Wichtigste Erkenntnisse
Behandle KI-Schlagzeilen als Verkaufsargumente, bis die Belege einer Prüfung standhalten.
Achte auf die Anreize. Wilkins zufolge entsteht ein großer Teil des KI-Hypes aus gewöhnlichem kommerziellem Druck und nicht aus einer geheimen Verschwörung. Werblich finanzierte Medien profitieren von alarmierenden Schlagzeilen, Unternehmen gewinnen Aufmerksamkeit und Investitionen, wenn sie Produkte als KI bezeichnen, und Forschende können mit weitreichenden Behauptungen Fördermittel anwerben. Die Gruppen verstärken sich gegenseitig, sodass Spekulationen allmählich wie gesicherte Tatsachen wirken können. Das Buch verweist auf eine Umfrage unter 2.830 europäischen Start-ups, von denen angeblich rund 40 Prozent KI für sich beanspruchten, obwohl sie sie gar nicht einsetzten, und erklärt, die Bezeichnung könne einen Finanzierungsvorteil verschaffen.
Prüfe die zugrunde liegende Behauptung. Eine dramatische Schlagzeile über Roboterarmeen, Arbeitsplatzverluste oder KI-Liebhaber kann sich auf eine begrenzte Vorführung oder ein fiktives Szenario beziehen. Sinnvoll ist es zu fragen, was das System tatsächlich tut, unter welchen Bedingungen und welche Belege die Prognose stützen.
Die Betrachtung der Anreize ist ein starkes Gegenmittel dazu, Öffentlichkeit mit Beweisen gleichzusetzen. Sie kommt auch ohne einen einzelnen Bösewicht aus: Das Streben nach Aufmerksamkeit und finanziellen Vorteilen kann Übertreibungen hervorbringen, ohne dass sich jemand absprechen muss. Anreize erklären allerdings, warum eine Behauptung sich verbreitet, nicht, ob sie falsch ist. Einige beeindruckende KI-Anwendungen sind real. Skeptische Leserinnen und Leser sollten die Vorführung, unabhängige Belege und den Abstand zwischen einem Laborergebnis und dem routinemäßigen Einsatz prüfen.
Bei der meisten eingesetzten KI geht es um eng begrenzte Mustererkennung, nicht um einen digitalen Geist.
Unterscheide Fähigkeiten von Bewusstsein. Das Buch stellt Schwache KI, die für eine bestimmte Aufgabe entwickelt wurde, der Allgemeinen künstlichen Intelligenz gegenüber, die verschiedene Aufgaben mit menschenähnlicher Flexibilität bewältigen könnte. Zu den Beispielen für schwache Systeme zählen das Erkennen von Objekten in Bildern, das Sortieren von Daten und die Erstellung eines Risikowerts. Ein System kann diese Aufgaben nützlich erledigen, ohne die Welt so zu verstehen wie ein Mensch. Wilkins führt YouTubes Werkzeug ContentID zum Abgleich urheberrechtlich geschützter Inhalte an: Es zeigt, dass ein System, das bei eindeutigen Übereinstimmungen funktioniert, Material dennoch falsch zuordnen kann – sogar das Schnurren einer Katze.
Verwende die Begriffe präzise. Maschinelles Lernen erkennt Muster in Daten; Neuronale Netze sind eine Modellfamilie, die dabei zum Einsatz kommt. Tiefes Lernen (Deep Learning) nutzt Neuronale Netze mit vielen Verarbeitungsschichten. Die Darstellung des bestärkenden Lernens im Buch vermischt dieses mit Beispielen, die mit Kennzeichnungen versehen sind. Präziser gesagt lernt bestärkendes Lernen durch Rückmeldungen zu Handlungen und deren Ergebnissen. Diese Ansätze sind nicht austauschbar.
