{"id":173623,"date":"2023-04-02T15:01:09","date_gmt":"2023-04-02T14:01:09","guid":{"rendered":"https:\/\/liora.io\/de\/?p=173623"},"modified":"2026-02-06T06:57:07","modified_gmt":"2026-02-06T05:57:07","slug":"ki-diskriminierung-das-solltest-du-wissen","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/ki-diskriminierung-das-solltest-du-wissen","title":{"rendered":"KI Diskriminierung: Das solltest Du wissen!"},"content":{"rendered":"<p><strong>Es wird immer mehr \u00fcber KI Diskriminierungen gesprochen. In der Tat sind diskriminierende Verzerrungen derzeit die gr\u00f6\u00dfte Schwachstelle der k\u00fcnstlichen Intelligenz. Erfahre alles, was du \u00fcber dieses Problem, seine Ursachen sowie Folgen wissen musst, und was Du tun kannst, um dieses ernste Problem zu beheben&#8230;<\/strong><\/p>\n<p><a href=\"https:\/\/liora.io\/de\/kuenstliche-intelligenz\">K\u00fcnstliche Intelligenz<\/a> und Machine Learning bieten unz\u00e4hlige M\u00f6glichkeiten. Leider werden diese Technologien derzeit von einem schwerwiegenden Problem heimgesucht: dem Diskriminierungsbias.<\/p>\n<p><em>Der Begriff &#8222;<a href=\"https:\/\/liora.io\/de\/kuenstliche-intelligenz-wo-sind-die-grenzen\">KI-Bias&#8220;<\/a> (KI Diskriminierung) bezeichnet eine Situation, in der ein Machine-Learning-System eine bestimmte Gruppe von Menschen diskriminiert. In der Regel spiegelt diese Diskriminierung die Diskriminierungen wider, die in unserer Gesellschaft in Bezug auf Hautfarbe, Geschlecht, Alter oder Nationalit\u00e4t beklagt werden.<\/em><\/p>\n<p>Solange dieses Problem nicht gel\u00f6st ist, kann die k\u00fcnstliche Intelligenz ihr volles Potenzial nicht entfalten und k\u00f6nnte sich sogar als sch\u00e4dlich und gef\u00e4hrlich f\u00fcr die Gesellschaft erweisen. In diesem Artikel erf\u00e4hrst Du mehr \u00fcber die Ursachen und Folgen von<strong> KI Diskriminierung<\/strong> und wie du sie aus der Welt schaffen kannst&#8230;<\/p>\n<h3>Was ist KI Diskriminierung?<\/h3>\n<p>Im Rahmen des<a href=\"\/\"> Gender Shades-Projekts<\/a> haben die Forscher Inioluwa Deborah Raji von der Universit\u00e4t Toronto und Joy Buolamwini vom MIT die Gesichtserkennungstechnologien von Microsoft, IBM und dem chinesischen Unternehmen Face++ getestet.<\/p>\n<p>Dabei stellten sie fest, dass jede dieser Technologien bei Gesichtern mit wei\u00dfer Hautfarbe besser abschneidet als bei Gesichtern mit dunklerer Hautfarbe. Dies ist nur ein Beispiel von vielen, das auf traurigeden Grad der <strong>KI Diskriminierung<\/strong> aufzeigt.<\/p>\n<p>Die beiden Forscher untersuchten auch Systeme zur Klassifizierung nach Geschlecht. Auch hier erwiesen sich alle drei Systeme bei Frauengesichtern als weitaus schlechter als bei M\u00e4nnergesichtern. Eine Frau mit dunkler Haut wird in 34,7 % der F\u00e4lle falsch kategorisiert, w\u00e4hrend die Fehlerquote bei einem Mann mit heller Haut bei 0,8 % liegt.<\/p>\n<p>Ein weiteres Beispiel f\u00fcr <strong>KI Diskriminierung<\/strong> ist das Gesichtserkennungssystem &#8222;Rekognition&#8220; von Amazon. In einem von der <strong>American Civil Liberties Union (ACLU)<\/strong> durchgef\u00fchrten Experiment verwechselte Rekognition 28 Mitglieder des US-Kongresses mit Verbrecherportr\u00e4ts aus einer Datenbank. Fast 40 % der verwechselten Abgeordneten waren dunkelh\u00e4utige Menschen.<\/p>\n<p>Es ist also unbestreitbar, dass Frauen und Menschen mit dunkler Hautfarbe von k\u00fcnstlicher Intelligenz diskriminiert werden. Diese Diskriminierung kann jedoch potenziell dramatische Folgen haben.<\/p>\n<p>Trotz dieser <strong>KI Diskriminierung<\/strong> werden Gesichtserkennungssysteme von den Beh\u00f6rden in einer Vielzahl von L\u00e4ndern routinem\u00e4\u00dfig eingesetzt, um Verd\u00e4chtige zu identifizieren.<\/p>\n<p>Es besteht also ein gro\u00dfes Risiko, dass Unschuldige aufgrund einer Verwechslung f\u00e4lschlicherweise angeklagt werden&#8230;.<\/p>\n<p><iframe title=\"Diskriminierung durch k\u00fcnstliche Intelligenz: EU will dagegen vorgehen\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/vvRlNvlOgiI?