Kurzfassung:
- Maschinelles Lernen sucht nach Mustern in Daten. Doch künstliche Intelligenz kann „voreingenommen“ sein – das heißt, sie erkennt falsche Muster. Zum Beispiel kann ein System zur Erkennung von Hautkrebs bei Fotos besonders auf Bilder achten, die in einer Arztpraxis aufgenommen wurden. Maschinelles Lernen versteht nicht was es tut: seine Algorithmen erkennen lediglich Muster in Zahlen, und wenn die Daten nicht repräsentativ sind, wird auch das Ergebnis ihrer Verarbeitung entsprechend ausfallen. Es kann schwierig sein, solche Fehler zu erkennen, da sie der Mechanik des maschinellen Lernens entspringen.
- Der offensichtlichste und beängstigende Problembereich ist die menschliche Vielfalt. Es gibt viele Gründe, warum Daten über Menschen bereits in der Sammelphase an Objektivität verlieren können. Doch man sollte nicht denken, dass dieses Problem nur Menschen betrifft: Ähnliche Schwierigkeiten treten auch auf, wenn man versucht, eine Überschwemmung im Lager zu erfassen oder eine ausgefallene Gasturbine zu erkennen. Einige Systeme können Vorurteile gegenüber Hautfarbe haben, andere wiederum könnten voreingenommen gegenüber Siemens-Sensoren sein.
- Solche Probleme sind im Bereich des maschinellen Lernens keine Seltenheit und kommen keineswegs nur dort vor. Falsche Annahmen werden in allen komplexen Strukturen getroffen, und es ist stets eine Herausforderung zu verstehen, warum eine bestimmte Entscheidung getroffen wurde. Hier muss ganzheitlich angegangen werden: Werkzeuge und Prozesse zur Überprüfung müssen geschaffen werden, und die Anwender sollten geschult werden, damit sie den Empfehlungen der KI nicht blind folgen. Maschinelles Lernen kann in der Tat einige Dinge viel besser als wir, - aber Hunde sind beispielsweise viel effektiver als Menschen bei der Drogenaufspürung, was jedoch kein Grund ist, sie als Zeugen heranzuziehen und Urteile allein auf Grundlage ihrer Aussagen zu fällen. Und Hunde sind, um fair zu sein, auch viel intelligenter als jedes System des maschinellen Lernens.
Maschinelles Lernen ist heute einer der bedeutendsten fundamentalen Technologietrends. Es ist eine der zentralen Methoden, durch die Technologie die Welt in den nächsten zehn Jahren verändern wird. Einige Aspekte dieser Veränderungen bereiten Sorgen, wie beispielsweise der potenzielle Einfluss des maschinellen Lernens auf den Arbeitsmarkt oder dessen Nutzung für unethische Zwecke (zum Beispiel durch autoritäre Regierungen). Ein weiteres Problem, dem sich dieser Beitrag widmet, ist: Vorurteile im Bereich der künstlichen Intelligenz.
Es ist eine komplizierte Angelegenheit.
Die KI von Google kann Katzenbilder erkennen. Diese Nachricht aus dem Jahr 2012 war damals etwas ganz Besonderes.
Was versteht man unter "Vorurteilen von KI"?
"Rohdaten" sind sowohl ein Oxymoron als auch eine schlechte Idee; Daten müssen gut und sorgfältig aufbereitet werden. -Jeffrey Boker
Bis etwa 2013 war es notwendig, logische Schritte zu beschreiben, um ein System zu erstellen, das zum Beispiel Katzen auf Fotos erkennt. Man musste herausfinden, wie man Ecken im Bild identifiziert, Augen erkennt, Texturen auf Fell untersucht, Pfoten zählt und so weiter. Dann sammelte man alle Komponenten und stellte fest, dass das Ganze nicht wirklich funktionierte. Es war ähnlich wie bei einem mechanischen Pferd – theoretisch möglich, aber in der Praxis viel zu komplex zu beschreiben. Am Ende hatte man Hunderte (oder sogar Tausende) handgeschriebener Regeln und kein funktionierendes Modell.
