock.com Folie 18: © Tomacco, shutterstock.com Folie 42: © Oleksandr Chaban, iStockphot.com Folie 77: © dezydezy, vectorstock.com All other pictures inside this presentation orginate from pixabay.com, pexels.com, unsplash.com or were created by my own.