@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}, publisher = {Hochschule D{\"u}sseldorf}, 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} }