Mit dem Aufkommen des maschinellen Lernens haben wir aufgehört, "manuelle" Regeln zur Erkennung bestimmter Objekte zu verwenden. Stattdessen nehmen wir tausend Beispiele für "das", X, tausend Beispiele für "jenes", Y, und lassen den Computer ein Modell basierend auf ihrer statistischen Analyse erstellen. Anschließend geben wir diesem Modell ein Beispiel, und es bestimmt mit einer gewissen Genauigkeit, ob es zu einem der Datensätze passt. Maschinelles Lernen generiert ein Modell basierend auf Daten, nicht durch menschliche Programmierung. Die Ergebnisse sind beeindruckend, insbesondere im Bereich der Bilderkennung und Mustererkennung, weshalb die gesamte Tech-Industrie jetzt auf maschinelles Lernen (ML) umsteigt.
Aber so einfach ist es nicht. In der realen Welt enthalten Ihre Tausende von Beispielen X oder Y auch A, B, J, L, O, R und sogar L. Diese können ungleich verteilt sein, und einige von ihnen können so häufig vorkommen, dass das System mehr auf sie achtet als auf die Objekte, die für Sie von Interesse sind.
Was bedeutet das in der Praxis? Mein Lieblingsbeispiel ist, wenn Bildverarbeitungssysteme . Es ist verständlich, warum: Der Großteil der Beispielbilder von "Schafen" wurde auf den Wiesen aufgenommen, in denen sie leben, und auf diesen Bildern nimmt das Gras deutlich mehr Platz ein als die kleinen, weißen, flauschigen Tiere. Die Systeme halten das Gras für das Wichtigste.
Es gibt auch ernsthaftere Beispiele. Neuestes aus der jüngeren Vergangenheit — eines zur Erkennung von Hautkrebs auf Fotos. Es stellte sich heraus, dass Dermatologen oft ein Lineal zusammen mit den Hautkrebsmanifestationen fotografieren, um die Größe der Läsionen festzuhalten. Bei den Beispielbildern gesunder Haut gibt es keine Lineale. Für das KI-System wurden solche Lineale (genauer gesagt, die Pixel, die wir als „Lineal“ definieren) zu einem der Unterschiede zwischen den Bildersets und manchmal wichtiger als der kleine Hautausschlag. So erkannte das für die Hautkrebsidentifikation entwickelte System manchmal anstelle davon die Lineale.
Der entscheidende Punkt hierbei ist, dass das System kein semantisches Verständnis dafür hat, was es sieht. Wir betrachten einen Satz von Pixeln und sehen darin ein Schaf, Haut oder Lineale, während das System nur eine Zahlenreihe sieht. Es sieht keinen dreidimensionalen Raum, keine Objekte, keine Texturen und keine Schafe. Es sieht einfach Muster in den Daten.
Die Schwierigkeit bei der Diagnose solch komplexer Probleme liegt darin, dass das neuronale Netzwerk (das Modell, das von Ihrem maschinellen Lernsystem generiert wurde) aus Tausenden von Knoten besteht. Es gibt keinen einfachen Weg, um in das Modell zu schauen und zu verstehen, wie es Entscheidungen trifft. Hätten wir einen solchen Weg, würde das bedeuten, dass der Prozess einfach genug ist, um alle Regeln manuell zu beschreiben, ohne auf maschinelles Lernen zurückzugreifen. Die Menschen sind besorgt, dass maschinelles Lernen zu einer Art "schwarzem Kasten" geworden ist. (Ich werde später noch erklären, warum dieser Vergleich etwas übertrieben ist.)
Das ist im Großen und Ganzen das Problem der Vorurteile in der künstlichen Intelligenz oder im maschinellen Lernen: Ein System, das nach Mustern in Daten sucht, kann falsche Muster erkennen, und Sie bemerken das möglicherweise nicht. Dies ist ein grundlegendes Merkmal der Technologie, und es ist allen, die in wissenschaftlichen Kreisen und großen Technologiefirmen damit arbeiten, offensichtlich. Doch die Folgen sind komplex, und unsere möglichen Lösungen für diese Folgen sind ebenfalls vielschichtig.
Lassen Sie uns zunächst über die Folgen sprechen.
KI kann für uns implizit Entscheidungen zugunsten bestimmter Personengruppen treffen, basierend auf einer Vielzahl unauffälliger Signale.
Szenarien der KI-Voreingenommenheit
Am offensichtlichsten und beunruhigendsten ist, dass dieses Problem auftreten kann, wenn es um die Vielfalt von Menschen geht. Kürzlich , dass Amazon versucht hat, ein maschinelles Lernsystem für die Erstbewertung von Kandidaten für Stellen zu entwickeln. Da die Mehrheit der Amazon-Mitarbeiter Männer sind, zeigen auch die Beispiele für "erfolgreiche Einstellungen" häufig männliche Geschlechter, was dazu führte, dass das System mehr Männer in den Lebensläufen auswählte. Amazon bemerkte dies und entschloss sich, das System nicht in Produktion zu bringen.
