Fairness in KI-Systemen
arXiv:2307.08486 · doi:10.1007/978-3-658-43816-6_9
Abstract
The more AI-assisted decisions affect people's lives, the more important the fairness of such decisions becomes. In this chapter, we provide an introduction to research on fairness in machine learning. We explain the main fairness definitions and strategies for achieving fairness using concrete examples and place fairness research in the European context. Our contribution is aimed at an interdisciplinary audience and therefore avoids mathematical formulation but emphasizes visualizations and examples. -- Je mehr KI-gestützte Entscheidungen das Leben von Menschen betreffen, desto wichtiger ist die Fairness solcher Entscheidungen. In diesem Kapitel geben wir eine Einführung in die Forschung zu Fairness im maschinellen Lernen. Wir erklären die wesentlichen Fairness-Definitionen und Strategien zur Erreichung von Fairness anhand konkreter Beispiele und ordnen die Fairness-Forschung in den europäischen Kontext ein. Unser Beitrag richtet sich dabei an ein interdisziplinäres Publikum und verzichtet daher auf die mathematische Formulierung sondern betont Visualisierungen und Beispiele.
in German language, originally published in: Sabrina Schork (editor): "Vertrauen in künstliche Intelligenz", Springer Fachmedien Wiesbaden GmbH
References in corpus (8)
- Man is to Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings
- Demystifying the Draft EU Artificial Intelligence Act
- Fairness Beyond Disparate Treatment & Disparate Impact: Learning Classification without Disparate Mistreatment
- Fairness Constraints: Mechanisms for Fair Classification
- A Clarification of the Nuances in the Fairness Metrics Landscape
- The Forgotten Margins of AI Ethics
- Fairness in Agreement With European Values: An Interdisciplinary Perspective on AI Regulation
- Dynamic fairness - Breaking vicious cycles in automatic decision making