Inhaltsverzeichnis
Ethics and Artificial Intelligence Act
Heim Technologie-Peripheriegeräte KI Europas neues Gesetz zur künstlichen Intelligenz wird die ethische Überprüfung stärken

Europas neues Gesetz zur künstlichen Intelligenz wird die ethische Überprüfung stärken

Apr 09, 2023 pm 04:51 PM
机器学习 人工智能法案

Europas neues Gesetz zur künstlichen Intelligenz wird die ethische Überprüfung stärken

Während sich die EU auf die Umsetzung des Gesetzes über künstliche Intelligenz zubewegt, werden Fragen der KI-Ethik wie Voreingenommenheit, Transparenz und Erklärbarkeit immer wichtiger, und der Gesetzentwurf wird die Verwendung wirksam regeln von künstlicher Intelligenz und maschinellen Lerntechnologien in allen Branchen. KI-Experten sagen, dass dies ein guter Zeitpunkt für KI-Benutzer ist, sich mit ethischen Konzepten vertraut zu machen.

Europas neueste Version des Gesetzes über künstliche Intelligenz, die letztes Jahr eingeführt wurde, durchläuft den Überprüfungsprozess zügig und könnte bereits 2023 umgesetzt werden. Während sich das Gesetz noch in der Entwicklungsphase befindet, scheint die Europäische Kommission bereit zu sein, Fortschritte bei der Regulierung künstlicher Intelligenz zu machen.

Das Gesetz wird beispielsweise neue Anforderungen für den Einsatz künstlicher Intelligenzsysteme stellen und bestimmte Anwendungsfälle ganz verbieten. Sogenannte Hochrisiko-KI-Systeme, wie sie beispielsweise in selbstfahrenden Autos und Entscheidungsunterstützungssystemen in den Bereichen Bildung, Einwanderung und Beschäftigung eingesetzt werden, erfordern von den Benutzern die Durchführung von Folgenabschätzungen und Prüfungen von KI-Anwendungen. Einige KI-Anwendungsfälle werden in Datenbanken genau verfolgt, während andere die Genehmigung externer Prüfer erfordern, bevor sie verwendet werden können.

Nick Carrel, Leiter der Datenanalyseberatung bei EPAM Systems, einem Softwareentwicklungsunternehmen mit Sitz in Newtown, Pennsylvania, sagte, dass die Notwendigkeit von Unerklärbarkeit und Interpretierbarkeit als Teil eines MLOps-Engagements oder eines datenwissenschaftlichen Beratungsengagements sehr hoch sei groß. Das EU-Gesetz zur künstlichen Intelligenz dränge Unternehmen auch dazu, Erkenntnisse und Antworten über ethische KI zu suchen, sagte er.

„Es besteht derzeit eine große Nachfrage nach dem, was man ML Ops nennt, also der Wissenschaft, Modelle für maschinelles Lernen zu betreiben. Wir betrachten ethische KI als eine der wichtigsten Grundlagen dieses Prozesses“, so Carrel sagte. „Wir haben auch mehr Anfragen von Kunden erhalten … da sie von der bevorstehenden EU-Gesetzgebung zu Systemen der künstlichen Intelligenz erfahren, die Ende dieses Jahres in Kraft treten wird, und sie wollen darauf vorbereitet sein.“ verwandtes Konzept. Die Interpretierbarkeit eines Modells bezieht sich auf das Ausmaß, in dem Menschen verstehen und vorhersagen können, welche Entscheidungen ein Modell treffen wird, während sich die Interpretierbarkeit auf die Fähigkeit bezieht, genau zu beschreiben, wie ein Modell tatsächlich funktioniert. Man kann das eine ohne das andere haben, sagt Andrey Derevyanka, Leiter Datenwissenschaft und maschinelles Lernen bei EPAM Systems.