Diese Unterscheidung hilft, die irreführende Vorstellung zu entkräften, jede Verbesserung eines Klassifikators sei ein Schritt hin zu einem menschenähnlichen Geist. Fähigkeiten sind auf bestimmte Aufgaben beschränkt: Hervorragende Bilderkennung führt nicht automatisch zu gesundem Menschenverstand, flexiblem Denken oder Bewusstsein. Gleichzeitig können eng begrenzte Systeme Entscheidungen in großem Maßstab beeinflussen. Ein Werkzeug als begrenzt zu bezeichnen, sollte kein Grund sein, seine Folgen zu ignorieren – besonders dann nicht, wenn eine scheinbar kleine Prognose bestimmt, was jemand sieht, verdient oder erhält.
Ein überzeugend wirkender Wert kann falsch sein, wenn das Ereignis selten ist.
Frage, wie häufig das Ereignis vorkommt. Wilkins erklärt, warum die Gesamtgenauigkeit eines Tests eine große Zahl von Fehlalarmen verbergen kann. Stellen wir uns vor, 1.000 Autofahrerinnen und Autofahrer werden untersucht und eine Person davon ist betrunken. Erkennt ein Test diese Person korrekt und schlägt bei einem Prozent der übrigen 999 fälschlich an, fallen etwa 10 Tests positiv aus, obwohl tatsächlich nur eine Person betrunken ist. Unter diesen Annahmen sind die meisten positiven Ergebnisse Fehlalarme. Es geht nicht darum, dass jeder Test so funktioniert, sondern darum, dass die Genauigkeit allein nicht ausreicht, wenn das gesuchte Ereignis selten ist.
Auch vor Gericht können Werte irreführen. Das Buch schildert zwei Personen, die sehr unterschiedliche Risikowerte für einen erneuten Straffall erhielten. Der Person mit dem höheren Wert wurde in der Darstellung kein Rückfall zugeschrieben, während die Person mit dem niedrigeren Wert erneut straffällig wurde. Eine Wahrscheinlichkeit ist kein Urteil. Ihre Grenzen sind wichtig, wenn die Freiheit auf dem Spiel steht.
Das ist eine praktische Lektion über Basisraten, also darüber, wie häufig das Ereignis, das ein System erkennen soll, im Hintergrund vorkommt. Sie erklärt, warum ein Werkzeug in Tests genau wirken und im tatsächlichen Einsatz dennoch viele falsche Anschuldigungen hervorbringen kann. Das Beispiel wirft auch eine schwierigere Frage auf: Wer trägt die Kosten falsch positiver Ergebnisse und wer die von übersehenen Fällen? Jedes System mit weitreichenden Folgen braucht klare Fehlerquoten, angemessene Schwellenwerte und eine Möglichkeit, einzelne Ergebnisse anzufechten.
Big Data verschafft Einfluss, doch jedes vernetzte Gerät vergrößert die Angriffsfläche.
Kleine Spuren summieren sich. Big Data bezeichnet die umfangreiche, rasch wachsende Sammlung von Informationen, die bei zahlreichen Interaktionen und über viele Geräte hinweg zusammengetragen wird. Eine Nachricht, ein Standortsignal oder eine Suche mag für sich genommen unauffällig wirken; zusammen mit anderen Spuren kann sie jedoch Muster im Leben einer Person offenlegen. Das Buch veranschaulicht diesen Zielkonflikt anhand eines Faktenprüfungs-Bots in sozialen Medien: Um auf eine Unterhaltung reagieren zu können, muss der Bot Zugriff auf deren Nachrichten haben – dadurch entsteht zugleich eine Informationsquelle und ein Datenschutzrisiko.
Begrenze, was verloren gehen kann. Wilkins empfiehlt, nur notwendige Daten zu erheben, sie zu löschen, sobald sie nicht mehr gebraucht werden, und Datensätze zu trennen, damit ein Sicherheitsvorfall nicht alles offenlegt. Verschlüsselung, eingeschränkter physischer Zugriff und Offline-Sicherungen bieten zusätzlichen Schutz. Nutzerinnen und Nutzer können außerdem Berechtigungen begrenzen und nicht mehr verwendete Konten schließen. Das Buch schlägt vor, falsche persönliche Angaben zu machen. Das kann jedoch Dienste beeinträchtigen oder andere Probleme verursachen und ist daher kein Ersatz für einen verantwortungsvollen Umgang mit Daten.
