Wissensdatenbank

Was sind KI-Modelle und wie funktionieren sie?

Künstliche Intelligenz (KI)-Modelle sind Computerprogramme, die durch die Analyse großer Datenmengen lernen und dank dieser Lernfähigkeit bestimmte Aufgaben menschenähnlich ausführen können. Diese Modelle verwenden in der Regel Techniken des maschinellen Lernens (ML) und des Deep Learning (DL). Hier sind die grundlegenden Funktionsprinzipien verschiedener KI-Modelle:

• Maschinelles Lernen (ML): ML-Algorithmen erstellen Modelle, die durch das Lernen aus Daten Vorhersagen treffen oder Entscheidungen treffen können. Diese Algorithmen entdecken automatisch Muster und Beziehungen in den Daten. Beispielsweise kann ein E-Mail-Spamfilter durch das Lernen aus als Spam markierten E-Mails vorhersagen, ob neu eingehende E-Mails Spam sind.
• Deep Learning (DL): DL zielt darauf ab, komplexe Probleme mithilfe künstlicher neuronaler Netze zu lösen. Diese Netze sind von Neuronen im menschlichen Gehirn inspiriert und bestehen aus einer Vielzahl von Schichten. Jede Schicht analysiert die Daten auf einer anderen Abstraktionsebene. DL liefert besonders in Bereichen wie Bilderkennung, Verarbeitung natürlicher Sprache und Spracherkennung erfolgreiche Ergebnisse. Beispielsweise kann ein Bilderkennungssystem dank Deep Learning Objekte (Katze, Hund, Auto usw.) auf einem Foto mit hoher Genauigkeit erkennen.

Grundlegendes Funktionsprinzip:

1. Datenerfassung: Eine große Menge an Daten wird gesammelt, um das KI-Modell zu trainieren. Diese Daten enthalten die Informationen, die das Modell lernen soll. Beispielsweise werden Textdaten zum Trainieren eines Sprachmodells und Bilddaten zum Trainieren eines Bilderkennungsmodells gesammelt.
2. Datenvorverarbeitung: Die gesammelten Daten werden bereinigt, transformiert und organisiert, damit das Modell besser lernen kann. In dieser Phase werden fehlende Daten ergänzt, Rauschen entfernt und die Daten in ein geeignetes Format konvertiert.
3. Modellauswahl: Ein KI-Modell wird ausgewählt, das für den Anwendungsbereich und den Datentyp geeignet ist. Beispielsweise können Transformer-Modelle für Textdaten und Convolutional Neural Networks (CNN) für Bilddaten bevorzugt werden.
4. Modelltraining: Das ausgewählte Modell wird mit den gesammelten und vorverarbeiteten Daten trainiert. In diesem Prozess werden die Parameter des Modells so angepasst, dass sie die Muster in den Daten optimal erfassen. Der Trainingsprozess wird in der Regel mithilfe eines Optimierungsalgorithmus (z. B. Gradientenabstieg) durchgeführt.
5. Modellbewertung: Die Leistung des trainierten Modells wird anhand eines separaten Testdatensatzes bewertet. Diese Bewertung misst, wie genau das Modell Vorhersagen trifft und wie gut es generalisieren kann.
6. Modellverbesserung: Wenn die Leistung des Modells unzureichend ist, wird das Modell durch Ändern der Architektur, der Trainingsdaten oder der Trainingsparameter verbessert. Dieser Prozess wird wiederholt, bis die Leistung des Modells ein akzeptables Niveau erreicht hat.
7. Modellbereitstellung: Das verbesserte Modell wird zur Verwendung bereitgestellt. Dies kann bedeuten, dass das Modell in eine Webanwendung, eine mobile Anwendung oder ein anderes System integriert wird.

