Bias bei KI
Bias bei KI heißt, dass ein Programm manche Gruppen von Menschen weniger fair behandelt als andere. Ein Kino in Ravensfeld lässt ein KI-Werkzeug auswählen, wer zum Gespräch für einen Wochenendjob kommt.
Zwanzig Leute bewerben sich. Fast alle, die es auswählt, wohnen in der Nordstadt. Niemand hat ihm das gesagt. Wie kam es dazu?
Am Ende dieser Lektion
Notiz
Ich kann erkennen, wann ein KI-Ergebnis unfair sein könnte.
Schlüsselwörter
| Begriff | Was er bedeutet |
|---|---|
| Bias | eine Schieflage, die manche Menschen weniger fair behandelt |
| Fair | Menschen in gleicher Lage gleich behandeln |
| Gruppe | Menschen, die etwas gemeinsam haben |
| Trainingsdaten | die Beispiele, aus denen eine KI gelernt hat |
| Auswahlliste | die Menschen, die in die nächste Runde kommen |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Unfaire Beispiele geben unfaire Ergebnisse
Das Werkzeug des Kinos hat aus früheren Aushilfen gelernt. Die meisten wohnten in der Nordstadt, weil die alte Buslinie von dort kam.
Also hat das Werkzeug „Nordstadt“ als Teil einer guten Aushilfe gelernt. Das ist Bias. Die Trainingsdaten waren schief, also sind es die Ergebnisse auch.
Du bemerkst es, wenn du Gruppen vergleichst
Bias erkennst du oft schon durch einfaches Zählen. Teil die Menschen in Gruppen ein und vergleiche, wie oft jede Gruppe ausgewählt wurde.
Haben sich zwei Gruppen gleich beworben, aber eine wird viel öfter ausgewählt, frag nach dem Grund.
Beispiel: die Auswahlliste des Kinos
| Gruppe | Beworben | Ausgewählt | Ausgewählt von 10 | In Prozent |
|---|---|---|---|---|
| Nordstadt | 10 | 6 | 6 von 10 | 60 % |
| Südstadt | 10 | 2 | 2 von 10 | 20 % |
| Abstand | 4 von 10 | 40 % |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Zähl, wer ausgewählt wurde
# Jede Person ist [Gruppe, ausgewählt]. True heißt ausgewählt.
personen = [
["nord", True], ["nord", True], ["nord", False], ["nord", True],
["sued", False], ["sued", True], ["sued", False], ["sued", False],
]
beworben = {}
ausgewaehlt = {}
for person in personen:
gruppe = person[0]
if gruppe not in beworben:
beworben[gruppe] = 0
ausgewaehlt[gruppe] = 0
beworben[gruppe] = beworben[gruppe] + 1
if person[1]:
ausgewaehlt[gruppe] = ausgewaehlt[gruppe] + 1
for gruppe in beworben:
print(gruppe, ausgewaehlt[gruppe], "von", beworben[gruppe])
Aus den Zahlen einen Abstand machen
# Ausgewählt von beworben je Gruppe, aus dem Run oben.
nord_ausgewaehlt = 3
nord_beworben = 4
sued_ausgewaehlt = 1
sued_beworben = 4
nord_quote = round(nord_ausgewaehlt * 100 / nord_beworben)
sued_quote = round(sued_ausgewaehlt * 100 / sued_beworben)
print("Nord:", nord_quote, "%")
print("Süd:", sued_quote, "%")
print("Abstand:", nord_quote - sued_quote, "%")
Was tun, wenn ein Ergebnis unfair aussieht?
Sag, was dir aufgefallen ist, mit den Zahlen. Sag es jemandem, der es ändern kann: einer Lehrkraft, deiner Chefin oder dem Melde-Knopf einer App. Bitte darum, dass ein Mensch die Entscheidung prüft.
Prüf auch deine eigene Nutzung. Lässt du KI Bilder oder Geschichten über Menschen machen, schau, wer gezeigt wird und wer fehlt.
Beispiel: Wem sagst du es?
| Wo du es gesehen hast | Wem du es sagst |
|---|---|
| In einer App an der Schule | Deiner Lehrkraft |
| In einem Werkzeug beim Nebenjob | Deiner Chefin oder deinem Chef |
| In einer App auf deinem Handy | Dem Melde-Knopf der App oder einem Erwachsenen, dem du vertraust |
Die Zellen, die Lernende ausfüllen, bleiben in dieser Vorschau leer.
Ein häufiger Fehler
Warnung
Viele denken, ein Computer kann nicht unfair sein, weil er nur den Daten folgt. Genau das ist das Problem: Sind die Daten einseitig, sind es die Ergebnisse auch, also müssen die Zahlen geprüft werden.
Weiterdenken: Wessen Bilder?
Denk an ein Bildwerkzeug, das „eine Forscherin oder einen Forscher“ oder „eine Pflegekraft“ zeigen soll. Zeigt es immer dieselbe Art von Mensch, steckt Bias in seinen Beispielen.
Schreib zwei Fragen auf, die du den Leuten stellen würdest, die so ein Werkzeug gebaut haben.