Gesponsert

Ethik als Grundlage für erfolgreiche KI-Projekte Vertrauen und Transparenz bei der Verwendung von künstlicher Intelligenz

Wer der Welt neue, mächtige Technologien zur Verfügung stellt, sollte darauf achten, dass Vertrauen und Transparenz genauso im Fokus stehen, wie der technische Nutzen. Maschinen haben die Aufgabe, die Begabungen von Menschen zu stärken und sie zu unterstützen. Dabei kann KI helfen. Der Beitrag zeigt, auf was dabei geachtet werden muss.

Gesponsert von

(Bild: duncanandison@stock.adobe.com)

Nach einer Untersuchung von Gartner wollen 70 Prozent aller Unternehmen die Produktivität ihrer Mitarbeiter mit KI-Technologien verbessern. Gleichzeitig sehen 60 Prozent der Unternehmen regulatorische Beschränkungen als Hindernis für die erfolgreiche Implementierung der KI.

Mangelndes Vertrauen in die künstliche Intelligenz ist einer der größten Hinderungsfaktoren für das erfolgreiche Einführen von KI. Aus diesem Grund gilt es bereits bei der Planung von KI-Projekten das Vertrauen der Menschen zu gewinnen, die mit der KI in Berührung kommen. Das Thema ethische KI spielt für KI-Projekte eine wesentliche Rolle.

Nicht nur die maximalen Möglichkeiten der Technologie ist wichtig, sondern auch der verantwortungsvolle Umgang damit. Dabei schließen sich Effizienz und Vertrauen nicht aus, im Gegenteil. Ein ganzheitlich betrachtetes KI-Projekt bringt nach der erfolgreichen Einführung den maximalen Nutzen für die Menschen, die damit arbeiten und damit für die Organisation oder das Unternehmen. Eine vertrauensvolle KI ist auch ein Thema, das für Lösungen wie IBM Watson Studio eine wichtige Rolle spielt.

Grundlagen für Ethik beim Einsatz von KI

Wenn Menschen modernen Technologien nicht vertrauen, sind IT-Projekte oft nicht erfolgreich. Das gilt natürlich auch für den Einsatz von KI und dem maschinellen Lernen (Machine Learning, ML). Die Aufgabe von KI soll es sein, Menschen zu unterstützen und ihre Begabungen und Stärken zu verbessern. Dabei spielen Erklärbarkeit, Fairness, Robustheit, Transparenz und Datenschutz wichtige Rolle. Die Ergebnisse, zu der eine KI kommt müssen fair sein, es darf keine Diskriminierung stattfinden (Fairness). Natürlich muss sichergestellt sein, dass Hacker und andere Angreifer keine Chance haben das Ergebnis zu verfälschen (Robustheit). Die Transparenz der Datenfindung spielt genauso eine wichtige Rolle, wie die Notwendigkeit die Ergebnisse und deren Zustandekommen nachvollziehen zu können (Erklärbarkeit). Und schlussendlich muss bei der Verwendung der Daten auch der Datenschutz vollumfänglich eingehalten werden.

Unternehmen erkennen die Bedeutung eines ganzheitlichen Ansatzes für den Umgang mit Daten und KI-Technologie, um Risiken und Vorschriften zu bewältigen und den Ruf ihrer Marke zu schützen.

Es ist nicht die Aufgabe von KI die Arbeitsplätze „wegzurationalisieren“ oder Daten ohne Grenzen zu verarbeiten. Technologien mit künstlicher Intelligenz finden darüber hinaus immer mehr in heiklen Gebieten Einsatz, wie zum Beispiel Finanzbranche. Die Regions Bank hat in Zusammenarbeit mit IBM die interne Analytik umgestaltet. Nach der Einrichtung eines Center of Excellence für Analysen haben IBM und Regions Bank Daten in eine zentralisierte Umgebung, maschinelles Lernen und KI-Techniken angewandt und eine KI-Qualitätskontrolle eingeführt. Das Ergebnis sind verlässliche Analyselösungen, die helfen, Risiken zu reduzieren, Betrug zu erkennen und Geschäftskunden zu unterstützen. Das Team verbessert die Lösung ständig. Wichtig ist an dieser Stelle, dass die KI-Modelle fair und ethisch einwandfrei sind. Regions ist stolz auf seine offenen und vertrauensvollen Kundenbeziehungen.

Die Einhaltung von Gesetzen und Regeln ist dabei genauso wichtig. Technologien Funktionen zum Entwickeln von Modellen mit IBM Watson Studio helfen dabei, KI so zu entwickeln, dass die zu Grunde liegenden Modelle nicht nur technisch auf der Höhe der Zeit sind, sondern Datenschutz, Fairness und Unvoreingenommenheit genauso Berücksichtigung finden, wie Transparenz und Nachverfolgbarkeit der Entscheidungen.

Die Verarbeitung der Daten durch KI-Technologien, wie zum Beispiel beim Machine Learning (ML) oder Deep Learning (DL) müssen nachvollziehbar sein. Dazu hat KPMG „AI in Control“ entwickelt. Das Framework setzt Kriterien, die welche der Algorithmus einhalten muss. Dabei spielen Integrität, Robustheit und Fairness die wichtigsten Rollen.

Ein weiterer, wichtiger Faktor, den „AI in Control“ über Watson Studio sicherstellt, ist die Erklärbarkeit der Ergebnisse, die der Algorithmus präsentiert. Der komplette Weg zur Lösung ist dokumentiert und nachvollziehbar. Als Basis für „AI in Control“ setzt KPMG auf IBM Watson Studio und die IBM Cloud. Mehr zu den Schritten der Entwicklung ist in einem Whitepaper vom KPMG zu lesen.