Die entscheidende Erkenntnis lautet, dass sich Datenschutzrisiken summieren. Ein Dienst muss keine brisanten Geheimnisse sammeln, um durch die Verknüpfung alltäglicher Details aufschlussreich zu werden. Datenminimierung ist daher mehr als eine technische Vorliebe: Sie begrenzt, was eine Organisation missbrauchen, verlieren oder offenlegen kann. Vorsicht im Umgang mit persönlichen Daten hilft, kann aber die Verantwortung von Institutionen nicht ersetzen. Nutzerinnen und Nutzer können oft weder den gesamten Datenspuren folgen noch sinnvoll mitbestimmen, wie diese verwendet werden.
Automatisiere einen bewährten Arbeitsablauf und zähle anschließend jede menschliche Unterstützung mit.
Entwickle den Ablauf, bevor du ihn automatisierst. Wilkins versteht unter Growth Hacking eine iterative, datengestützte Methode zur Verbesserung eines Prozesses. Sein Rat lautet, zunächst ein wiederholbares Verfahren zu etablieren, das funktioniert, und erst danach KI hinzuzufügen, um Aufgaben zu beschleunigen, deren Ergebnisse bereits zuverlässig sind. Ein vages Ziel wie „das Unternehmen intelligenter machen“ bietet einem Modell wenig Konkretes; eine klar umrissene Aufgabe und ein messbares Ergebnis machen Experimente nützlicher.
Beziehe die unsichtbare Unterstützung mit ein. Das Buch berichtet von einem selbstfahrenden Lastwagen, der auf einer 120 Meilen langen Strecke 51.000 Dosen Bier transportierte. Die Fahrt wurde von Polizeifahrzeugen, Begleitfahrzeugen und Abschleppwagen unterstützt; außerdem stand ein menschlicher Fahrer bereit, um zu übernehmen. Die Vorführung zeigt, warum es Automatisierung unabhängiger erscheinen lassen kann, wenn man nur die Maschine zählt. Wilkins argumentiert, neue Werkzeuge könnten andere Arbeitsplätze schaffen. Das Beispiel belegt jedoch nicht, dass alle verdrängten Arbeitskräfte eine bessere Stelle finden werden.
Der Grundsatz, zuerst den Arbeitsablauf zu entwickeln, ist sinnvoll: Automatisierung macht unklare Prozesse meist sichtbar, statt sie auf magische Weise zu reparieren. Die Geschichte vom Lastwagen veranschaulicht auf nützliche Weise, wie viel menschliche Arbeit rund um eine Maschine verborgen bleibt. Die Zuversicht des Buches, dass neue Technologien genügend Arbeitsplätze schaffen werden, um Verluste auszugleichen, geht jedoch über das hinaus, was eine einzelne Vorführung belegen kann. Die Schaffung von Arbeitsplätzen, Umschulungen, Löhne und die Frage, wer Produktivitätsgewinne einstreicht, sind eigenständige Fragen und keine automatischen Folgen der Einführung neuer Technologien.
Historische Daten können Algorithmen die Diskriminierung von gestern als objektive Wahrheit vermitteln.
Muster übernehmen die Vergangenheit. Amazon erprobte ein Rekrutierungswerkzeug, das mit Lebensläufen aus etwa einem Jahrzehnt trainiert worden war, von denen viele von Männern stammten. Der Darstellung des Buches zufolge lernte das System, Begriffe abzuwerten, die mit Frauen und Absolventinnen von Frauenhochschulen in Verbindung standen. Außerdem gewichtete es manche kraftvoll klingenden Verben stärker und verwechselte Muster aus früheren Einstellungsverfahren mit verlässlichen Hinweisen auf künftige Leistungen. Das System brauchte keine Anweisung zur Diskriminierung; die Muster in den Beispielen, aus denen es lernte, flossen in seine Empfehlungen ein.