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h3>Was sind die Ursachen von KI Diskriminierung ?<\/h3>\n<p>Die Ursache f\u00fcr diskriminierende Verzerrungen und KI Diskriminierung ist direkt in den <a href=\"https:\/\/liora.io\/de\/datasets-top-5-websites-fuer-qualitativ-hochwertige-datensaetze\">Datens\u00e4tzen zu suchen, mit denen die KIs trainiert werden<\/a>.<\/p>\n<p>Wenn man sich zwei der<a href=\"https:\/\/liora.io\/de\/machine-learning-data-sets-top-5-websites\"> wichtigsten Datenbanken<\/a> ansieht, die massiv genutzt werden, um Gesichtserkennungssysteme zu f\u00fcttern, stellt man schnell fest, dass sie \u00fcberwiegend aus Portr\u00e4ts von hellh\u00e4utigen Menschen bestehen:<strong> 79,6 % f\u00fcr den IJB-A-Datensatz und 86,2 % f\u00fcr den Adience-Datensatz<\/strong>.<\/p>\n<p>Es gibt zwei Kategorien von <a href=\"https:\/\/liora.io\/de\/tf-idf\">KI-Verzerrungen die zu KI Diskriminierung f\u00fchren:<\/a><\/p>\n<ul>\n<li>Algorithmische Verzerrungen<\/li>\n<li>Gesellschaftliche Verzerrungen.<\/li>\n<\/ul>\n<p>Im ersten Fall wurde die K\u00fcnstliche Intelligenz mit verzerrten Daten trainiert. Das ist genau das Problem von Gesichtserkennungssystemen, die mit<strong> Daten von IJB-A oder Adience gef\u00fcttert werden.<\/strong><\/p>\n<p>Im zweiten Fall, dem gesellschaftlichen Bias, wird die k\u00fcnstliche Intelligenz durch Vorurteile und Stereotypen verzerrt, die tief im kollektiven Unterbewusstsein verankert sind.<\/p>\n<p>Dieser Faktor ist noch gef\u00fcrchteter, da es sehr schwer ist, sich von ihnen zu l\u00f6sen oder sich ihrer \u00fcberhaupt bewusst zu werden&#8230;<\/p>\n<p>In den meisten Situationen werden die Voreingenommenheiten der k\u00fcnstlichen Intelligenz und damit die KI Diskriminierung direkt von den <a href=\"https:\/\/liora.io\/de\/data-experts-und-wenn-der-richtige-mitarbeiter-bereits-in-deinem-team-ist\">Data Scientists geerbt, die sie erschaffen haben.<\/a><\/p>\n<p>Wie bei einem Kind, dessen Sichtweise unbewusst von der Erziehung seiner Eltern gepr\u00e4gt wird, kann die KI die gleichen Diskriminierungen reproduzieren wie ihre Sch\u00f6pfer.<\/p>\n<p>So spiegeln <strong>gesellschaftliche Verzerrungen<\/strong> soziale Intoleranz oder institutionelle Diskriminierung wider, die tief in der Gesellschaft verwurzelt sind.<\/p>\n<p>Die Algorithmen und Daten m\u00f6gen neutral erscheinen, aber die<strong> KI wird sich bei der Nutzung als diskriminierend erweisen.<\/strong><\/p>\n<p>Es ist sehr schwierig, gesellschaftliche Verzerrungen zu identifizieren und nachzuverfolgen.<\/p>\n<p>Im Jahr 2014 fand eine Studie heraus, dass<strong> Google Ads mehr Anzeigen f\u00fcr hochbezahlte Berufe f\u00fcr M\u00e4nner als f\u00fcr Frauen anbot<\/strong>. Diese Verzerrung spiegelt den Sexismus wider, der in unserer Gesellschaft immer noch zu stark ausgepr\u00e4gt ist.<\/p>\n<p>Google erlaubt Werbetreibenden lediglich, nur M\u00e4nner f\u00fcr ihre Anzeigen anzusprechen, aber es sind die Unternehmen, die f\u00fcr diese diskriminierende Ausrichtung der Werbung schuldig sind. Daher ist es schwierig zu bestimmen, wer verantwortlich ist.<\/p>\n<p>Weitere Beispiele f\u00fcr <strong>voreingenommene KI-Tools<\/strong> sind das automatisierte Einstellungssystem, das Amazon 2014 entwickelt hat. Diese k\u00fcnstliche Intelligenz sollte unter den Bewerbern f\u00fcr eine zu besetzende Stelle die besten Lebensl\u00e4ufe ausw\u00e4hlen.<\/p>\n<p>Leider stellte sich heraus, dass das System Frauen diskriminierte. Der Grund f\u00fcr diese <strong>KI Diskriminierung<\/strong> war, dass es mit den historischen Daten von Amazon-Mitarbeitern trainiert worden war: Die gro\u00dfe Mehrheit waren wei\u00dfe M\u00e4nner.<\/p>\n<p><iframe title=\"Gender Bias In AI | Understanding with Unbabel\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/qpYyI9Tdtc4?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h3>Wie kann man die KI Diskriminierung und KI Bias bek\u00e4mpfen?