Unvoreingenommenheit in Lernmodellen sicherstellen

Künstliche Intelligenz baut auf die Trainingsmodelle auf, die sie zum Beispiel von Data Scientists erhält. Das richtige Modell spielt für den späteren Aufbau der KI eine wichtige Rolle. Sind diese Modelle unfair und voreingenommen, dann entsteht auch bei der KI eine Voreingenommenheit, die aber ursächlich durch menschliche Schwächen entsteht. Das Ergebnis ist allerdings, dass Menschen der KI misstrauen, da deren Ergebnis vermeintlich unfair ist.

Es ist darüber hinaus wichtig Regeln zu integrieren, die den DataScientists Grenzen setzen welche Daten verarbeitet werden sollen und wie die Daten genutzt werden sollen. Die Modellierung sollte auf Basis eines Regelwerks stattfinden, das im Unternehmen auf Basis der wichtigen Säulen Erklärbarkeit, Fairness, Robustheit, Transparenz und Datenschutz definiert ist.

Der richtige Umgang mit den vorliegenden Daten entstehen bereits bei der Planung und Umsetzung der Modelle. Gehen an dieser Stelle Data Scientists bereits mit falschen Herangehensweisen vor, entstehen im laufenden Lernen der KI unfaire Tendenzen. Diese hindern am Ende die KI daran, ihr volles Potential auszuschöpfen. Das Endergebnis kann in diesem Fall also nicht nur voreingenommen sein, sondern auch weniger effizient als erhofft.

Beim maschinellen Lernen kommt es auch immer wieder zu algorithmischen Verzerrungen. Häufig werden dafür die zugrundeliegenden Daten verantwortlich gemacht. Trainingsmodelle für das maschinelle Lernen basieren sehr oft auf menschlichen Entscheidungen. Diese können fehlerhaft oder voreingenommen sein. Um Verzerrungen zu verhindern, helfen Technologien für die Entwicklung von Modellen in IBM Watson Studio.

IBM Watson Studio: Lebenszyklus von künstlicher Intelligenz begleiten

Nach einer Untersuchung von Deloitte im Jahr 2020 betrachten 79 % der deutschen Unternehmen KI als wesentlichen Faktor für nachhaltigen Geschäftserfolg. KI-Technologien haben bei den Befragten in ihren Unternehmen höchste Relevanz ein. Das zeigt auch das in der Studie ermittelte Aktivitätsniveau von durchgehend über 90 % in Technologiebereichen wie Machine Learning, Deep Learning, Natural Language Processing und Computer Vision (AR, VR und 3D-Analyse).

KI wird als Technologie vor allem eingesetzt, um einen Mehrwert zu erzeugen, möglichst in kurzer Zeit. Data Scientists verbringen bis zu 80 Prozent ihrer Arbeitszeit mit Aufgaben, die leicht automatisierbar sind. Diese wiederholenden Aufgaben sind zum Beispiel Datenvorbereitung, Feature Engineering oder die Auswahl und Bewertung von Algorithmen. Durch die Automatisierung dieser Aufgaben können Data Scientists sehr viel Zeit einsparen, die sie wichtigeren Dingen widmen können. Das hilft dabei AI-Projekte sehr viel besser zu entwickeln.

Die Modell-Entwicklungs-Funktionen in IBM Watson Studio beschreiben die komplette automatisierte Modellerstellung im Machine Learning. Dabei wird der komplette Lebenszyklus eines Lernmodells begleitet. Neben einer deutlichen Verbesserung der Transparenz und des Vertrauens der Anwender, sparen Data Scientists bei der Automatisierung von AI-Modellen sehr viel Arbeitszeit ein und erhöhen dadurch deutlich ihre Produktivität.

Mit Watson Studio kann intelligente Automatisierung für die Erstellung von prädiktiven, maschinellen Lernmodellen genutzt werden. Das System analysiert die relevanten Daten und trifft auf Basis der Analyse Vorentscheidungen. Im Rahmen von Feature Engineering wählt das System aus, welche Merkmale in einem Modell relevant sind und rechnet zunächst Standard-Algorithmen durch.

Als Ergebnis liefert das System Wahrscheinlichkeiten, welche Features für das Modell ausschlaggebend sind und mit welcher Wahrscheinlichkeit bestimmte Algorithmen zum Erfolg führen. Der Data Scientist weiß jetzt genauer, worauf er sich konzentrieren sollte, um ein möglichst gutes Modell zu erhalten.

Das „Data Science and AI Elite Team“ von IBM verwendet KI-Technologien und maschinelles Lernen in Kombination mit Datenmanagement, um Workflows für maschinelles Lernen und Data Science zu verbessern.

Fazit

Maschinelles Lernen ist mehr als die Analyse von vorgegebenen Daten. Nur beim Einsatz von Modellen, aus denen das KI-System sich selbst ständig verbessert, ist eine KI in der Lage effektiv Aufgaben zu lösen. Bei der Erstellung der Modelle und der Definition der verwendeten Daten helfen Lösungen wie IBM Watson Studio.

Transparenz, Fairness und Unvoreingenommenheit spielen beim Einsatz von KI eine genauso wichtige Rolle, wie die Analyse der Daten und das Festlegen der verwendeten Modelle. Dabei helfen Plattformen wie IBM Watson Studio, um KI-Projekte schneller, besser und für alle Beteiligten auch zufriedenstellender umzusetzen.

(ID:47306753)