Human AI – auf dem Weg zu einer menschenzentrierten KI

Die Bedeutung von ethischer und menschzentrierter KI

© Fraunhofer IIS

Die wachsende Verbreitung von KI fordert uns heraus, über das technisch Machbare hinauszudenken und KI-Innovationen ethisch und menschzentriert zu entwickeln. Die Kompetenzsäule HUMAN AI des ADA Lovelace Center nimmt sich dieser Herausforderung an. Sie konzentriert sich auf die Entwicklung und Anwendung von KI Technologien, die den Menschen in den Mittelpunkt stellen. Unser Ziel ist es, umfassende Richtlinien und Empfehlungen zu entwickeln, um KI Systeme zu gestalten und zu implementieren, die sowohl individuellen als auch gesellschaftliche Anforderungen gerecht werden.

Herausforderung bei der Enwticklung von KI-Systemen

KI-Systeme, die ohne menschliche Perspektive entwickelt werden, können ineffektiv sein und negative Auswirkungen auf Individuen und Gesellschaften haben. Im Hinblick auf die Privatsphäre geht es beispielsweise um einen ausreichenden Schutz von KI-Systemen, damit persönliche Daten nicht missbraucht werden. Auch können KI-Systeme die individuelle Autonomie beeinträchtigen, indem sie Entscheidungen treffen, die die Handlungsfreiheit der Menschen einschränken oder ihnen Optionen vorenthalten. Gerechtigkeit ist eine weitere Herausforderung für KI-Algorithmen, denn hierbei kann es zu Vorurteilen oder Diskriminierung kommen, indem bestimmte Gruppen benachteiligt oder bestehende Ungleichheiten durch die KI verstärkt werden. KI-Systeme, die nicht inklusiv gestaltet sind, können bestimmte Bevölkerungsgruppen ausschließen oder benachteiligen, indem sie ihre Bedürfnisse oder Perspektiven nicht angemessen berücksichtigen.

Wichtige Aspekte der menschzentrierten KI

Daher gilt es Fragen der Privatsphäre, der Autonomie, der Gerechtigkeit und der Inklusion sorgfältig abzuwägen, um sicherzustellen, dass KI Technologien das menschliche Wohlbefinden fördern und nicht untergraben. Um diese wichtigen Aspekte bei technischen Entwicklungsprozessen zu berücksichtigen, ist es wichtig, die Interaktion zwischen Menschen und KI besser zu verstehen. Für uns sind dabei zwei Fragen von zentraler Bedeutung:

  1. Unter welchen Bedingungen können Menschen KI in ihren Arbeits- und Lebenskontext integrieren und einsetzen? 
    Neben körperlichen, sensorischen und kognitiven Fähigkeiten, die mit der Akzeptanz und Nutzung technischer Innovationen assoziiert sind, untersuchen wir auch die Rolle psychologischer Einflussfaktoren. Im Mittelpunkt stehen Einstellungen, Motivation und Emotionen, die entscheidend beeinflussen, wie neue Technologien angenommen und eingesetzt werden.
  2. Welche Auswirkungen hat die Nutzung von KI auf individueller und organisationaler Ebene?
    In Bezug auf den Menschen sind unter anderem Auswirkungen auf Tätigkeiten, Kompetenzen und das persönliche Wohlbefinden von Bedeutung. Auf organisationaler Ebene analysieren wir die Auswirkungen auf die Effizienz, das Innovationspotenzial und die Wettbewerbsfähigkeit von Unternehmen. 

Interdisziplinäre Zusammenarbeit und ethische Prinzipien

Das Wissen um Bedürfnisse, Erwartungen und Auswirkungen der Nutzung und Implementierung von KI ist entscheidend für die Entwicklung menschzentrierter KI-Systeme. Durch unsere Forschung erstellen wir Richtlinien für iterative Entwicklungsprozesse, die den Menschen in den Vordergrund stellen. Dabei ist es unerlässlich, ethische Aspekte wie Zugänglichkeit, Nachhaltigkeit und kulturelle Sensibilität zu berücksichtigen, die sich einer direkten Beobachtung menschlicher Interaktionen entziehen können. Dieser Ansatz erfordert interdisziplinäre Zusammenarbeit und einen kontinuierlichen Dialog zwischen Entwicklern, Anwendern und Experten aus verschiedenen Disziplinen wie Ethik, Psychologie und Soziologie. Nur so können KI Systeme geschaffen werden, die technologisch fortschrittlich und gleichzeitig sozial verantwortungsvoll sind.