Prüfe die gesamte Verarbeitungskette. Ein Seifenspender am Facebook-Hauptsitz soll die Hand eines schwarzen Mitarbeiters nicht erkannt haben, während er bei einem weißen Kollegen funktionierte. Das Buch verweist außerdem auf eine Studie, der zufolge selbstfahrende Autos in Tests mit dunkelhäutigen Fußgängerinnen und Fußgängern häufiger Fehler machten. Diese Beispiele lenken den Blick über den Modellcode hinaus auf Sensoren, Trainingsdaten, Testbedingungen und die Frage, wer in den Entwurfsentscheidungen berücksichtigt wird.
Die zentrale Warnung lautet, dass Prognose und Fairness nicht dasselbe sind. Ein Modell kann Muster korrekt wiedergeben und dabei einen ungerechten Status quo aufrechterhalten. Ausdrückliche Verweise auf geschützte Gruppen zu entfernen, löst das Problem möglicherweise nicht, wenn andere Merkmale als Ersatz dienen. Tests mit unterschiedlichen Nutzerinnen und Nutzern sowie in verschiedenen Umgebungen, die Veröffentlichung relevanter Fehlerquoten und Möglichkeiten für Betroffene, Abhilfe zu verlangen, machen Fairness zu etwas, das überprüft werden kann, statt zu einem bloßen Versprechen.
Sorge dafür, dass Systeme mit weitreichenden Folgen transparent und anfechtbar sind und von Menschen unterstützt werden.
Mache die Belege sichtbar. Wilkins stellt undurchsichtige Risikowerte aus dem Rechtswesen dem Videoassistenten (VAR) im Fußball gegenüber. Der VAR stellt den Offiziellen hochauflösende Kamerabilder zur Verfügung, darunter detaillierte Aufnahmen strittiger Torentscheidungen, während menschliche Schiedsrichter beteiligt bleiben. Das System lässt sich hinterfragen, weil das zugrunde liegende Videomaterial überprüft werden kann. Im Gegensatz dazu beschreibt das Buch ein proprietäres Werkzeug zur Einschätzung des Kriminalitätsrisikos, dessen Berechnungen der Öffentlichkeit nicht zugänglich waren und dessen Werte Entscheidungen über Kaution oder Strafmaß beeinflussten.
Gestalte das Verfahren so, dass Einspruch möglich ist. Wer von einer algorithmischen Entscheidung betroffen ist, sollte die maßgeblichen Belege einsehen, die Grenzen der Entscheidung verstehen und eine qualifizierte Person um Überprüfung bitten können. Der VAR ist kein Muster für jeden Bereich: Bei Sportentscheidungen gelten engere Regeln als bei Urteilen über Gerechtigkeit oder menschliches Wohlergehen. Sein Wert liegt hier in der Kombination aus Einsehbarkeit, Überprüfung und menschlicher Verantwortung.
Transparenz ist nicht bloß eine Höflichkeit. Sie ermöglicht es, Fehler zu erkennen, Annahmen infrage zu stellen und Verantwortlichkeit zuzuordnen. Der Vergleich mit dem Sport ist nützlich, weil er ein abstraktes Prinzip in ein vertrautes Verfahren übersetzt. Doch auch seine Grenzen sind wichtig: Eine klare Wiederholung kann klären, ob der Ball die Torlinie überquert hat; gesellschaftliche und rechtliche Entscheidungen beruhen dagegen auf umstrittenen Wertvorstellungen. Überprüfungsverfahren müssen sowohl die Belege als auch die Maßstäbe offenlegen, nach denen sie ausgelegt werden.
Nutze KI zur Unterstützung, ohne simulierte Aufmerksamkeit mit einer Beziehung zu verwechseln.