Das Wichtigste an diesem Beispiel ist, dass das System angeblich männlichen Kandidaten den Vorzug gab, obwohl das Geschlecht in den Lebensläufen nicht angegeben war. Das System erkannte andere Muster in den Beispielen für "erfolgreiche Einstellungen": Frauen könnten beispielsweise besondere Wörter zur Beschreibung ihrer Erfolge verwenden oder spezifische Hobbys haben. Natürlich wusste das System weder, was "Eishockey" ist, noch wer "Menschen" sind oder was "Erfolg" bedeutet – es führte einfach eine statistische Analyse des Textes durch. Aber die Muster, die sie sah, würden wahrscheinlich von einem Menschen unbemerkt bleiben, und einige von ihnen (zum Beispiel, dass Menschen unterschiedlichen Geschlechts Erfolg unterschiedlich beschreiben) wären wahrscheinlich schwer zu erkennen, selbst wenn man sie betrachtet.
Es wird nur schlimmer. Ein maschinelles Lernsystem, das bei hellhäutigen Personen sehr gut Krebs erkennt, könnte bei dunkler Haut schlechter abschneiden oder umgekehrt. Das ist nicht zwingend auf Vorurteile zurückzuführen, sondern weil möglicherweise für eine andere Hautfarbe ein separates Modell mit unterschiedlichen Merkmalen erstellt werden muss. Maschinelle Lernsysteme sind nicht untereinander austauschbar, selbst in so einem engen Bereich wie der Bildernkennung. Sie müssen das System anpassen, manchmal einfach durch Ausprobieren, um Feinheiten in den für Sie relevanten Daten gut zu erkennen, bis Sie die gewünschte Genauigkeit erreichen. Dabei könnte Ihnen entgehen, dass das System in 98 % der Fälle bei einer Gruppe genau ist und nur in 91 % (auch wenn das genauer ist als eine menschliche Analyse) bei einer anderen.
Bisher habe ich hauptsächlich Beispiele verwendet, die sich auf Menschen und ihre Eigenschaften beziehen. Dieses Thema steht im Mittelpunkt der Diskussion über dieses Problem. Es ist jedoch wichtig zu verstehen, dass die Vorurteile gegenüber Menschen nur einen Teil des Problems ausmachen. Wir werden maschinelles Lernen für viele Anwendungen nutzen, und die Auswahlfehler werden für alle relevant sein. Auf der anderen Seite, wenn Sie mit Menschen arbeiten, kann die Verzerrung der Daten nicht direkt auf sie zurückzuführen sein.
Um dies zu verstehen, lassen Sie uns zu dem Beispiel mit Hautkrebs zurückkehren und drei hypothetische Möglichkeiten betrachten, wie das System versagen könnte.
- Uneinheitliche Verteilung von Menschen: Ein unausgewogenes Verhältnis der Fotos von Haut in verschiedenen Tönen führt zu falsch positiven oder falsch negativen Ergebnissen, die mit der Pigmentierung zusammenhängen.
- Die Daten, mit denen das System trainiert wird, enthalten häufig vorkommende und ungleichmäßig verteilte Merkmale, die nicht mit Menschen verbunden sind und keinen diagnostischen Wert haben: ein Lineal auf Fotos von Hautkrebsmanifestationen oder Gras auf Bildern von Schafen. In diesem Fall wird das Ergebnis unterschiedlich sein, wenn das System auf dem Bild Pixel von etwas findet, das das menschliche Auge als „Lineal“ identifizieren würde.
- Die Daten enthalten eine externe Eigenschaft, die der Mensch nicht sehen kann, selbst wenn er danach sucht.
Was bedeutet das? Wir wissen von vornherein, dass Daten unterschiedliche Gruppen von Menschen unterschiedlich darstellen können, und wir können zumindest eine Suche nach solchen Ausnahmen planen. Mit anderen Worten, es gibt viele soziale Gründe anzunehmen, dass die Daten über Gruppen von Menschen bereits eine gewisse Voreingenommenheit enthalten. Wenn wir uns ein Foto mit einem Lineal ansehen, sehen wir dieses Lineal – wir haben es einfach vorher ignoriert, weil wir wussten, dass es unwichtig ist, und vergessen haben, dass das System nichts darüber weiß.