Die Rolle von HUMAN AI im ADA Lovelace Center

HUMAN AI ist als Querschnittsthema an alle anderen Applikationen und Kompetenzsäulen des ADA Lovelace Centers anschlussfähig. Unsere methodische Vielfalt und unsere interdisziplinäre Zusammensetzung bilden die Grundlage für eine erfolgreiche Entwicklung von KI-Systemen, die ethische Prinzipien berücksichtigen und eine hohe Akzeptanz erfahren.

Wie wir die Mensch-KI-Interaktion entschlüsseln

Wir verfügen über umfangreiche Kompetenzen und Methoden, um die Mensch-KI-Interaktion zu entschlüsseln. Dabei spielen insbesondere zwei Bereiche eine Schlüsselrolle:

1. Wir integrieren die Nutzerperspektive in den Entwicklungsprozess  

Wir integrieren die Nutzerperspektive frühzeitig in den Entwicklungsprozess durch verschiedene Methoden der Nutzereinbindung.

Qualitative Verfahren:

  • Fokusgruppen: Diskussion von Erwartungen, Bedürfnissen und Bedenken.
  • Einzelinterviews: Detaillierte Exploration individueller Sichtweisen.

Quantitative Verfahren:

  • Standardisierte Befragungen und Nutzertests: Erfassung objektiver Daten und Überprüfung der Gebrauchstauglichkeit.
  • Online-Fragebögen: Erfassung von Präferenzen und Anforderungen einer breiten Nutzerbasis.

Diese Ansätze ermöglichen tiefe Einblicke in Nutzeranforderungen und unterstützen die iterative Optimierung von KI-Systemen schon im Entwicklungsprozess.

2. Nutzung empirischer Statistik und Datenanalyse

Wir nutzen empirische Statistik und Datenanalyse, um KI-Systeme systematisch zu bewerten. Diese Methoden helfen, Muster und Trends zu erkennen, die Effektivität und Akzeptanz beeinflussen:

  • Quantitative Datenanalyse: Identifikation von Mustern und Trends.
  • Regressionsanalysen: Quantifizierung des Einflusses verschiedener Faktoren.
  • Vergleich von Mittelwerten und Varianzen: Erkennung von Wahrnehmungs- und Bewertungsunterschieden.
  • Clustering-Verfahren: Identifikation verschiedener Nutzertypen.

Diese Erkenntnisse fließen direkt in die Weiterentwicklung unserer KI-Systeme ein.

Die KI-Kompetenzsäulen des ADA Lovelace Centers

Automatisches Lernen
© Fraunhofer IIS

Das automatische und adaptive Lernen (AutoML) beschäftigt sich mit der Automatisierung des KI Prozesses und von besonders arbeitsintensiven, manuellen Aufgaben, die im Regelfall von Experten durchgeführt werden. So wird das Maschinelle Lernen zugänglicher und effizienter. AutoML deckt einen großen Bereich ab, der bei der Automatisierung der Merkmalserkennung und -auswahl für gegebene Datensätze sowie der Modellsuche und -optimierung beginnt, über deren automatisierte Bewertung reicht und bis hin zur adaptiven Anpassung der Modelle durch Trainingsdaten und Systemfeedback geht.  

Sequenzbasiertes Lernen
© Fraunhofer IIS

Sequenzbasiertes Lernen beschäftigt sich mit zeitlichen und kausalen Zusammenhängen in Daten wie sie z. B. in der Sprachverarbeitung, Ereignisverarbeitung, Biosequenzanalyse oder auch in Multimediadaten auftreten. Dabei wird aus beobachteten Ereignissen der aktuelle Systemzustand erkannt und zukünftige Zustände vorhergesagt, was sowohl möglich ist, wenn nur die Reihenfolge ihres Auftretens bekannt ist, als auch dann, wenn sie genaue Zeitstempel tragen.

Erfahrungsbasiertes Lernen
© Fraunhofer IIS

Als erfahrungsbasiertes Lernen bezeichnet man Methoden, die es einem System erlauben, sich selbst zu optimieren, indem es mit der Umwelt interagiert und deren Feedback auswertet, oder sich an veränderliche Umweltbedingungen dynamisch anpasst. Hierzu zählen die automatisierte Erzeugung von Modellen zur Bewertung und Optimierung von Geschäftsprozessen, Transportabläufen oder auch Robotersteuerungen in der industriellen Fertigung. 

© Fraunhofer IIS

Data-centric AI (DCAI) bietet eine neuartige, ergänzende Perspektive auf die KI-Modellbildung. Der Schwerpunkt wird dabei von der Modellbildung auf die Kuratierung hochwertiger, einheitlich annotierter Trainingsdatensätze verlagert. Die zugrundeliegende Erkenntnis ist, dass bei vielen KI-Projekten die Hebelwirkung zur Verbesserung der Modellleistung in der Kuratierung der verwendeten Trainingsdaten liegt.