Für Verbundenheit braucht es mehr als ein Gespräch. Das Buch argumentiert, dass Isolation das soziale Verhalten beeinträchtigen kann. Es beschreibt Experimente mit sensorischer Deprivation, bei denen die Teilnehmenden nach längerem Entzug sensorischer Reize unruhig wurden und Halluzinationen erlebten. Wilkins verknüpft diese Anfälligkeit mit einem Leben, das zunehmend über Bildschirme vermittelt wird, und stellt sich KI-Werkzeuge vor, die Patientinnen und Patienten Gespräche, Überwachung und persönliche Ermutigung bieten. Solche Systeme könnten Menschen den Zugang zu Unterstützung erleichtern oder dem medizinischen Personal helfen, Informationen zu ordnen.
Verwechsle nicht unterschiedliche Erfahrungen. Sensorische Deprivation ist nicht dasselbe wie gewöhnliche Bildschirmnutzung, und ein Gesprächsprogramm ist keine menschliche Beziehung. Der Vorschlag des Buches, eine KI könne als unermüdlicher Berater oder als Autoritätsfigur auftreten, bringt sowohl ihr Versprechen als auch ihre Gefahr zum Ausdruck: Ein System, das beruhigen soll, kann zugleich lenken. Im Gesundheitswesen sollten Patientinnen und Patienten wissen, wann sie mit einer Maschine sprechen und welche Informationen diese aufzeichnet.
Eine reaktionsfähige Benutzeroberfläche kann es erleichtern, Hilfe zu suchen – besonders dann, wenn menschliche Dienste schwer erreichbar sind. Soziale Verbundenheit umfasst jedoch Gegenseitigkeit, geteilte Verantwortung und die Möglichkeit, durch einen anderen Menschen verändert zu werden, nicht bloß flüssige Antworten zu erhalten. Am überzeugendsten ist die Darstellung des Buches als Warnung davor, Einsamkeit als Softwarefehler zu behandeln. KI kann die Betreuung unterstützen, doch ihre Bequemlichkeit darf nicht als Begründung dafür dienen, menschlichen Kontakt zurückzufahren.
Betrachte KI als Machtinstrument, nicht als neutrale Orakelinstanz.
Frage, wer die Regeln festlegt. Wilkins argumentiert, dass Technologieunternehmen politischen Einfluss gewinnen können, wenn sie Plattformen, Daten und die Systeme kontrollieren, auf die Menschen angewiesen sind. Er führt diesen Gedanken mit der Vorstellung weiter, KI könne zu einer neuen Autorität werden – beinahe zu einer säkularen Religion, deren Aussagen von Unternehmen und Fachleuten ausgelegt werden. Das ist ein spekulatives Argument, lenkt die Aufmerksamkeit aber darauf, wer die Ziele des Systems definiert und wer sie infrage stellen kann.
Werte können den Alltag bestimmen. Das Buch beschreibt das Sozialkreditsystem in China als eine Möglichkeit, das Verhalten von Bürgerinnen und Bürgern zu bewerten und den Zugang zu Dienstleistungen wie Verkehr oder Bildung einzuschränken. Es berichtet von einem Studenten, der angeblich Einschränkungen hinnehmen musste, nachdem sein Vater einen tödlichen Autounfall verursacht hatte. Das veranschaulicht, wie kollektive oder vererbte Urteile jemanden für die Handlungen eines anderen bestrafen können. Ob ein System KI oder Verwaltung genannt wird: Seine Regeln und Folgen müssen kritisch geprüft werden.
Die Analyse von Macht verleiht dem Buch eine politische Dimension, die in Erzählungen über einfallsreiche Maschinen oft fehlt. Die Kontrolle über Infrastruktur, Informationen und Entscheidungsregeln kann wichtiger sein als die Frage, ob ein System wirklich intelligent ist. Die religiöse Metapher verdeutlicht, wie Autorität sich der Kritik entziehen kann; mitunter behandelt das Buch die Motive von Unternehmen jedoch als sicherer belegt, als es die Belege hergeben. Entscheidend ist vielmehr die institutionelle Prüfung: Wem gehören die Daten, wer legt die Regeln fest, wer überprüft die Ergebnisse und wer ermöglicht Einspruch?