„Stellen Sie sich vor, Sie machen ein Experiment, vielleicht ein Chemieexperiment, bei dem Sie zwei Flüssigkeiten mischen. Dieses Experiment ist offen für Interpretationen, denn Sie sehen, was Sie hier tun. Sie nehmen einen Gegenstand, fügen einen anderen hinzu, Wir bekommen das Ergebnis“, sagte Derevyanka. „Aber damit dieses Experiment interpretierbar ist, muss man die chemische Reaktion kennen, man muss wissen, wie die Reaktion entsteht, wie sie funktioniert, und man muss die internen Details des Prozesses kennen.“ 🎜#Derevyanka sagte: Insbesondere Deep-Learning-Modelle können bestimmte Situationen erklären, aber nicht erklären. „Sie haben eine Blackbox und sie funktioniert auf eine bestimmte Weise, aber Sie wissen, dass Sie nicht wissen, was sich darin befindet“, sagte er. „Aber man kann es erklären: Wenn man diesen Input gibt, bekommt man diesen Output.“ „Es ist unmöglich, Verzerrungen aus Daten vollständig zu beseitigen, aber es ist wichtig, dass Unternehmen daran arbeiten, Verzerrungen aus KI-Modellen zu beseitigen“, sagte Umit Cakmak, Leiter der Daten- und KI-Praxis bei EPAM Systems.

„Diese Dinge müssen im Laufe der Zeit analysiert werden“, sagte Cakmak. „Es ist ein Prozess, weil Verzerrungen in historischen Daten verankert sind. Es gibt keine Möglichkeit, Verzerrungen aus den Daten zu entfernen. Als Unternehmen müssen Sie also einige spezifische Prozesse einrichten, damit Ihre Entscheidungen mit der Zeit besser werden, was die Qualität verbessert.“ Ihre Daten im Laufe der Zeit, sodass Sie im Laufe der Zeit weniger voreingenommen sind.“ 🎜🎜#Der EU-Gesetzentwurf zur künstlichen Intelligenz wird den Einsatz von KI nach Risiko klassifizieren Es ist wichtig, dass Kunden und Führungskräfte, die einem Risiko ausgesetzt sind, darauf vertrauen können, dass KI-Modelle keine falschen Entscheidungen auf der Grundlage voreingenommener Daten treffen.

In der Literatur gibt es viele Beispiele für Datenverzerrungen, die in automatisierte Entscheidungssysteme eindringen, einschließlich rassistischer Vorurteile, die in Modellen auftauchen, die zur Bewertung der Mitarbeiterleistung oder zur Auswahl von Bewerbern aus Lebensläufen verwendet werden, sagte Cakmak. Es ist wichtig zu zeigen, wie das Modell zu seinen Schlussfolgerungen gelangt, um zu zeigen, dass Schritte unternommen wurden, um Datenverzerrungen im Modell zu beseitigen.

Cakmak erinnert sich, wie ein Gesundheitsunternehmen aufgrund mangelnder Erklärbarkeit ein für die Krebsdiagnose entwickeltes KI-System aufgab. „KI hat bis zu einem gewissen Grad funktioniert, aber dann wurde das Projekt abgebrochen, weil sie kein Vertrauen in den Algorithmus aufbauen konnten“, sagte er. „Wenn Sie nicht erklären können, warum das Ergebnis eintritt, können Sie nicht mit der Behandlung fortfahren.“

EPAM Systems hilft Unternehmen, künstliche Intelligenz vertrauenswürdig einzusetzen. Das Unternehmen befolgt in der Regel bestimmte Richtlinien, angefangen bei der Datenerfassung über die Vorbereitung eines Modells für maschinelles Lernen bis hin zur Validierung und Interpretation des Modells. Sicherzustellen, dass KI-Teams diese Prüfungen oder „Qualitätstore“ erfolgreich bestehen und dokumentieren, sei ein wichtiges Element ethischer KI, sagte Cakmak.

Ethics and Artificial Intelligence Act

Steven Mills, Chief AI Ethics Officer für Global GAMMA bei der Boston Consulting Group, sagte, die größten und am besten geführten Unternehmen seien sich bereits der Notwendigkeit einer verantwortungsvollen KI bewusst.