© Fraunhofer IIS

Um künstliche Intelligenz sicher und zweckmäßig in der Praxis einsetzen zu können, muss maschinelles Lernen (ML) für den Nutzer nachvollziehbar sein. In vielen Bereichen, wie z.B. der medizinischen Entscheidungsfindung oder der Qualitätskontrolle in der Produktion, ist es wichtig, die Grundlagen zu verstehen, auf der das Modell Entscheidungen und Vorhersagen trifft, um Transparenz und Vertrauen zu schaffen. Methoden für verständliche und vertrauenswürdige KI werden am ADA Lovelace Center in der Kompetenzsäule Vertrauenswürdige KI erforscht, die zu einer menschenzentrierten KI für Anwender in Wirtschaft, Wissenschaft und Gesellschaft beiträgt.

© Fraunhofer IIS

Prozessbewusstes Lernen stellt das Bindeglied zwischen Process Mining, der datenbasierten Analyse und Modellierung von Prozessen, und Machine Learning dar. Im Fokus steht dabei die Vorhersage von Prozessabläufen, Prozesskennzahlen und Prozessauffälligkeiten. Dies wird durch eine Extrahierung von Prozesswissen aus Event Logs und deren Überführung in erklärbare Prognosemodelle ermöglicht. Hierdurch können Einflussfaktoren identifiziert und vorausschauend Handlungsoptionen zur Prozessverbesserung abgeleitet werden.

Mathematische Optimierung Illustration
© Fraunhofer IIS

Die mathematische Optimierung ist unverzichtbarer Bestandteil der modellbasierten Entscheidungsunterstützung, indem sie Planungslösungen in so unterschiedlichen Bereichen wie der Logistik, Energiesystemen, Mobilität, im Finanzwesen und für Gebäudeinfrastrukturen liefert, um nur wenige Beispiele zu nennen. Die umfangreiche bestehende Expertise wird in mehrere aussichtsreiche Richtungen, namentlich der Echtzeitplanung und -steuerung weiterentwickelt.

Semantik
© Fraunhofer IIS

Die Aufgabe der Semantik ist es, Daten und Datenstrukturen formal definiert, standardisiert, inhaltlich widerspruchsfrei und eindeutig zu beschreiben. So müssen bei Industrie 4.0 verschiedenste Entitäten (wie Sensoren, Produkte, Maschinen oder Transportsysteme) in der Lage sein, deren Eigenschaften, Fähigkeiten oder Zustände anderer Entitäten in der Wertschöpfungskette zu interpretieren.

Das könnte Sie auch interessieren

 

Künstliche Intelligenz (KI) in der Gesundheitsversorgung

Mit KI können große Datenmengen verarbeitet werden, was auch dazu genutzt werden kann, komplexe Abläufe und Entscheidungsprozesse in der Gesundheitsversorgung zu optimieren. Wo macht es aber wirklich Sinn, welche Risiken und Potenziale gibt es und wie kann Qualität und Transparenz von KI-Anwendungen sichergestellt werden?

 

Pflegemaßnahmenplanung in der stationären Pflege – iPAB

Im Zuge der komplexen und zeitaufwändigen Dokumentation der Pflege- und Maßnahmeplanung nutzt das Projekt iPAB historische Daten und Analysen, um dynamische Vorschläge für die Maßnahmenplanung im Pflegeprozess zu generieren. Dadurch wird der Dokumentationsaufwand reduziert und mehr Zeit für die Patientenpflege zur Verfügung gestellt.

 

Interaktive Therapiestrategien für Kinder mit eingeschränkten sozio-emotionalen Fähigkeiten

Das Forschungsprojekt »ERIK« beschäftigt sich mit der Entwicklung einer Roboterplattform, die auf der Basis von Emotionserkennung und Echtzeitfeedback neue Interaktionsstrategien in der Therapie von autistischen Kindern entwickelt.

 

ADA Lovelace Center für Analytics, Daten und Anwendungen

Kompetenzzentrum für Data Analytics und KI in der Industrie

Das ADA Lovelace Center verbindet auf einzigartige Weise KI-Forschung mit KI-Anwendungen der Industrie. Hier können sich die Partner untereinander vernetzen, vom Know-how des anderen profitieren und an gemeinsamen Projekten arbeiten.

Weiterbildungen am ADA Lovelace Center

Das ADA Lovelace Center for Analytics, Data and Applications bietet – gemeinsam mit seinen Kooperationspartnern – Weiterbildungsprogramme rund um Konzepte, Methoden und konkrete Anwendungen im Themenbereich Data Analytics und KI.

Hierzu werden Seminare mit den folgenden Schwerpunkten angeboten:

Maschinelles Lernen

Reinforcement Learning