@techreport{Jackszis2021, author = {Jackszis, Arabella}, title = {Diskriminierung im Machine Learning und Erkl{\"a}rbarkeit von Algorithmen}, volume = {Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2021}, address = {D{\"u}sseldorf}, organization = {Hochschule D{\"u}sseldorf}, doi = {10.20385/93at-4795}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:due62-opus-25075}, pages = {72}, year = {2021}, abstract = {K{\"u}nstliche Intelligenz und Machine Learning sind hochaktuelle Themen in der Informatik. Fortschrittliche Technologien und Vorgehensweisen schaffen neue Einsatzfelder f{\"u}r Anwendungen, die Verhaltensweisen des Menschen erlernen und nachahmen. Dieses innovative Vorgehen birgt jedoch einige Gefahren. Das menschliche Verhalten ist nicht immer objektiv und korrekt. Oft beherrschen Vorurteile das Treffen menschlicher Entscheidungen, sodass Personen diskriminiert werden. Es besteht das Risiko, dass Maschinen diese Verhaltensweise {\"u}bernehmen. Hinzu kommt die fehlende Erkl{\"a}rbarkeit der Algorithmen. Je nach Modell ist nicht eindeutig, nach welchen Prinzipien eine Entscheidung getroffen wird. Das erschwert das Aufdecken von Diskriminierung und senkt die Vertrauensw{\"u}rdigkeit des Systems. In dieser Arbeit werden Ursachen f{\"u}r Diskriminierung und fehlende Transparenz, sowie L{\"o}sungsmethoden erarbeitet. Dabei wird er{\"o}rtert, inwieweit die beiden Themen aufeinander einspielen und gemeinsam zur Qualit{\"a}t der Software beitragen.}, subject = {K{\"u}nstliche Intelligenz}, language = {de} } @techreport{GreilSchwarzStein2018, author = {Greil, Stefan and Schwarz, Christian and Stein, Stefan}, title = {Fairness and the Arm's Length Principle in a Digital Economy}, number = {42}, address = {D{\"u}sseldorf}, issn = {2365-3361}, doi = {10.20385/2365-3361/2018.42}, url = {http://nbn-resolving.de/urn:nbn:de:hbz:due62-opus-12029}, year = {2018}, abstract = {The OECD Base Erosion Profit Shifting (BEPS) Initiative as well as the current fairness oriented public discussion regarding the taxation of digital business models highlight the importance and complexity of the arm's length principle. In a theoretical model of an internationally fragmented digital good's production process, we show that fairness considerations of tax authorities (namely inequity aversion) can result in a falling apart between a perceived "fair" and arm's length distribution of profits across tax jurisdictions. Our model predicts that a multinational firm follows the fundamental paradigm of international taxation, i.e. the arm's length principle, to properly incentivize internal agents involved in the production of a digital good. However, with inequity averse tax authorities, we find that tax authorities "prefer" a more equal distribution of profits compared to the arm's length allocation. From a multinational firm's perspective, inequity aversion among tax authorities dampens the strategic effect to - in accordance with arm's length principle - shift profits to low tax countries.}, language = {en} }