Beispielcode (Einfaches neuronales Netzwerk mit Python und TensorFlow):

import tensorflow as tf
from tensorflow import keras

# Definition des Modells
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

# Kompilierung des Modells
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# Laden und Vorverarbeiten der Daten
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') / 255
x_test = x_test.reshape(10000, 784).astype('float32') / 255
y_train = keras.utils.to_categorical(y_train, num_classes=10)
y_test = keras.utils.to_categorical(y_test, num_classes=10)

# Training des Modells
model.fit(x_train, y_train, epochs=2, batch_size=32)

# Bewertung des Modells
loss, accuracy = model.evaluate(x_test, y_test)
print('Testgenauigkeit:', accuracy)

Dieses Codebeispiel verwendet die Bibliotheken TensorFlow und Keras, um ein einfaches neuronales Netzwerk auf dem MNIST-Datensatz zu trainieren. Das Modell verfügt über eine verborgene Schicht mit 784 Eingangsneuronen und eine Ausgabeschicht mit 10 Ausgangsneuronen. Das Modell wird mit dem Adam-Optimierungsalgorithmus und der kategorischen Kreuzentropie-Verlustfunktion trainiert.

Wie funktionieren Midjourney und andere KI-Bildgeneratoren?

Bildgenerierende KI wie Midjourney, DALL-E 2 und Stable Diffusion verwenden im Wesentlichen Deep-Learning-Techniken wie Diffusionsmodelle und generative adversarial networks (GANs). Diese Modelle können realistische und kreative Bilder aus Textbeschreibungen (Prompts) erstellen.

Diffusionsmodelle:

1. Vorwärtsdiffusion (Forward Diffusion): In dieser Phase wird dem Originalbild schrittweise Gaußsches Rauschen hinzugefügt. Dieser Prozess wird fortgesetzt, bis das Bild vollständig in zufälliges Rauschen umgewandelt wurde.
2. Rückwärtsdiffusion (Reverse Diffusion): In dieser Phase lernt das Modell, das Originalbild aus dem Rauschen wiederherzustellen. Das Modell reduziert in jedem Schritt das Rauschen und erzeugt so ein aussagekräftigeres Bild. Die Textbeschreibung (Prompt) wird verwendet, um diesen Rückwärtsdiffusionsprozess zu steuern.

GANs (Generative Adversarial Networks):

1. Generator: Dieses Netzwerk erzeugt gefälschte Bilder aus zufälligem Rauschen.
2. Diskriminator: Dieses Netzwerk versucht, zwischen echten und gefälschten Bildern zu unterscheiden.

Generator und Diskriminator werden trainiert, indem sie miteinander konkurrieren. Der Generator versucht, den Diskriminator zu täuschen, während der Diskriminator versucht, die vom Generator erzeugten gefälschten Bilder zu erkennen. Dieser Prozess ermöglicht es dem Generator, realistischere Bilder zu erzeugen.

Schritt-für-Schritt-Prozess (Midjourney-Beispiel):

1. Textbeschreibung (Prompt): Der Benutzer gibt eine Textbeschreibung ein, die das zu erstellende Bild definiert (z. B. "Sonnenuntergang über einem ruhigen See").
2. Modellverarbeitung: Das KI-Modell von Midjourney analysiert die Textbeschreibung und verwendet das Diffusionsmodell oder das GAN, um ein Bild zu erstellen, das dieser Beschreibung entspricht.
3. Bilderzeugung: Das Modell erzeugt ein Bild, indem es schrittweise das Rauschen reduziert oder gefälschte Bilder erzeugt. Die Textbeschreibung steuert diesen Prozess und stellt sicher, dass das Bild die gewünschten Eigenschaften aufweist.
4. Bildverbesserung: Das erzeugte Bild wird verbessert, um es realistischer und ästhetischer zu gestalten. In dieser Phase werden Elemente wie Farben, Details und Komposition angepasst.
5. Ergebnis: Dem Benutzer wird ein Bild präsentiert, das der Textbeschreibung entspricht. Der Benutzer kann dieses Bild herunterladen, teilen oder ändern.

