KI-Ethik und Verantwortlichkeit: Besondere Herausforderungen von KI und maschinellem Lernen

Name: KI-Ethik und Verantwortlichkeit: Besondere Herausforderungen von KI und maschinellem Lernen
Author: Briana Brownell

Sie erfahren, warum maschinelles Lernen andere ethische Herausforderungen mit sich bringt als andere Formen der Softwareentwicklung.

Preview the first lesson free — get full access to all 5 lessons.

Demo anfragen Anmelden

Kurs: On-Demand

(sanfte Musik) Maschinelles Lernen stellt einige einzigartige Herausforderungen dar in Bezug auf Ethik und Verantwortung. In vielerlei Hinsicht nutzen Entscheidungssysteme maschinelles Lernen sind schwieriger zu bewältigen als andere Formen der Softwareentwicklung. Wir beginnen mit der häufigsten Art des maschinellen Lernens. Überwachtes Lernen ist mit ziemlicher Sicherheit möglich der derzeit am häufigsten verwendete Stil des maschinellen Lernens. Es gibt viele Anwendungsfälle für diese Art des Lernens. wie zum Beispiel vorherzusagen, welche Faktoren den größten Einfluss auf das Kundenerlebnis haben, Kundenabwanderung vorhersagen und verhindern, was sich auf den Verlust von Kunden bezieht, Prognose des Erfolgs einer Marketingstrategie um die Kanalausgaben zu optimieren, Prognose der Systemnutzung oder des Fußgängerverkehrs, oder Vorhersage des Benutzerverhaltens und einen Anstoß geben, es zu ändern. Beachten Sie, dass alle diese Fälle eine Art vorhergesagtes Ergebnis haben. Das ist der Unterschied zwischen überwacht maschinelles Lernen und andere Arten, die wir überprüfen werden. Diese Vorhersagen und ihre nachfolgenden Aktionen basieren auf erhobenen Daten und viele der ethischen Überlegungen betreffen diese Daten. Wieder andere beziehen sich auf die Auswirkungen der Vorhersage, Dies ist einzigartig für überwachtes maschinelles Lernen. Es gibt sowohl technische als auch nichttechnische Überlegungen rund um Ethik und Rechenschaftspflicht, die besonders wichtig sind Anwendbar auf überwachte Lernmodelle. Aus technischen Gründen gilt: einige Methoden des überwachten Lernens sind besonders anfällig für den Einfluss der Ausreißer im Datensatz. Wenn also Daten erfasst werden, die diese Fehler enthalten, Das Gesamtmodell könnte im Training eine gute Leistung erbringen. schlagen dann aber bei der Bereitstellung fehl. Manchmal wissen wir das im Voraus wenn das Vorhersagemodell mit einem Testsatz schlecht abschneidet, Aber oft wissen wir es erst bei der Bereitstellung. Dies bringt mehrere zusätzliche Risiken im Zusammenhang mit den Auswirkungen mit sich des Systems in Bezug auf Voreingenommenheit und Fairness. Überwachtes Lernen basiert auf gekennzeichneten Daten. Oftmals wird diese Kennzeichnung von Menschen vorgenommen basierend auf einer Reihe qualitativer Kriterien. Es ist nicht nur für jeden Einzelnen schwierig, konsequent zu sein bei der Kennzeichnung, sondern auch auf Konsistenz über mehrere Bewerter hinweg. Die Bewerter selbst bringen ihre eigenen Vorurteile mit zum Etikettierungsproblem, Dadurch besteht die Möglichkeit, dass versehentlich Probleme auftreten in das daraus resultierende überwachte Lernmodell. Stellen Sie sich zum Beispiel vor, dass Bewerter eine Bewertung abgeben wie aussagekräftig ein Lebenslauf ist, und diese Daten werden dann verwendet, um ein automatisiertes System zu erstellen Das wird automatisch fortgesetzt. Diese Bewerter können selbst voreingenommen sein gegenüber oder gegen bestimmte Schulen, frühere Unternehmen, oder außerschulische Aktivitäten. Wenn sie die Lebensläufe bewerten, reproduzieren sie möglicherweise ihre eigene Voreingenommenheit in das überwachte maschinelle Lernmodell durch eine voreingenommene Kennzeichnung. Kompliziertere Modelle, wie solche, die mit tiefen neuronalen Netzen aufgebaut sind, kann schwierig zu erklären sein und daher Probleme mit der Transparenz haben. Aufgrund ihrer Komplexität Es kann schwieriger sein, die Sicherheit zu überprüfen und Sicherheit des resultierenden maschinellen Lernmodells. All diese Faktoren bedeuten, dass überwachtes Lernen hat eine lange Liste ethischer Überlegungen das sollte angesprochen werden.