Aber je näher der KI-Gesetzentwurf in Kraft tritt, desto mehr Unternehmen auf der ganzen Welt beschleunigen ihre verantwortungsvollen KI-Projekte, um sicherzustellen, dass sie nicht mit dem sich ändernden regulatorischen Umfeld und neuen Erwartungen in Konflikt geraten.

„Es gibt viele Unternehmen, die bereits KI implementieren und erkennen, dass wir hinsichtlich all der möglichen unbeabsichtigten Folgen nicht so hoffnungsvoll sind, wie wir es gerne hätten, und dass wir das so schnell wie möglich angehen müssen“, sagte Mills „Das ist das Wichtigste.“ In manchen Fällen kommt es von externen Investoren, die nicht wollen, dass ihr Anlagerisiko durch den schlechten Einsatz von KI gefährdet wird, sagte Mills.

„Wir sehen einen Trend, bei dem Investoren, ob öffentliche Unternehmen oder Risikofonds, sicherstellen wollen, dass KI verantwortungsvoll aufgebaut wird“, sagte er. „Das ist möglicherweise nicht für jeden wichtig.“ „Aber hinter den Kulissen denken einige dieser VCs darüber nach, wo sie ihr Geld einsetzen, um sicherzustellen, dass diese Startups die Dinge richtig machen“, sagte Carrel. Details sind ebenfalls vage, aber das Gesetz hat das Potenzial, die Verwendung zu klären der künstlichen Intelligenz, von der sowohl Unternehmen als auch Verbraucher profitieren würden.

„Meine erste Reaktion war, dass dies sehr streng sein würde“, sagte Carrel, der vor seinem Einstieg bei EPAM Systems Modelle für maschinelles Lernen in der Finanzdienstleistungsbranche implementierte. „Ich versuche seit Jahren, die Grenzen der Entscheidungsfindung im Finanzdienstleistungssektor zu verschieben, und plötzlich kommt ein Gesetz heraus, das unsere Arbeit untergraben würde

Aber je mehr er sich mit dem bevorstehenden Gesetz befasste, desto mehr gefiel ihm Er sah.

„Ich denke, es wird auch das Vertrauen der Öffentlichkeit in den Einsatz von KI in verschiedenen Branchen stärken“, sagte Carrel. „Die Gesetzgebung, die die Registrierung von Hochrisiko-KI-Systemen in der EU vorschreibt, bedeutet, dass es solche geben wird.“ irgendwo da draußen ein sehr risikoreiches KI-System. Eine übersichtliche Liste aller verwendeten KI-Hochrisikosysteme. Dies gibt Prüfern viel Macht, was bedeutet, dass ungezogene Jungs und schlechte Spieler nach und nach bestraft werden, und hoffentlich werden wir mit der Zeit mehr Möglichkeiten für diejenigen schaffen, die KI und maschinelles Lernen für bessere Zwecke nutzen wollen. Die Menschen hinterlassen Best Practices – die verantwortungsvoller Weg.

Das obige ist der detaillierte Inhalt vonEuropas neues Gesetz zur künstlichen Intelligenz wird die ethische Überprüfung stärken. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
2 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
Repo: Wie man Teamkollegen wiederbelebt
1 Monate vor By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Abenteuer: Wie man riesige Samen bekommt
4 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

In diesem Artikel erfahren Sie mehr über SHAP: Modellerklärung für maschinelles Lernen In diesem Artikel erfahren Sie mehr über SHAP: Modellerklärung für maschinelles Lernen Jun 01, 2024 am 10:58 AM

In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls

Transparent! Eine ausführliche Analyse der Prinzipien der wichtigsten Modelle des maschinellen Lernens! Transparent! Eine ausführliche Analyse der Prinzipien der wichtigsten Modelle des maschinellen Lernens! Apr 12, 2024 pm 05:55 PM