Beispiel aus dem echten Leben:

Eine Werbeagentur möchte visuelles Material für ein neues Produkt erstellen. Anstatt traditionelle Methoden wie Fotoshootings oder Illustrationen zu verwenden, können sie verschiedene Konzepte mit einer KI zur Bilderzeugung wie Midjourney ausprobieren. Zum Beispiel können sie eine Textbeschreibung wie "ein neuer Sportwagen in einer futuristischen Stadt" eingeben und verschiedene visuelle Variationen erhalten. Auf diese Weise können sie sowohl Zeit sparen als auch kreativere und originellere Bilder erstellen.

Visuelle Beschreibung (Schema):

[Textbeschreibung] --> [KI-Modell (Diffusionsmodell oder GAN)] --> [Bilderzeugung] --> [Bildverbesserung] --> [Ergebnis]

Wie funktionieren ChatGPT und andere große Sprachmodelle (LLM)?

Große Sprachmodelle (LLMs) wie ChatGPT sind Deep-Learning-Modelle, die auf der Transformer-Architektur basieren. Diese Modelle werden auf riesigen Mengen von Textdaten trainiert, um menschenähnliche Texte zu erzeugen, Fragen zu beantworten, Texte zusammenzufassen und verschiedene Sprachaufgaben zu erfüllen.

Transformer-Architektur:

Die Transformer-Architektur zielt darauf ab, Beziehungen in Textdaten mithilfe von Aufmerksamkeitsmechanismen zu modellieren. Diese Architektur ist besonders erfolgreich bei der Erfassung von Abhängigkeiten in langen Texten. Transformer-Modelle bestehen aus zwei Hauptkomponenten: Encoder und Decoder.

• Encoder: Wandelt den Eingabetext in eine numerische Darstellung (Embedding) um. Diese Darstellung enthält die Bedeutung und den Kontext des Textes.
• Decoder: Erzeugt neue Texte mithilfe der vom Encoder erzeugten Darstellung. Der Decoder sagt in jedem Schritt das nächste Wort voraus und fügt dieses Wort dem Text hinzu.

Trainingsprozess:

1. Datenerfassung: LLMs werden auf riesigen Mengen von Textdaten trainiert, die aus dem Internet gesammelt werden. Diese Daten können aus Büchern, Artikeln, Webseiten und anderen verschiedenen Quellen bestehen.
2. Datenvorverarbeitung: Die gesammelten Daten werden bereinigt, transformiert und organisiert, damit das Modell besser lernen kann. In dieser Phase werden unnötige Zeichen entfernt, Texte in Kleinbuchstaben umgewandelt und Wörter in Token zerlegt.
3. Modelltraining: Das Transformer-Modell wird mit den gesammelten und vorverarbeiteten Daten trainiert. Der Trainingsprozess basiert in der Regel auf der Aufgabe, das nächste Wort vorherzusagen. Das Modell versucht in jedem Schritt, das nächste Wort anhand der vorherigen Wörter vorherzusagen.
4. Modellverbesserung: Die Leistung des Modells wird anhand verschiedener Textaufgaben bewertet. Wenn die Leistung des Modells unzureichend ist, wird das Modell durch Ändern der Modellarchitektur, der Trainingsdaten oder der Trainingsparameter verbessert.

Wie es funktioniert (ChatGPT-Beispiel):

1. Eingabetext: Der Benutzer stellt ChatGPT eine Frage oder gibt einen Text ein (z. B. "Was ist künstliche Intelligenz?").
2. Modellverarbeitung: Das KI-Modell von ChatGPT analysiert den eingegebenen Text und verwendet die Transformer-Architektur, um eine passende Antwort zu generieren.
3. Texterzeugung: Das Modell erzeugt einen Text, indem es in jedem Schritt das nächste Wort vorhersagt. Das Modell wählt das am besten geeignete Wort aus, indem es die vorherigen Wörter und den Kontext berücksichtigt.
4. Antwort: Dem Benutzer wird eine passende Antwort auf den eingegebenen Text präsentiert. Der Benutzer kann diese Antwort lesen, teilen oder bearbeiten.