Aber was, wenn all Ihre Fotos von ungesunder Haut in einem Büro gemacht wurden, das mit Glühbirnen beleuchtet ist, und die gesunden unter fluoreszierendem Licht entstanden sind? Was, wenn Sie, nachdem Sie die gesunde Haut fotografiert haben, vor dem Fotografieren der ungesunden Haut Ihr Smartphone aktualisiert haben und Apple oder Google den Algorithmus zur Rauschunterdrückung leicht geändert haben? Eine Person wird das nicht bemerken, egal wie sehr sie nach solchen Besonderheiten sucht. Das maschinelle System hingegen wird dies sofort erkennen und nutzen. Es hat keine Ahnung.
Während wir über falsche Korrelationen gesprochen haben, könnte es auch sein, dass die Daten korrekt und die Ergebnisse richtig sind, Sie diese aber aus ethischen, rechtlichen oder managementtechnischen Gründen nicht verwenden möchten. In einigen Rechtsordnungen ist es beispielsweise nicht zulässig, Frauen einen Rabatt auf Versicherungen anzubieten, obwohl Frauen möglicherweise sicherer fahren. Wir können uns leicht ein System vorstellen, das bei der Analyse historischer Daten weiblichen Namen einen niedrigeren Risikofaktor zuweist. Okay, lassen Sie uns die Namen aus der Stichprobe entfernen. Aber denken Sie an das Beispiel mit Amazon: Das System kann das Geschlecht anhand anderer Faktoren bestimmen (auch wenn es nicht weiß, was Geschlecht ist oder was ein Auto ist), und Sie bemerken es nicht, bis der Regulierer rückblickend Ihre angebotenen Tarife analysiert und Ihnen eine Geldstrafe auferlegt.
Es wird oft angenommen, dass wir solche Systeme nur für Projekte nutzen, die mit Menschen und sozialen Interaktionen verbunden sind. Das ist jedoch nicht der Fall. Wenn Sie Gasturbinen herstellen, möchten Sie mit Sicherheit maschinelles Lernen auf die Telemetrie anwenden, die von Dutzenden oder Hunderten von Sensoren an Ihrem Produkt übermittelt wird (Audio-, Video-, Temperatur- und andere Sensoren generieren Daten, die sich sehr leicht zur Erstellung eines Modells für maschinelles Lernen anpassen lassen). Hypothetisch könnten Sie sagen: „Hier sind die Daten von tausend ausgefallenen Turbinen, die vor ihrem Ausfall gesammelt wurden, und hier die Daten von tausend Turbinen, die nicht ausgefallen sind. Erstellen Sie ein Modell, um den Unterschied zwischen ihnen zu erkennen.“ Stellen Sie sich nun vor, dass die Siemens-Sensoren an 75 % der fehlerhaften Turbinen und nur an 12 % der funktionierenden Turbinen angebracht sind (es gibt keinen Zusammenhang mit den Ausfällen). Das System würde ein Modell erstellen, um die Turbinen mit Siemens-Sensoren zu identifizieren. Ups!
Bild — Moritz Hardt, UC Berkeley
Management von KI-Bias
Was können wir dagegen tun? Wir können das Problem aus drei Perspektiven angehen:
- Methodologische Strenge bei der Datenerhebung und dem Management für das Training des Systems.
- Technische Werkzeuge zur Analyse und Diagnostik des Modells.
- Schulung, Ausbildung und Vorsicht bei der Implementierung von maschinellem Lernen in Produkte.
In Molières Buch „Der Bürger als Edelmann“ gibt es einen Witz: Einem Mann wurde gesagt, dass Literatur in Prosa und Poesie unterteilt wird, und er stellt mit Bewunderung fest, dass er sein Leben lang Prosa gesprochen hat, ohne es zu wissen. Vielleicht geht es den Statistikern heute ähnlich: Sie haben unwissentlich ihre Karrieren der künstlichen Intelligenz und dem Sampling-Error gewidmet. Den Sampling-Error zu suchen und sich darüber zu sorgen, ist kein neues Problem; wir müssen es einfach systematisch angehen. Wie bereits erwähnt, ist es in manchen Fällen wirklich einfacher, die Probleme im Zusammenhang mit Daten über Menschen zu studieren. Wir gehen von vornherein davon aus, dass wir Vorurteile gegenüber verschiedenen Gruppen von Menschen haben könnten, aber ein Vorurteil gegenüber Siemens-Sensoren können wir uns kaum vorstellen.