Analyse
Wilkins’ Buch ist eine polemische Einführung in die KI und keine neutrale technische Übersicht. Sein nachhaltigerster Beitrag besteht darin, den Blick zu verschieben: weg von erdachten Absichten der Maschinen und hin zu den Institutionen, die automatisierte Systeme entwickeln, verkaufen, einsetzen und regulieren. Dieser Perspektivwechsel verbindet die ansonsten weit auseinanderliegenden Themen des Buches – von Clickbait und Personalbeschaffung bis zu Überwachung, rechtlichen Risikobewertungen und selbstfahrenden Fahrzeugen. In all diesen Fällen geht es im Kern nicht einfach darum, ob eine Maschine denken kann. Es geht darum, wie Behauptungen über die Fähigkeiten von Maschinen Geld, Autorität und Risiken neu verteilen können.
Am überzeugendsten ist das Buch, wenn es die Leserinnen und Leser auffordert, das System rund um eine Vorführung zu untersuchen. Der eskortierte Lastwagen, der undurchsichtige Gerichtswert und die sichtbare Fußballwiederholung machen auf unterschiedliche Weise verborgene Arbeit, nicht überprüfbare Entscheidungen und Rechenschaftspflicht deutlich. Auch die grundlegende Warnung vor Wahrscheinlichkeiten ist wertvoll: Ein Wert darf nicht mit Gewissheit verwechselt werden, insbesondere wenn Fehler die Freiheit oder den Zugang zu unverzichtbaren Dienstleistungen beeinträchtigen.
Die Schwächen des Buches gehen auf dieselbe Dringlichkeit zurück, die es fesselnd macht. Manche technischen Erklärungen sind vereinfacht, und bisweilen stellt die Darstellung spekulative Motive als Tatsachen dar. Die Behauptung, KI werde wahrscheinlich keine Arbeitsplätze ersetzen, ist selbstsicherer, als die angeführten Beispiele rechtfertigen. Eine Technologie kann neue Berufe schaffen und zugleich bestimmte Arbeitsplätze beseitigen, Löhne drücken oder Gewinne konzentrieren. Ebenso erhellen Analogien zwischen KI, Religion und politischer Herrschaft das Problem der Autorität, beweisen aber nicht, dass Technologieführende bewusst nach priesterlicher Macht streben.
Das Buch stammt aus dem Jahr 2019; seine Berichte und Prognosen sollten daher mit aktuellen Belegen abgeglichen werden. Nützlicher als seine kühnsten Vorhersagen ist die dauerhafte Methode, die es zur Lektüre nahelegt: die tatsächlichen Fähigkeiten eines Systems von seiner Werbung unterscheiden, die dahinterstehenden Daten und Anreize prüfen, fragen, wer für Fehler aufkommt, und eine sinnvolle Möglichkeit verlangen, Entscheidungen mit weitreichenden Folgen anzufechten.
Rezensionsübersicht
Die Rezensionen zu Artificial Intelligence fallen gemischt aus; die durchschnittliche Bewertung liegt bei 3,18 von 5. Einige Leser fanden das Buch angesichts der jüngsten Fortschritte in der KI-Technologie veraltet. Ein Rezensent hatte sich eine stärkere Konzentration auf KI-Konzepte erhofft, fand das Buch jedoch eher auf die gesellschaftlichen Auswirkungen von KI ausgerichtet. Ein anderer Leser fand, dass das Buch zunächst zu viel kritisierte, sich später aber verbesserte. Eine spanischsprachige Rezension deutet darauf hin, dass der Leser mehr von dem Buch erwartet hatte. Insgesamt gehen die Meinungen darüber auseinander, wie tiefgehend und relevant das Buch ist und inwieweit es die Erwartungen der Leser erfüllt.