Mittelstufe Anbieter : Briana Brownell 5 Lektionen · 16m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

In diesen Lektionen über KI und die einzigartigen Herausforderungen des maschinellen Lernens lernen Sie die verschiedenen Arten des maschinellen Lernens kennen, darunter das überwachte Lernen, bei dem markierte Daten zur Erstellung von Vorhersagen verwendet werden, das unüberwachte Lernen, eine Reihe von Techniken zum Verständnis der Datenstruktur ohne Ergebnisvariable, und das verstärkende Lernen, eine der ältesten Arten des maschinellen Lernens, die eine zielorientierte Lernmethode verwendet. Sie werden auch ethische Überlegungen zu neuronalen Netzen und generativer KI verstehen.

Maschinelles Lernen ist die Grundlage vieler KI-Systeme, die heute gebaut werden. Künstliche neuronale Netze gehören zu den erfolgreichsten Methoden des maschinellen Lernens. Sie lösen viele der schwierigsten Probleme in diesem Bereich, darunter auch solche, die jahrzehntelang ungelöst waren. Die Verwendung neuronaler Netze hat jedoch auch einige neue Herausforderungen für die KI mit sich gebracht, z. B. die Frage, wie man auf Grenzfälle und die Robustheit der Ergebnisse testen kann. Die Komplexität der Testsysteme könnte ihre Analyse besonders schwierig machen. Wir werden die besonderen Überlegungen, die neuronale Netze in Bezug auf die Ethik anstellen, überprüfen.

Generative KI ist ein neueres und aufstrebendes Gebiet, das für die KI-Ethik und die Rechenschaftspflicht relevant ist.

Wir werden den Lovelace-Test erörtern, mit dem getestet werden soll, ob ein Computer etwas Überraschendes und Originelles erzeugen kann.

Was Sie lernen werden

Unterscheiden Sie zwischen den Haupttypen von Machine Learning: überwachtes, unüberwachtes und Reinforcement Learning
Erkennen Sie die einzigartigen ethischen Herausforderungen, die von künstlichen neuronalen Netzen gestellt werden
Erklären Sie die ethischen Herausforderungen bei generativer KI
Untersuchen Sie, warum neuronale Netze das Testen auf Grenzfälle und Robustheit der Ausgaben schwierig machen
Beschreiben Sie den Lovelace-Test für die Frage, ob ein Computer etwas Überraschendes und Originelles generieren kann

Wichtige Erkenntnisse

Überwachtes Learning verwendet gekennzeichnete Daten, um Vorhersagen zu treffen, unüberwachtes Learning nutzt Techniken, um die Struktur von Daten ohne eine Ergebnisvariable zu verstehen, und Reinforcement Learning ist eine zielbasierte Lernmethode.
Künstliche neuronale Netze sind unter den erfolgreichsten Machine Learning-Methoden und haben Probleme gelöst, die jahrzehntelang ungelöst blieben.
Neuronale Netze führen neue Herausforderungen für KI ein, einschließlich wie man auf Grenzfälle und auf Robustheit der Ausgaben testet, und ihre Testsysteme können besonders schwer zu analysieren sein.
Generative KI ist ein neueres, aufstrebendes Gebiet relevant für KI-Ethik und Verantwortlichkeit.
Der Lovelace-Test zielt darauf ab zu bewerten, ob ein Computer etwas Überraschendes und Originelles generieren könnte.

Häufig gestellte Fragen

Was behandelt dieser Kurs?

Er behandelt die Typen von Machine Learning (überwachtes, unüberwachtes und Reinforcement Learning), die ethischen Überlegungen um künstliche neuronale Netze und die ethischen Herausforderungen bei generativer KI, einschließlich einer Diskussion des Lovelace-Tests.

Was sind die Hauptlernziele?

Um zwischen den Haupttypen von Machine Learning zu unterscheiden, die einzigartigen Herausforderungen mit künstlichen neuronalen Netzen zu erkennen und die ethischen Herausforderungen bei generativer KI zu erklären.

Welche Lektionen sind enthalten?

Der Kurs umfasst Lektionen zu Überwachtem Learning, Unüberwachtem Learning, Reinforcement Learning, Neuronalen Netzen und Generativer KI.

Welche Fähigkeiten werde ich aufbauen?

Sie werden Fähigkeiten in Künstlicher Intelligenz, automatisiertem Machine Learning, Machine Learning, Machine Learning-Methoden, überwachtem Learning und unüberwachtem Learning aufbauen.

Warum erhalten neuronale Netze besondere ethische Aufmerksamkeit in diesem Kurs?

Weil sie, obwohl unter den erfolgreichsten Machine Learning-Methoden, neue Herausforderungen hinzufügen, wie das Testen auf Grenzfälle und Ausgabe-Robustheit, und ihre Komplexität kann die Testsysteme besonders schwer zu analysieren machen.