Sind Daten unvoreingenommen? – Bias & ethische Konflikte
Algorithmen sind unvoreingenommen – als ich mit Data Science anfing, war ich davon überzeugt, dass dies stimmt. Heute weiss ich, dass ein Algorithmus nur so gut ist wie seine Daten. Und können Daten voreingenommen sein? In "Torch", unserer neuen Data-Science-Serie, zeige ich dir, wie ungleiche Aggregation und Interpretation von Daten Data-Science-Projekte beeinflussen können.
Warum Datenqualität der Schlüssel für jedes Data-Science-Projekt ist.
Wie ein Algorithmus die Verzerrungen in einem Datensatz noch weiter verstärkt.
Was du tun kannst, um zu verhindern, dass dein Algorithmus eine verzerrte Ausgabe erzeugt.
Wie sieht dies in der Praxis konkret aus? In meinem Takeaway stelle ich dir eine praktische Checkliste zur Verfügung, die dir hilft, eine verantwortungsvolle KI zu etablieren.
Hallo zusammen, ich bin Luca und arbeite als Data Science und Data Analytics Consultant bei Trivadis – Part of Accenture. Da ich mich sowohl für angewandte Mathematik als auch für Softwareentwicklung interessiere, arbeite ich gerne an der Schnittstelle von Daten, Mathematik und Algorithmen und finde für jede Aufgabe das richtige Werkzeug. Wenn ich nicht gerade mit Daten jongliere, gehe ich joggen, verbringe Zeit mit meinen Kindern und koche für meine Familie. P. S.: Hat dir meine "Torch"-Episode gefallen? Dann kontaktiere mich gerne – es würde mich freuen, die Fackel (en. “torch”) weiterzureichen und damit deine Begeisterung für Data Science zu entfachen!
Was ich dir mitgebe
Algorithmen treffen bereits viele Entscheidungen in unserem Leben. Manche sind weniger wichtig (z. B. welche Filme uns auf Netflix empfohlen werden), andere haben schwerwiegendere Folgen (z. B. wer einen Kredit erhält und wer nicht). Wie können wir sicherstellen, dass Algorithmen insbesondere im letzteren Fall unvoreingenommene Entscheidungen treffen? In meinem Takeaway findest du eine praktische Checkliste, die du als Grundlage für dein eigenes Data-Science-Projekt verwenden kannst.