Neu ist vor allem, dass Menschen nicht mehr direkt statistische Analysen durchführen. Diese werden von Maschinen übernommen, die große, komplexe Modelle erstellen, die schwer zu verstehen sind. Die Frage der Transparenz ist einer der zentralen Aspekte des Problems der Vorurteile. Es macht uns Sorgen, dass das System nicht nur voreingenommen ist, sondern dass es keine Möglichkeit gibt, diese Voreingenommenheit zu erkennen. Das unterscheidet maschinelles Lernen von anderen Formen der Automatisierung, die aus klaren, nachvollziehbaren Schritten bestehen, die überprüft werden können.
Hier gibt es zwei Probleme. Möglicherweise können wir doch eine Art Audit der Systeme des maschinellen Lernens durchführen. Und das Audit eines anderen Systems ist in der Tat nicht viel einfacher.
Eines der modernen Forschungsfelder im Bereich des maschinellen Lernens besteht darin, Methoden zu finden, um die wichtigen Funktionen von Systemen des maschinellen Lernens zu identifizieren. Dabei ist maschinelles Lernen (in seinem aktuellen Zustand) ein ganz neues wissenschaftliches Feld, das sich schnell entwickelt. Daher sollte man nicht annehmen, dass heute unmögliche Dinge bald durchaus realistisch werden können. Projekt — ein interessantes Beispiel dafür.
Zweitens ist die Idee, dass man den Entscheidungsprozess in bestehenden Systemen oder Organisationen überprüfen und verstehen kann, theoretisch gut, aber in der Praxis eher schwierig. Zu verstehen, wie Entscheidungen in einer großen Organisation getroffen werden, ist alles andere als einfach. Selbst wenn es einen formalen Entscheidungsprozess gibt, spiegelt dieser oft nicht wider, wie Menschen tatsächlich interagieren, und viele von ihnen haben oftmals keinen logischen systematischen Ansatz für ihre Entscheidungen. Wie mein Kollege gesagt hat, , , sind Menschen ebenfalls schwarze Kästen..
Nehmen Sie tausend Menschen aus verschiedenen überlappenden Unternehmen und Institutionen, und das Problem wird noch komplexer. Wir wissen im Nachhinein, dass es für das Space Shuttle bestimmt war, beim Rückflug auseinanderzubrechen, und einzelne Personen innerhalb von NASA hatten Informationen, die sie glauben ließen, dass etwas Schlimmes passieren könnte, aber das System im Allgemeinen Das war mir nicht bekannt. NASA hat gerade einen ähnlichen Audit durchlaufen, nachdem sie das vorherige Shuttle verloren hatte, und dennoch verlor sie ein weiteres – aus sehr ähnlichen Gründen. Es ist einfach zu behaupten, dass Organisationen und Menschen strikten logischen Regeln folgen, die überprüfbar, verständlich und veränderbar sind – aber die Erfahrung zeigt das Gegenteil. Das ist „».
Ich vergleiche maschinelles Lernen oft mit Datenbanken, insbesondere relationalen – einer neuen grundlegenden Technologie, die die Möglichkeiten der Informatik und die Welt um sie herum verändert hat, die Teil von allem geworden ist, was wir ständig nutzen, ohne uns dessen bewusst zu sein. Datenbanken haben ebenfalls ihre Probleme, die ähnlicher Natur sind: Das System kann auf falschen Annahmen oder schlechten Daten basieren, was jedoch schwer zu erkennen ist. Die Anwender, die das System verwenden, werden das tun, was es ihnen sagt, ohne Fragen zu stellen. Es gibt viele alte Witze über Steuerbeamte, die einst Ihren Namen falsch geschrieben haben, und es ist viel schwieriger, sie davon zu überzeugen, den Fehler zu korrigieren, als tatsächlich den Namen zu ändern. Man kann darüber unterschiedlich denken, aber es ist unklar, was besser ist: als technisches Problem in SQL, als Fehler in einem Oracle-Release oder als Versagen bürokratischer Institutionen? Wie schwierig ist es, einen Fehler im Prozess zu finden, der dazu geführt hat, dass das System nicht über eine Funktion wie die Korrektur von Rechtschreibfehlern verfügt? Hätte man das erkennen können, bevor die Menschen anfingen, sich zu beschweren?
