KI: Unterschied zwischen den Versionen
Admin (Diskussion | Beiträge) |
Admin (Diskussion | Beiträge) |
||
Zeile 95: | Zeile 95: | ||
# nahezu beliebig große Datenmengen nach Korrelationen durchsuchen können. | # nahezu beliebig große Datenmengen nach Korrelationen durchsuchen können. | ||
# nach sehr vielen verschiedenen Arten von Korrelation suchen können. | # nach sehr vielen verschiedenen Arten von Korrelation suchen können. | ||
− | # auch schwache Korrelationen noch gewinnbringend in die statistischen Modelle einfließen lassen können.|KZ-AKT 196}} | + | # auch schwache Korrelationen noch gewinnbringend in die statistischen Modelle einfließen lassen können. |
+ | ... | ||
+ | |||
+ | Die Ergebnisse maschinellen Lernens werden dann für uns glaubhaft, wenn zusätzlich das Folgende gilt: | ||
+ | # Der kausale Zusammenhang zwischen dem Input und dem vorherzusagenden Output ist so weit bekannt, dass es eine klar definierbare Menge an Inputdaten gibt, auf die sich alle beteiligten Akteur:innen leicht einigen konnten. | ||
+ | # Es gibt möglichst viel Feedback für beide Fehlertypen (falsch-positiv und falsch-negative Entscheidungen). Damit kann die Qualität fortlaufend gemessen und das statistische Modell dynamisch nachgebessert werden. | ||
+ | # Es gibt ein klar definierbares Qualitätsmaß, auf das sich alle beteiligten Akteur:innen leicht einigen konnten. | ||
+ | |KZ-AKT 196}} | ||
=== Durchführung 1. Algo: Maschinelle Lernalgorithmus === | === Durchführung 1. Algo: Maschinelle Lernalgorithmus === |
Version vom 29. September 2020, 17:06 Uhr
- Künstliche Intelligenz
- Artificial Intelligence
- 人工知能
Fragen
- Lohnt es sich, ein System unter ethischer Perspektive zu evaluieren? -> Algoskop
Algoskop
- Software
- Algoritmische Entscheidungssysteme
- mit lernender Komponente
- die über Menschen entscheidet
- mit lernender Komponente
- Algoritmische Entscheidungssysteme
- AES sind unkritisch, wenn über Dinge entschieden werden soll, die keinen direkten Bezug zu Menschen oder zur Gesellschaft haben.
- AES sind kritisch:
- wenn es um Menschen geht
- wenn es um die Teilhaber an der Gesellschaft geht
- wenn es um Zugang zur wichtigen Ressourcen geht
Ergo: Nur eine relativ kleine Klasse von Softwaresystemen braucht unter ethischer Perspektive betrachtet werden.
OMA-Prinzip
Operationalisierung
Messbarmachung
- der modellierten Objekte
- das, was eine gute Entscheidung ist
Modell der Welt
Die Modellierung eines Problems ist auch immer schon selbst ein Problem. -> Explikation
Unterschied zwischen
- Land und Landkarte
- Situation und Konstellation
- echte Situation und künstliche Repräsentation
Algorithmus
- Input: Daten
- Nutzung vorhandener Algorithmen
- Output: Daten -> Bedetungsgebung -> Interpretation
Lange Kette der Verantwortlichkeiten
Risikomatrix
- 5 Kategorien an technischer Regulation
Kein Algorithmen-TÜV sondern systemischer Blick
Ganzheitliche Betrachtung des soziotechnischen Gesamtsystems
Big Data
- Volume (Masse)
- Velocity (Geschwindigkeit)
- Variety (Vielfältigkeit)
Big Data wird dann genutzt, wenn vorhanden:
- Mehrwert (Value)
- Validität (Validity)
Maschinelles Lernen
Prinzip:
- Input: Regel
- Output: Feedback gegenüber Grundwahrheit -> stärkt oder schwächt die Regel
Maschinelles Lernen kann also im Wesentlichen dort erfolgreich sein, wo die folgenden Bedingungen erfüllt sind:
- Es gibt eine ausreichend große und gute Trainingsdatenmenge (Input).
- Es gibt eine sehr gut messbare Grundwahrheit, also das, was vorherzusagen ist (Output).
- Es gibt kausale Zusammenhänge zwischen dem Input und dem vorherzusagenden Output.
Algorithmen des maschinellen Lernens sind uns in diesem Fall klar überlegen, da sie:
- nahezu beliebig große Datenmengen nach Korrelationen durchsuchen können.
- nach sehr vielen verschiedenen Arten von Korrelation suchen können.
- auch schwache Korrelationen noch gewinnbringend in die statistischen Modelle einfließen lassen können.
...
Die Ergebnisse maschinellen Lernens werden dann für uns glaubhaft, wenn zusätzlich das Folgende gilt:
- Der kausale Zusammenhang zwischen dem Input und dem vorherzusagenden Output ist so weit bekannt, dass es eine klar definierbare Menge an Inputdaten gibt, auf die sich alle beteiligten Akteur:innen leicht einigen konnten.
- Es gibt möglichst viel Feedback für beide Fehlertypen (falsch-positiv und falsch-negative Entscheidungen). Damit kann die Qualität fortlaufend gemessen und das statistische Modell dynamisch nachgebessert werden.
- Es gibt ein klar definierbares Qualitätsmaß, auf das sich alle beteiligten Akteur:innen leicht einigen konnten.
Durchführung 1. Algo: Maschinelle Lernalgorithmus
- Algorithmen des maschinelles Lernens
- Input: viele vorhandene Daten mit bekanntem Ergebnis
- Ziel: Der Computer soll anhand von konkreten Beispielen und vorhandenen Grundwahrheiten möglichst generalisierte Regeln lernen.
Zweig, Katharina. Ein Algorithmus hat kein Taktgefühl: Wo künstliche Intelligenz sich irrt, warum uns das betrifft und was wir dagegen tun können (German Edition) (S.173). Heyne Verlag. Kindle-Version.
Ich erkläre skizzenhaft, wie Algorithmen oder Heuristiken diese Regeln jeweils aus den Daten lernen und wie sie dann in einem statistischen Modell gespeichert werden:
- Der Baum der Erkenntnis: Entscheidungsbäume
- Der Holzspießtest aka Support Vector Machines
- Und – sehr skizzenhaft – neuronale Netzwerke (KZ-AKT 134)
Ergebnis: statistisches Modell
- Modell der Welt
- gelernte Regeln, Heuristiken
- in einem statistischen Modell abgelegte Entscheidungsregeln
Durchführung 2. Algo: Entscheidungsalgorithmus
- einfacher Algorithmus
Korrelation und Kausalität
Qualitäts- und Fairnessmaße
Glossar
- AES: Algorithmische Entscheidungssysteme