Beispielcode (Einfache Texterzeugung mit Python und der Transformers-Bibliothek):

from transformers import pipeline

# Textgenerierungs-Pipeline erstellen
generator = pipeline('text-generation', model='gpt2')

# Einen Text generieren
prompt = "Künstliche Intelligenz in der Zukunft"
generated_text = generator(prompt, max_length=50, num_return_sequences=1)

# Den generierten Text ausgeben
print(generated_text[0]['generated_text'])

Dieses Codebeispiel verwendet die Transformers-Bibliothek, um mit dem GPT-2-Modell eine einfache Texterzeugung durchzuführen. Das Modell erzeugt einen Text, der mit dem Ausdruck "Künstliche Intelligenz in der Zukunft" beginnt, und der generierte Text wird auf dem Bildschirm ausgegeben.

Beispiel aus dem echten Leben:

Ein Student möchte für seine Hausarbeit einen Artikel über künstliche Intelligenz schreiben. Indem er ChatGPT eine Frage wie "Was ist künstliche Intelligenz und welche Anwendungsbereiche gibt es?" stellt, kann er einen Ausgangspunkt für seinen Artikel erhalten. ChatGPT kann dem Studenten helfen, seinen Artikel zu schreiben, indem es ihm allgemeine Informationen über künstliche Intelligenz und Beispiele für Anwendungsbereiche liefert.

Was bedeuten Gemini und andere multimodale KIs?

Multimodale künstliche Intelligenzen wie Gemini sind KI-Modelle, die verschiedene Datentypen (Text, Bild, Ton, Video usw.) gleichzeitig verarbeiten und verstehen können. Diese Modelle können komplexere und für reale Szenarien besser geeignete Lösungen bieten als unimodale Modelle.

Unimodale KI: Kann nur einen Datentyp verarbeiten (z. B. nur Text oder nur Bild).

Multimodale KI: Kann mehrere Datentypen gleichzeitig verarbeiten (z. B. sowohl Text als auch Bild).

Vorteile der multimodalen KI:

• Umfassenderes Verständnis: Durch die Kombination verschiedener Datentypen kann ein umfassenderes Verständnis erzielt werden. Beispielsweise kann durch die gleichzeitige Verarbeitung eines Bildes und eines Textes, der dieses Bild beschreibt, mehr über den Inhalt und die Bedeutung des Bildes erfahren werden.
• Genauere Vorhersagen: Durch die Verwendung von Informationen aus verschiedenen Datentypen können genauere Vorhersagen getroffen werden. Beispielsweise kann durch die gleichzeitige Verarbeitung eines Videos und des zugehörigen Tons eine genauere Vorhersage über den Inhalt des Videos getroffen werden.
• Kreativere Lösungen: Durch die Kombination verschiedener Datentypen können kreativere Lösungen generiert werden. Beispielsweise kann aus einer Textbeschreibung und einem Bild ein neues Bild erstellt werden.

Eigenschaften von Gemini:

Gemini ist ein multimodales KI-Modell, das von Google entwickelt wurde. Gemini kann verschiedene Datentypen wie Text, Bild, Ton und Video gleichzeitig verarbeiten und verstehen. Gemini kann folgende Aufgaben ausführen:

• Bilderkennung: Kann Objekte, Personen und Szenen in einem Bild erkennen.
• Textverständnis: Kann die Bedeutung, den Kontext und die Emotionen eines Textes verstehen.
• Spracherkennung: Kann Wörter und Sätze in einer Audioaufnahme erkennen.
• Videoverständnis: Kann den Inhalt, die Ereignisse und die Personen eines Videos verstehen.
• Multimodale Abfrage: Kann Fragen beantworten, die verschiedene Datentypen enthalten. Beispielsweise kann eine Frage wie "Wer ist die Person auf diesem Bild?" beantwortet werden.
• Multimodale Generierung: Kann neue Inhalte mithilfe verschiedener Datentypen erstellen. Beispielsweise kann aus einer Textbeschreibung und einem Bild ein neues Bild erstellt werden.