Andere lasen auch
Glossar
Schwache KI
Aufgabenspezifische künstliche IntelligenzKünstliche Intelligenz, die für eine begrenzte Anzahl von Aufgaben entwickelt wurde, etwa zum Klassifizieren von Bildern, zum Abgleichen von Datensätzen oder zum Erstellen von Empfehlungen. Ein schwaches System kann in seinem vorgesehenen Einsatzbereich gute Leistungen erbringen, ohne über ein umfassendes, menschenähnliches Verständnis oder die Flexibilität zu verfügen, sachfremde Aufgaben zu bewältigen.
Allgemeine künstliche Intelligenz
Umfassende, menschenähnliche FähigkeitenEine hypothetische Form der KI, die in vielen unterschiedlichen Bereichen lernen und Aufgaben mit einer Flexibilität bewältigen kann, die mit menschlicher Intelligenz vergleichbar ist. Das Buch stellt dieses Ziel den heutigen aufgabenspezifischen Systemen gegenüber. Sie ist nicht mit einem System zu verwechseln, das lediglich eine einzelne, eng umrissene Aufgabe sehr gut beherrscht.
Maschinelles Lernen
Muster aus Daten lernenEine Gruppe computergestützter Methoden, bei denen ein System sein Verhalten anhand von Beispielen oder Erfahrungen anpasst, statt sich ausschließlich auf von Hand geschriebene Anweisungen zu stützen. Die Ergebnisse hängen von den Daten, dem Trainingsprozess und der Aufgabe ab. Muster zu lernen bedeutet für sich genommen nicht, dass das System diese Muster so versteht wie ein Mensch.
Neuronales Netz
Verbundene RecheneinheitenEin Modell des maschinellen Lernens aus miteinander verbundenen Recheneinheiten, die so angeordnet sind, dass sie Eingaben in Ausgaben umwandeln. Während des Trainings passt das Modell die Stärke der Verbindungen an, um seine Leistung bei einer Aufgabe zu verbessern. Neuronale Netze können komplexe Muster erkennen; ihre Ausgaben hängen jedoch weiterhin von den Trainingsdaten, dem Modellaufbau und den Einsatzbedingungen ab.
Tiefes Lernen (Deep Learning)
Lernen mit mehrschichtigen neuronalen NetzenEine Gruppe von Ansätzen des maschinellen Lernens, die neuronale Netze mit vielen Verarbeitungsschichten verwenden. Diese Schichten können zunehmend komplexe Repräsentationen aus Daten lernen, wodurch sich tiefes Lernen für Aufgaben wie die Bild- und Spracherkennung eignet. Die interne Komplexität kann es erschweren, Ergebnisse zu interpretieren, macht ein System aber nicht automatisch allgemein intelligent.
Bestärkendes Lernen
Lernen durch Rückmeldungen zu HandlungenEin Ansatz des maschinellen Lernens, bei dem ein System Handlungen ausführt und anhand von Rückmeldungen zu deren Ergebnissen lernt, die häufig als Belohnungen oder Bestrafungen dargestellt werden. Das unterscheidet sich von einem Training, bei dem für jedes Beispiel lediglich die richtige Kennzeichnung vorgegeben wird. Das Buch behandelt bestärkendes Lernen, beschreibt es jedoch mit Begriffen, die sich mit anderen Trainingsmethoden überschneiden.
Big Data
Große Mengen gesammelter InformationenSehr große, vielfältige und rasch entstehende Datensammlungen, die häufig von digitalen Diensten, Sensoren und vernetzten Geräten erhoben werden. Solche Informationen lassen sich auf Muster untersuchen, die in kleineren Datensätzen schwer zu erkennen wären. Ihr Umfang kann nützliche Erkenntnisse ermöglichen, wirft aber auch Fragen zu Datenschutz, Sicherheit und der Möglichkeit auf, die Datensammlung zu kontrollieren oder zu interpretieren.