<\/h3>\n<p>Verzerrte k\u00fcnstliche Intelligenz kann verheerende Folgen haben, wie z. B. die Verurteilung Unschuldiger oder die Diskriminierung bei der Einstellung.<\/p>\n<p>Daher ist es wichtig, dieses \u00dcbel zu bek\u00e4mpfen und \u00e4u\u00dferst wachsam zu bleiben.<\/p>\n<p>Der beste Weg, dieses Problem zu bek\u00e4mpfen, ist, es ins Licht der \u00d6ffentlichkeit zu r\u00fccken. Z\u00f6gere nicht, in deinem Umfeld und vor allem in deiner Firma dar\u00fcber zu sprechen. Verbreite Artikel wie diesen in gro\u00dfem Stil.<\/p>\n<p>Wenn Du<strong> k\u00fcnstliche Intelligenz<\/strong> entwickelst, solltest Du Dich selbst in Frage stellen und versuchen, deine eigenen Vorurteile, die manchmal im Unterbewusstsein vergraben sind, aufzusp\u00fcren.<\/p>\n<p><strong>Versuche, die Datens\u00e4tze, mit denen deine KI trainiert wird, so weit wie m\u00f6glich zu diversifizieren.<\/strong><\/p>\n<p>Wenn du eine Karriere im Bereich der KI oder der Data Science anstrebst, nimm an unserer Schulung teil, um die ethischen Herausforderungen dieses Fachgebiets zu verstehen.<\/p>\n<p>Die Europ\u00e4ische Union genie\u00dft bei der Suche nach ethischer KI einen Vorteil gegen\u00fcber China und den USA: Die DSGVO, die den Datenschutz und die ethische Nutzung von Daten sicherstellen soll. Allerdings ist die K\u00fcnstliche Intelligenz selbst noch nicht ausreichend reguliert. Es ist von entscheidender Bedeutung, dass schnell Standards eingef\u00fchrt werden.<\/p>\n<p>Es gibt heute Werkzeuge, die geschaffen wurden, um gegen die <strong>Verzerrung durch KI<\/strong> vorzugehen. Dazu geh\u00f6ren das <a href=\"https:\/\/pair-code.github.io\/what-if-tool\/\">What-if Tool<\/a> von Google und das <a href=\"https:\/\/www.ibm.com\/opensource\/open\/projects\/ai-fairness-360\/\">AI Fairness 360 Open Source Toolkit von IBM<\/a>, mit denen Machine-Learning-Modelle auf Verzerrungen hin untersucht und inspiziert werden k\u00f6nnen.<\/p>\n<p><iframe title=\"3 types of bias in AI | Machine learning\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/59bMh59JQDo?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<p>Auch interessant:<\/p>\n<ul>\n<li><a href=\"https:\/\/liora.io\/de\/kunstliche-intelligenz-musik-liegt-die-zukunft-der-musik-in-der-kunstlichen-intelligenz\">KI und Musik<\/a><\/li>\n<li><a href=\"https:\/\/liora.io\/de\/praediktive-wartung-von-aufzuegen-herausforderungen-und-technologien-der-kuenstlichen-intelligenz\">Pr\u00e4diktive Wartung von Aufz\u00fcgen mit KI<\/a><\/li>\n<li><a href=\"https:\/\/liora.io\/de\/ai-dungeon-ai\">AI Dungeon<\/a><\/li>\n<li><a href=\"https:\/\/liora.io\/de\/der-health-data-hub-eine-umstrittene-gesundheitsdatenbank\">Der Health Data Hub<\/a><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>Es wird immer mehr \u00fcber KI Diskriminierungen gesprochen. In der Tat sind diskriminierende Verzerrungen derzeit die gr\u00f6\u00dfte Schwachstelle der k\u00fcnstlichen Intelligenz. Erfahre alles, was du \u00fcber dieses Problem, seine Ursachen sowie Folgen wissen musst, und was Du tun kannst, um dieses ernste Problem zu beheben&#8230; K\u00fcnstliche Intelligenz und Machine Learning bieten unz\u00e4hlige M\u00f6glichkeiten. Leider werden [&hellip;]<\/p>\n","protected":false},"author":78,"featured_media":173629,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-173623","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/173623","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/78"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=173623"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/173623\/revisions"}],"predecessor-version":[{"id":217646,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/173623\/revisions\/217646"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/173629"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=173623"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=173623"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}