Beispiel aus dem echten Leben:

Ein Arzt kann eine genauere Diagnose stellen, indem er gleichzeitig die Krankenakten (Text), Röntgenbilder und Tonaufnahmen seines Patienten untersucht. Während der Arzt diese verschiedenen Datentypen mit herkömmlichen Methoden separat untersuchen und miteinander in Beziehung setzen muss, kann eine multimodale KI wie Gemini diesen Prozess automatisieren, die Arbeit des Arztes erleichtern und ihm helfen, eine genauere Diagnose zu stellen.

Visuelle Erklärung (Schema):

[Textdaten] + [Bilddaten] + [Audiodaten] + [Videodaten] --> [Multimodales KI-Modell (Gemini)] --> [Umfassendes Verständnis] --> [Genaue Vorhersagen] --> [Kreative Lösungen]

Wie wird die Leistung von KI-Modellen gemessen und verglichen?

Das Messen und Vergleichen der Leistung von KI-Modellen ist entscheidend, um die Effektivität des Modells zu bewerten und das am besten geeignete Modell unter verschiedenen Modellen auszuwählen. Die Leistungskriterien variieren je nach Art des Modells (Klassifizierung, Regression, Clustering usw.) und Anwendungsbereich.

Leistungskriterien für Klassifizierungsmodelle:

• Genauigkeit (Accuracy): Der Anteil der korrekt vorhergesagten Beispiele an der Gesamtzahl der Beispiele. Es ist ein einfaches und verständliches Maß, kann aber bei unausgewogenen Datensätzen irreführend sein.
• Präzision (Precision): Der Anteil der als positiv vorhergesagten Beispiele, die tatsächlich positiv sind. Es ist wichtig, falsch positive Ergebnisse zu minimieren.
• Trefferquote (Recall): Der Anteil der tatsächlich positiven Beispiele, die als positiv vorhergesagt werden. Es ist wichtig, falsch negative Ergebnisse zu minimieren.
• F1-Score (F1-Score): Das harmonische Mittel aus Präzision und Trefferquote. Ziel ist es, ein Gleichgewicht zwischen Präzision und Trefferquote herzustellen.
• ROC-Kurve (Receiver Operating Characteristic Curve): Eine Kurve, die die Leistung des Modells bei verschiedenen Schwellenwerten zeigt. Die Fläche unter der Kurve (AUC) misst die Gesamtleistung des Modells.
• Konfusionsmatrix (Confusion Matrix): Eine Tabelle, die die korrekten und falschen Vorhersagen des Modells zeigt. Sie enthält die Anzahl der True Positives (TP), False Positives (FP), True Negatives (TN) und False Negatives (FN) für jede Klasse.

Leistungsmetriken für Regressionsmodelle:

• Mittlerer quadratischer Fehler (Mean Squared Error - MSE): Der Durchschnitt der Quadrate der Differenzen zwischen den vorhergesagten und den tatsächlichen Werten. Kleine MSE-Werte deuten darauf hin, dass das Modell eine bessere Leistung erbringt.
• Quadratwurzel des mittleren quadratischen Fehlers (Root Mean Squared Error - RMSE): Die Quadratwurzel des MSE. Trägt die gleichen Informationen wie der MSE, ist aber leichter zu interpretieren, da er in den gleichen Einheiten ausgedrückt wird.
• Mittlerer absoluter Fehler (Mean Absolute Error - MAE): Der Durchschnitt der absoluten Werte der Differenzen zwischen den vorhergesagten und den tatsächlichen Werten. Ist weniger empfindlich gegenüber Ausreißern als MSE und RMSE.
• R-Quadrat (R-squared): Der Prozentsatz der Varianz der abhängigen Variablen, der durch die unabhängigen Variablen erklärt wird. R-Quadrat-Werte nahe 1 deuten darauf hin, dass das Modell die Daten gut erklärt.

