Ethik in der Künstlichen Intelligenz: Liefert die KI eigentlich korrekte und gerechte Antworten?
Die rasante Entwicklung der Künstlichen Intelligenz (KI) bringt
nicht nur technologische Fortschritte, sondern auch komplexe ethische
Fragen mit sich.
Insbesondere bei generativer KI, wie Sprach- oder
Bildgeneratoren, rückt das Thema der voreingenommenen Ergebnisse (Bias) in
den Mittelpunkt der Diskussion. Prof. Dr. René Peinl, Marc Lehmann und
Prof. Dr. Andreas Wagener vom Institut für Informationssysteme der
Hochschule Hof (iisys) haben diese Problematik nun analysiert und kommen
zu spannenden Erkenntnissen.
Bias in KI-Modellen bezeichnet die Neigung, Ergebnisse zu liefern, die
einseitig oder von menschlichen Vorurteilen geprägt sind. „Diese
Verzerrungen entstehen oft durch die Daten, mit denen die Modelle
trainiert werden, sowie durch deren algorithmische Verarbeitung. In
Studien wird häufig stillschweigend davon ausgegangen, dass eindeutig
definiert ist, was eine „korrekte“ oder „unvoreingenommene“ Antwort
darstellt“, so Prof. Dr. René Peinl. Doch die gesellschaftliche Realität
zeigt: Solche Definitionen sind in Wahrheit oft sogar außerordentlich
umstritten.
Wer entscheidet über „korrekte“ Antworten?
In der Praxis gibt es keinen Konsens darüber, was als „richtige“ oder
„gerechte“ Antwort gelten sollte. Themen wie gendersensible Sprache, der
menschengemachte Klimawandel oder die Gleichstellung Homosexueller sind
gesellschaftlich zum Teil hoch umstritten. „Wenn ein KI-Modell zu einer
Frage eine scheinbar voreingenommene Antwort liefert, stellt sich die
Frage, ob dies tatsächlich ein Ausdruck von Bias ist – oder einfach die
statistisch wahrscheinlichste Antwort“, erläutert Prof. Dr. Andreas
Wagener.
Beispiel: Ein generiertes Bild eines „bayerischen Mannes“ zeigt häufig
einen Mann in Lederhose mit Bierkrug. Diese Darstellung mag klischeehaft
wirken, spiegelt jedoch eine kulturelle Symbolik wider, die für viele
Menschen eine klare Aussage vermittelt. Ein Mann im Anzug oder
Jogginganzug würde diesen Zusammenhang weniger deutlich machen.
Technische Grenzen
Ein Großteil der scheinbar oft voreingenommenen Ergebnisse entsteht durch
die Qualität des Modells und durch die Eingaben selbst. „KI-Modelle müssen
oft Entscheidungen treffen, wenn Eingaben vage oder nicht ausreichend
spezifiziert sind. „So könnte die generische Eingabe „Kuh“ dazu führen,
dass ein Modell vorwiegend Kühe auf einer Wiese oder im Stall generiert –
auch dies ist ein Beispiel für einen „Bias“, wenngleich wohl für einen
durchaus gewünschten“, so Marc Lehmann.
Hinzu kommt, dass unklare Aufgabenstellungen die Modelle dazu zwingen,
wahrscheinliche Varianten zu wählen. Eine Verbesserung der
Modellergebnisse erfordert daher präzisere Eingaben und eine
detailliertere Betrachtung der statistischen Verteilung.
Mögliche Lösungsansätze
Die Forscher der Hochschule Hof haben verschiedene Lösungsansätze zur
Minimierung von Bias untersucht, dabei jedoch keine universelle Lösung
gefunden. Die Spaltung in westlichen Gesellschaften erschwere es
zusätzlich, Modelle so zu gestalten, dass sie allgemeiner Akzeptanz
entsprechen. In einigen Fällen kann die Verteilung innerhalb der
Grundgesamtheit als Orientierung dienen. „Beispielsweise sollten
Bildgeneratoren Männer und Frauen bei geschlechtsneutralen
Berufsbezeichnungen gleichermaßen darstellen, um vergangene
Benachteiligungen nicht zu wiederholen“, schlägt Prof. Dr. René Peinl vor.
Berücksichtigung von Minderheiten
In anderen Fällen ist es jedoch nicht sinnvoll, Gleichverteilung
anzustreben. So sind z. B. 2 % der deutschen Bevölkerung homosexuell. Ein
Modell, das bei generischen Eingaben wie „happy couple“ jedes vierte Bild
als homosexuelles Paar darstellt, würde die statistische Realität stark
überrepräsentieren. Stattdessen sollte ein KI-Modell explizite Eingaben
wie „gay couple“ korrekt umsetzen und entsprechende Bilder generieren.
Landesspezifika: Ein praktikabler Kompromiss?
Ein weiterer Vorschlag der Forscher ist die Einführung landesspezifischer
„Defaults“. So könnte die Eingabe „Mann“ in China zu einem asiatisch
aussehenden Mann führen, in Nigeria zu einem dunkelhäutigen und in
Deutschland zu einem kaukasischen Mann. Diese Anpassungen würden
kulturelle und demografische Unterschiede berücksichtigen, ohne
diskriminierend zu wirken.
Fazit: Die Balance zwischen Präzision und Neutralität
Die Forschung zeigt, dass die Entwicklung unvoreingenommener KI-Modelle
eine enorme Herausforderung darstellt. Es gibt keine einfachen Antworten,
da viele Probleme auf gesellschaftliche Uneinigkeiten zurückzuführen sind.
Eine mögliche Lösung ist es, Modelle so zu gestalten, dass sie klare
Eingaben akkurat umsetzen und landesspezifische Kontexte berücksichtigen.
Doch selbst diese Ansätze erfordern eine fortlaufende Diskussion und
Anpassung, um ethischen und technischen Anforderungen gerecht zu werden.