Internet der Dinge
Vernetzte physische GeräteEin Netzwerk physischer Gegenstände, die mit Sensoren, Software oder Kommunikationsfunktionen ausgestattet sind und Informationen mit anderen Geräten oder Diensten austauschen. Beispiele sind vernetzte Haushaltsgeräte und Industriesensoren. Die Vernetzung von Geräten kann Koordination und Automatisierung ermöglichen, zugleich aber die Zahl möglicher Sicherheitslücken und Quellen personenbezogener Daten erhöhen.
Angriffsfläche
Mögliche Zugangspunkte zu einem SystemDie Gesamtheit der Schnittstellen, Geräte, Konten und sonstigen Punkte, über die ein Angreifer versuchen könnte, auf ein System zuzugreifen. Werden mehr Komponenten verbunden, können zusätzliche Zugangswege in ein Netzwerk entstehen – insbesondere dann, wenn ein einziges schwach geschütztes Gerät andere beeinträchtigen kann. Unnötige Verbindungen zu begrenzen und jede Komponente zu schützen, kann die Angriffsfläche verkleinern.
Algorithmische Fairness
Fairness bei automatisierten EntscheidungenDie Herausforderung, sicherzustellen, dass algorithmische Systeme für unterschiedliche Menschen oder Gruppen keine ungerechtfertigten oder systematisch ungleichen Ergebnisse hervorbringen. Fairness hängt davon ab, was ein System vorhersagt, wie seine Daten erhoben wurden, welche Fehler von Bedeutung sind und wie seine Ergebnisse verwendet werden. Es gibt keinen einzelnen technischen Test, der jede ethische oder rechtliche Frage klärt.
Sicherheit durch Design
Sicherheit von Anfang an einplanenEin Ansatz bei der Entwicklung von Produkten und Systemen, der Sicherheit bereits in der Entwurfsphase berücksichtigt, statt sie als nachträgliche Reparatur zu behandeln. Das Buch betont, die Datenerhebung und unnötige Funktionen zu begrenzen, nicht mehr benötigte Informationen zu löschen und Datensätze voneinander zu trennen, damit bei einem Sicherheitsvorfall nicht alles auf einmal offengelegt wird.
Sozialkreditsystem
Verhaltensbasierte Bewertung von BürgernEin System, das Menschen anhand ihres aufgezeichneten Verhaltens bewertet und diese Bewertungen dazu nutzt, den Zugang zu Dienstleistungen, Möglichkeiten oder Privilegien zu beeinflussen. Das Buch stellt das chinesische System als Warnung vor Überwachung und kollektiver Bestrafung dar. Die konkreten Systeme und Maßnahmen können sich unterscheiden; daher sollten Aussagen über ihre Funktionsweise jeweils im konkreten Zusammenhang geprüft werden.
Videoassistent (VAR)
Videoprüfung bei FußballentscheidungenEin System zur Unterstützung der Schiedsrichter im Fußball, mit dem Videoschiedsrichter ausgewählte Vorfälle überprüfen und dem Schiedsrichter auf dem Spielfeld relevantes Bildmaterial übermitteln können. Es nutzt Kameraaufnahmen zur Prüfung von Entscheidungen, während die Anwendung der Regeln weiterhin in der Verantwortung menschlicher Offizieller liegt. Das Buch führt VAR als Beispiel für den Einsatz von Technologie in Verbindung mit sichtbaren Belegen und menschlicher Überprüfung an.
Growth Hacking
Iterative, datengestützte VerbesserungEin unternehmerischer Ansatz, bei dem ein Produkt oder Prozess durch wiederholtes Experimentieren und die Analyse der Ergebnisse verbessert wird. Im Buch bedeutet die Methode, zunächst einen zuverlässigen Arbeitsablauf und ein klares Ziel festzulegen, bevor KI zu dessen Automatisierung eingesetzt wird. In der Geschäftspraxis ist der Begriff weiter gefasst; dies ist jedoch die Rolle, die er in Wilkins’ Ausführungen spielt.
PDF herunterladen
EPUB herunterladen
.epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.