Andere Leistungsmetriken:

• Speichernutzung: Die Speichermenge, die für den Betrieb des Modells benötigt wird. Dies ist besonders wichtig in ressourcenbeschränkten Umgebungen wie mobilen Geräten oder eingebetteten Systemen.
• Laufzeit: Die Zeit, die das Modell benötigt, um eine Vorhersage zu treffen. Dies ist wichtig für Echtzeitanwendungen.
• Energieverbrauch: Die Energiemenge, die das Modell für den Betrieb verbraucht. Dies ist besonders wichtig für mobile Geräte oder IoT-Geräte, bei denen die Akkulaufzeit wichtig ist.

Vergleichstabelle:

Schritt-für-Schritt-Vergleichsprozess:

1. Vorbereitung des Datensatzes: Bereiten Sie den Datensatz vor, der zum Trainieren und Bewerten der Modelle verwendet werden soll. Teilen Sie den Datensatz in Trainings-, Validierungs- und Testdatensätze auf.
2. Trainieren der Modelle: Trainieren Sie verschiedene KI-Modelle auf dem Trainingsdatensatz. Passen Sie die geeigneten Parameter für jedes Modell an.
3. Bewerten der Modelle: Bewerten Sie die trainierten Modelle auf dem Validierungsdatensatz. Berechnen Sie die geeigneten Leistungsmetriken für jedes Modell.
4. Vergleichen der Modelle: Vergleichen Sie die Leistungsmetriken verschiedener Modelle. Wählen Sie das Modell aus, das am besten zu Ihrem Anwendungsbereich und Ihren Anforderungen passt.
5. Testen des Modells: Testen Sie das ausgewählte Modell auf dem Testdatensatz. Bewerten Sie die Gesamtleistung des Modells und nehmen Sie die erforderlichen Verbesserungen vor.

Welche ethischen und sicherheitstechnischen Probleme gibt es bei künstlicher Intelligenz?

Die rasante Entwicklung von Technologien der künstlichen Intelligenz (KI) bringt eine Reihe ethischer und sicherheitstechnischer Probleme mit sich. Diese Probleme beziehen sich auf die potenziellen Auswirkungen des Einsatzes von KI auf die Menschenrechte, die Gesellschaft und die Umwelt.

Ethische Probleme:

• Voreingenommenheit (Bias): KI-Modelle können die Voreingenommenheiten widerspiegeln, die in den Daten enthalten sind, mit denen sie trainiert wurden. Dies kann zu diskriminierenden oder unfairen Ergebnissen führen. Beispielsweise könnte eine KI für die Personalbeschaffung männliche Bewerber für Positionen bevorzugen, in denen in der Vergangenheit hauptsächlich Männer tätig waren.
• Transparenz und Erklärbarkeit (Transparency and Explainability): Es ist oft unklar, wie KI-Modelle Entscheidungen treffen. Dies erschwert die Rechenschaftspflicht und verringert die Vertrauenswürdigkeit der KI. Wenn beispielsweise nicht erklärt werden kann, warum ein autonomes Fahrsystem eine bestimmte Entscheidung getroffen hat, wer ist dann für Unfälle verantwortlich?
• Datenschutz (Privacy): KI-Modelle sammeln, analysieren und verwenden personenbezogene Daten. Dies kann zu Datenschutzverletzungen und Missbrauch führen. Beispielsweise könnte ein Gesichtserkennungssystem ständig verfolgen, wo sich Menschen aufhalten und was sie tun.
• Arbeitslosigkeit (Unemployment): KI und Automatisierung können dazu führen, dass viele Arbeitsplätze wegfallen. Dies kann zu Arbeitslosigkeit und wirtschaftlicher Ungleichheit führen. Beispielsweise könnten autonome Lastwagen dazu führen, dass LKW-Fahrer ihren Arbeitsplatz verlieren.
• Verantwortung (Responsibility): Wer ist für Schäden verantwortlich, die durch KI-Systeme verursacht werden? Es ist unklar, wer zur Rechenschaft gezogen wird, wenn eine KI einen Fehler macht oder einen Schaden verursacht.