Laienhaft ausgedrückt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Eingabedaten einer vorhergesagten Ausgabe zuordnet. Genauer gesagt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Modellparameter anpasst, indem sie aus Trainingsdaten lernt, um den Fehler zwischen der vorhergesagten Ausgabe und der wahren Bezeichnung zu minimieren. Beim maschinellen Lernen gibt es viele Modelle, z. B. logistische Regressionsmodelle, Entscheidungsbaummodelle, Support-Vektor-Maschinenmodelle usw. Jedes Modell verfügt über seine anwendbaren Datentypen und Problemtypen. Gleichzeitig gibt es viele Gemeinsamkeiten zwischen verschiedenen Modellen oder es gibt einen verborgenen Weg für die Modellentwicklung. Am Beispiel des konnektionistischen Perzeptrons können wir es durch Erhöhen der Anzahl verborgener Schichten des Perzeptrons in ein tiefes neuronales Netzwerk umwandeln. Wenn dem Perzeptron eine Kernelfunktion hinzugefügt wird, kann es in eine SVM umgewandelt werden. Dieses hier

Identifizieren Sie Über- und Unteranpassung anhand von Lernkurven Identifizieren Sie Über- und Unteranpassung anhand von Lernkurven Apr 29, 2024 pm 06:50 PM

In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“

Die Entwicklung der künstlichen Intelligenz in der Weltraumforschung und der Siedlungstechnik Die Entwicklung der künstlichen Intelligenz in der Weltraumforschung und der Siedlungstechnik Apr 29, 2024 pm 03:25 PM

In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten

Implementierung von Algorithmen für maschinelles Lernen in C++: Häufige Herausforderungen und Lösungen Implementierung von Algorithmen für maschinelles Lernen in C++: Häufige Herausforderungen und Lösungen Jun 03, 2024 pm 01:25 PM

Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.

Erklärbare KI: Erklären komplexer KI/ML-Modelle Erklärbare KI: Erklären komplexer KI/ML-Modelle Jun 03, 2024 pm 10:08 PM

Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden

Ausblick auf zukünftige Trends der Golang-Technologie im maschinellen Lernen Ausblick auf zukünftige Trends der Golang-Technologie im maschinellen Lernen May 08, 2024 am 10:15 AM

Das Anwendungspotenzial der Go-Sprache im Bereich des maschinellen Lernens ist enorm. Ihre Vorteile sind: Parallelität: Sie unterstützt die parallele Programmierung und eignet sich für rechenintensive Operationen bei maschinellen Lernaufgaben. Effizienz: Der Garbage Collector und die Sprachfunktionen sorgen dafür, dass der Code auch bei der Verarbeitung großer Datenmengen effizient ist. Benutzerfreundlichkeit: Die Syntax ist prägnant und erleichtert das Erlernen und Schreiben von Anwendungen für maschinelles Lernen.

Ist Flash Attention stabil? Meta und Harvard stellten fest, dass die Gewichtsabweichungen ihrer Modelle um Größenordnungen schwankten Ist Flash Attention stabil? Meta und Harvard stellten fest, dass die Gewichtsabweichungen ihrer Modelle um Größenordnungen schwankten May 30, 2024 pm 01:24 PM

MetaFAIR hat sich mit Harvard zusammengetan, um einen neuen Forschungsrahmen zur Optimierung der Datenverzerrung bereitzustellen, die bei der Durchführung groß angelegten maschinellen Lernens entsteht. Es ist bekannt, dass das Training großer Sprachmodelle oft Monate dauert und Hunderte oder sogar Tausende von GPUs verwendet. Am Beispiel des Modells LLaMA270B erfordert das Training insgesamt 1.720.320 GPU-Stunden. Das Training großer Modelle stellt aufgrund des Umfangs und der Komplexität dieser Arbeitsbelastungen einzigartige systemische Herausforderungen dar. In letzter Zeit haben viele Institutionen über Instabilität im Trainingsprozess beim Training generativer SOTA-KI-Modelle berichtet. Diese treten normalerweise in Form von Verlustspitzen auf. Beim PaLM-Modell von Google kam es beispielsweise während des Trainingsprozesses zu Instabilitäten. Numerische Voreingenommenheit ist die Hauptursache für diese Trainingsungenauigkeit.

See all articles