Dieses Problem wird noch anschaulicher durch Geschichten, wenn Fahrer wegen veralteter Daten im Navigationsgerät in Flüsse fahren. Okay, Karten müssen ständig aktualisiert werden. Aber wie sehr ist TomTom schuld daran, dass Ihr Auto ins Meer getragen wird?
Ich sage das, um klarzustellen, dass ja – Bias in der maschinellen Lernalgorithmen Probleme verursachen wird. Aber diese Probleme werden ähnlich sein wie die Herausforderungen, mit denen wir in der Vergangenheit konfrontiert waren, und sie können ebenso gut erkannt und gelöst werden (oder auch nicht), wie wir es damals geschafft haben. Daher ist das Szenario, in dem Bias in der KI Schaden anrichtet, wenig wahrscheinlich, insbesondere bei führenden Forschern, die in großen Organisationen arbeiten. Wahrscheinlicher ist, dass ein unbedeutender technischer Dienstleister oder Softwareanbieter etwas zusammenbastelt, indem er sich unverständliche Open-Source-Komponenten, Bibliotheken und Werkzeuge zunutze macht. Ein ahnungsloser Kunde wird sich dann von der Formulierung "künstliche Intelligenz" in der Produktbeschreibung blenden lassen und ohne weitere Fragen dieses Produkt an seine geringfügig bezahlten Mitarbeiter weitergeben, während er ihnen befiehlt, genau das zu tun, was die KI sagt. Genau das ist mit den Datenbanken passiert. Das ist kein Problem der künstlichen Intelligenz, und auch kein Problem der Software. Es ist ein menschlicher Faktor.
Fazit
Maschinelles Lernen kann alles tun, was Sie einem Hund beibringen können – aber Sie können nie sicher sein, was genau Sie diesem Hund beigebracht haben.
Ich habe oft den Eindruck, dass der Begriff „Künstliche Intelligenz“ nur dazu beiträgt, Gespräche wie dieses zu stören. Dieser Begriff vermittelt das falsche Gefühl, dass wir ihn tatsächlich erschaffen haben – diese Intelligenz. Dass wir auf dem Weg zu HAL9000 oder Skynet sind – zu etwas, das tatsächlich versteht. Aber das ist nicht der Fall. Es sind einfach Maschinen, und es ist viel treffender, sie zum Beispiel mit einer Waschmaschine zu vergleichen. Sie bewältigt das Waschen viel besser als ein Mensch, aber wenn Sie Geschirr anstelle von Wäsche hineingeben, wird es... gewaschen. Das Geschirr wird sogar sauber. Aber das wird nicht das sein, was Sie erwartet haben, und es geschieht nicht, weil das System irgendwelche Vorurteile gegenüber Geschirr hat. Die Waschmaschine weiß weder, was Geschirr ist, noch was Kleidung ist – sie ist lediglich ein Beispiel für Automatisierung, das konzeptionell nicht anders ist als die Art, wie Prozesse früher automatisiert wurden.
Egal, ob es um Autos, Flugzeuge oder Datenbanken geht – diese Systeme werden gleichzeitig sehr leistungsstark und sehr begrenzt sein. Sie hängen vollständig davon ab, wie Menschen diese Systeme nutzen, welche guten oder schlechten Absichten sie dabei haben und wie gut sie deren Funktionsweise verstehen.
Es ist daher völlig falsch zu sagen, dass "künstliche Intelligenz Mathematik ist, daher kann sie keine Vorurteile haben." Aber es ist ebenso falsch zu behaupten, dass maschinelles Lernen "von Natur aus subjektiv ist." Maschinelles Lernen findet Muster in Daten, und welche Muster gefunden werden, hängt von den Daten ab, und die Daten hängen von uns ab. Ebenso wie das, was wir mit ihnen tun. Maschinelles Lernen erledigt tatsächlich einige Dinge viel besser als wir – aber Hunde zum Beispiel sind viel effektiver als Menschen beim Aufspüren von Drogen, was keineswegs einen Grund darstellt, sie als Zeugen heranzuziehen und Urteile auf der Grundlage ihrer Aussagen zu fällen. Und Hunde sind, um es klarzustellen, viel intelligenter als jedes System für maschinelles Lernen.
Übersetzung: .
Redaktion: .
Gemeinschaft: .
Quelle: habr.com