Sicherheitsprobleme:

• Cyberangriffe (Cyber Attacks): KI-Systeme können anfällig für Cyberangriffe sein. Angreifer können KI-Modelle manipulieren oder KI-Systeme mithilfe von Schadsoftware kontrollieren. Beispielsweise könnte das KI-Modell eines autonomen Fahrsystems manipuliert werden, um einen Unfall zu verursachen.
• Autonome Waffen (Autonomous Weapons): KI kann die Entwicklung autonomer Waffen ermöglichen. Diese Waffen können ohne menschliches Zutun Entscheidungen treffen und töten. Dies kann zu ernsthaften ethischen und sicherheitstechnischen Problemen führen.
• Falschinformationen (Misinformation): KI kann verwendet werden, um realistische gefälschte Nachrichten, Videos und Audioaufnahmen zu erstellen. Dies kann zu Falschinformationen und Manipulationen führen. Beispielsweise könnte ein KI-Modell ein Video erstellen, in dem ein Politiker Dinge sagt, die er nicht gesagt hat.
• Datensicherheit (Data Security): Die Sicherheit der Daten, die zum Trainieren von KI-Modellen verwendet werden, muss gewährleistet sein. Das Stehlen oder Manipulieren von Daten kann dazu führen, dass KI-Systeme falsche oder schädliche Ergebnisse liefern.

Maßnahmen:

• Ethische Grundsätze und rechtliche Bestimmungen: Für die Entwicklung und Nutzung von KI sollten ethische Grundsätze und rechtliche Bestimmungen erstellt werden. Diese Grundsätze und Bestimmungen sollten darauf abzielen, zu verhindern, dass KI Menschenrechte, die Gesellschaft und die Umwelt schädigt.
• Transparenz und Erklärbarkeit: Es sollte erklärbar sein, wie KI-Modelle Entscheidungen treffen. Dies erhöht die Rechenschaftspflicht und gewährleistet die Zuverlässigkeit von KI.
• Beseitigung von Vorurteilen: Vorurteile in den Daten, die zum Trainieren von KI-Modellen verwendet werden, sollten beseitigt werden. Dies verhindert diskriminierende oder unfaire Ergebnisse.
• Sicherheitsmaßnahmen: KI-Systeme sollten vor Cyberangriffen geschützt werden. Dies gewährleistet die Sicherheit und Zuverlässigkeit von KI-Systemen.
• Bildung und Sensibilisierung: Es ist wichtig, die Öffentlichkeit für die ethischen und sicherheitstechnischen Probleme von KI zu sensibilisieren. Dies fördert den verantwortungsvollen und ethischen Einsatz von KI.

Beispiel aus dem wirklichen Leben:

Die KI von Amazon für die Personalbeschaffung diskriminierte nachweislich weibliche Bewerberinnen. Da die KI in der Vergangenheit männliche Bewerber für Positionen bevorzugte, in denen Männer in der Mehrheit waren, lehnte sie die Bewerbungen von Frauen automatisch ab. Diese Situation war auf Vorurteile in den Daten zurückzuführen, mit denen die KI trainiert wurde. Amazon hat das KI-Modell neu trainiert und versucht, die Diskriminierung zu beseitigen.

Tabelle: Ethische und sicherheitstechnische Probleme der KI