TY - RPRT A1 - Jackszis, Arabella T1 - Diskriminierung im Machine Learning und Erklärbarkeit von Algorithmen T1 - Discrimination in machine learning and explainability of algorithms N2 - Künstliche Intelligenz und Machine Learning sind hochaktuelle Themen in der Informatik. Fortschrittliche Technologien und Vorgehensweisen schaffen neue Einsatzfelder für 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 übernehmen. Hinzu kommt die fehlende Erklärbarkeit der Algorithmen. Je nach Modell ist nicht eindeutig, nach welchen Prinzipien eine Entscheidung getroffen wird. Das erschwert das Aufdecken von Diskriminierung und senkt die Vertrauenswürdigkeit des Systems. In dieser Arbeit werden Ursachen für Diskriminierung und fehlende Transparenz, sowie Lösungsmethoden erarbeitet. Dabei wird erörtert, inwieweit die beiden Themen aufeinander einspielen und gemeinsam zur Qualität der Software beitragen. N2 - Artificial Intelligence and Machine Learning are matters of high interest in Information Technology. Advanced technologies and approaches are creating new areas of use for applications that study and imitate human behavior. At the same time, this innovative approach poses new dangers. Human behavior is not always objective and correct. Prejudice often dominates human decisions and therefore leads to discrimination. There is a risk that machines adopt this behavior. On top of this, algorithms are often not explainable. Depending on the model, the principles that are relevant for the decision are not clear. This makes it harder to detect discrimination and reduces the trustworthiness of a system. In this paper, causes of bias in Machine Learning and the lack of transparency, as well as methods to eliminate these problems, are elaborated. It works out the interaction between the two issues and how they contribute to the quality of the software. KW - Diskriminierung KW - Discrimination KW - Fairness KW - Erklärbarkeit KW - Nachvollziehbarkeit KW - Transparenz KW - Machine Learning KW - explainability KW - transparency KW - artificial intelligence KW - machine learning KW - traceability KW - Künstliche Intelligenz KW - Hg_TCR Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-25075 VL - Arbeitspapier des Lehrgebiets Datenbanken und E-Business, Nr. 2/2021 CY - Düsseldorf ER - TY - RPRT A1 - Greil, Stefan A1 - Schwarz, Christian A1 - Stein, Stefan T1 - Fairness and the Arm's Length Principle in a Digital Economy T1 - Fairness und der Fremdvergleichsgrundsatz in der digitalen Ökonomie N2 - 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. N2 - Die OECD Base Erosion Profit Shifting (BEPS) Initiative sowie die aktuelle Fairness orientierte öffentliche Diskussion zur Besteuerung digitaler Geschäftsmodelle verdeutlichen die Bedeutung und Komplexität des Fremdvergleichsgrundsatzes. Wir modellieren einen international fragmentierten Produktionsprozess eines digitalen Gutes und zeigen wie Fairness-Erwägungen von Steuerbehörden (d.h. Ungleichheitsaversion) dazu führen kann, dass die als "fair" wahrgenommene und die zum Fremdvergleichsgrundsatz konforme Gewinnverteilung innerhalb der Steuerjurisdiktionen auseinander fällt. Unser Modell sagt voraus, dass eines multinationales Unternehmen dem fundamentalen Paradigma der internationalen Besteuerung, d.h. dem Fremdvergleichsgrundsatz folgt, um firmenintern effiziente Anreize zur Produktion des digitalen Gutes zu setzen. Ungleichheitsaversion auf Seiten der Steuerbehörden führt allerdings dazu, dass die Steuerbehörden eine gleichmäßigere Verteilung der Gewinne im Vergleich zum Fremdvergleichsgrundsatz bevorzugen. Aus Sicht eines multinationalen Unternehmens dämpft die Ungleichheitsaversion der Steuerbehörden den strategischen Anreiz Gewinne in Niedrigsteuerländer zu verlagern. T3 - Forschungsberichte des Fachbereichs Wirtschaftswissenschaften der Hochschule Düsseldorf - 42 KW - Unternehmensbesteuerung KW - Gewinnverlagerung KW - Fremdvergleichsgrundsatz KW - Fairness KW - corporate income tax KW - profit-shifting KW - arms length principle KW - fairness Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-12029 SN - 2365-3361 IS - 42 CY - Düsseldorf ER -