SlideShare ist ein Scribd-Unternehmen logo
1 von 86
Downloaden Sie, um offline zu lesen
#WISSENTEILEN
Künstliche
Intelligenz
Eine ethische Betrachtung
@_openKnowledge | @mobileLarson
Lars Röwekamp | open knowledge GmbH
#WISSENTEILEN
Was ist KI?
… und Machine Learning, Deep Learning …
“Künstliche Intelligenz
bezeichnet den Versuch, bestimmte
Entscheidungsstrukturen des
Menschen nachzubilden."
Quelle: Wikipedia
Turing Test by Alan Turing, 1950
Completely Automated Puplic Turing test to tell Computers and Humans Apart
CAPTCHAs
Completely Automated Puplic Turing test to tell Computers and Humans Apart
CAPTCHAs
Completely Automated Puplic Turing test to tell Computers and Humans Apart
CAPTCHAs
"Artificial Intelligence is the
science of making machines
do things that would require
intelligence if done by men."
Marvin Minsky, 1966
(Deep Blue besiegt Schach-Großmeister Garri Kasparow, 1997)
künstliche Intelligenz
(AlphaGO besiegt GO-Großmeister Lee Sedol, 2016)
künstliche Intelligenz
(LSVRC: Klassifizierung und Lokalisierung)
Evolution der KI
Fehlerrate: 2010 = 28% | 2017 = 2%
„Artificial Intelligence is a system’s
ability to correctly interpret external
data, to learn from such data, and to
use those learnings to achieve specific
goals and tasks through flexible
adaptation.“
Andreas Kaplan & Michael Haenlein, 2018
künstliche Intelligenz
starke
KI
schwache KI
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Maschine, die
menschliches Verhalten
(teilweise) imitiert
künstliche Intelligenz
starke
KI
schwache KI
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches Verhalten
(teilweise) imitiert
Teilgebiet des Machine
Learnings: bedient sich
mehrschichtiger neuronaler
Netze zum Lernen/Entscheiden
künstliche Intelligenz
starke
KI
schwache KI
Deep
Learning
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches Verhalten
(teilweise) imitiert
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/
KAUSALITÄT
vs
KORRELATION
(Kaggle Titanic KI Challenge: https://www.kaggle.com/c/titanic)
KI am Beispiel der
TITANIC
gegeben: Trainingsdatenmenge mit
Informationen zu einigen Passagieren der
Titanic.
gesucht: Entscheidungsbaum, der für die
übrigen Passagiere vorhersagt, ob sie die
Fahrt überlebt haben oder nicht.
Trainingsset
(891 Passagiere)
Testset
(1309 Passagiere)
KI am Beispiel der
TITANIC
- Name & Anrede (ca. 70%)
- Alter (ca. 80%)
- Buchungsklasse & Ticketpreis
- Familiengröße
- Geschlecht
- hat überlebt JA / NEIN
Trainingsset
(891 Passagiere)
Grundwahrheit
(gibt dem Algorithmus Feedback)
KI am Beispiel der
TITANIC
Frau?
> 9,5 J
nein ja
überlebt
nicht
überlebt
Trainingsset
(891 Passagiere)
233/314
überlebt
109/577
überlebt
701/891
korrekt
233
468
KI am Beispiel der
TITANIC
Frau?
> 9,5 J
nein ja
überlebt
nicht
überlebt
Trainingsset
(891 Passagiere)
75%
81%
79%
korrekt
„Das ist KI? Da geht doch
bestimmt noch mehr?“
KI am Beispiel der
TITANIC
Frau?
> 9,5 J
< 3
Geschw.
nein
ja
nein
ja
ja
nein
überlebt
überlebt
nicht
überlebt
nicht
überlebt
Trainingsset
(891 Passagiere)
233/314
überlebt
90/545
überlebt
1/14
überlebt
18/18
überlebt
KI am Beispiel der
TITANIC
Frau?
> 9,5 J
< 3
Geschw.
nein
ja
nein
ja
ja
nein
überlebt
überlebt
nicht
überlebt
nicht
überlebt
Trainingsset
(891 Passagiere)
100%
75%
83%
93%
81%
korrekt
„Cool! Ich will die 100
sehen, ich will die … “
KI am Beispiel der
TITANIC
Frau?
> 9,5 J
< 3
Geschw.
nein
ja
nein
ja
ja
nein
überlebt
überlebt
nicht
überlebt
nicht
überlebt
Trainingsset
(891 Passagiere)
100%
75%
83%
93%
81%
korrekt
OVERFITTING
KI am Beispiel der
TITANIC
Frau?
> 9,5 J
< 3
Geschw.
nein
ja
nein
ja
ja
nein
überlebt
überlebt
nicht
überlebt
nicht
überlebt
Testset
(1309 Passagiere)
339/466
überlebt
136/796
überlebt
3/27
überlebt
19/20
überlebt
ca 80% korrekt
KI am Beispiel der
TITANIC
FAZIT: unsere „KI“ sagt mit 80%iger
Wahrscheinlichkeit das richtige Ergebnis
voraus.
Ist das gut?
KI am Beispiel der
TITANIC
FAZIT: unsere „KI“ sagt mit 80%iger
Wahrscheinlichkeit das richtige Ergebnis
voraus.
FAKT: 61,6% der Passagiere sind
ertrunken.
Baseline
(Maß für die Qualität)
KI am Beispiel der
TITANIC
KORRELATION: Frauen & Kinder haben
dieses Schiffsunglück häufiger überlebt*.
VS
KAUSALITÄT: Frauen und Kinder
haben bei Schiffsunglücken eine
höhere Überlebenschance.
Rückschluss
(Interpretation des Modells)
* „Frauen und Kinder zuerst in die Boote“.
KI am Beispiel von
RECRUITING
gegeben: Daten mit Informationen zu
erfolgreichen / erfolglosen Bewerbern.
gesucht: Entscheidungsgrundlage, ob
Bewerber zum Gespräch eingeladen
werden sollen.
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
„KI: finde bitte eine sinnvolle
Unterteilung. Danke.“*
*… auf deren Basis wir Aussagen über den Erfolg
zukünftiger Bewerber treffen können.
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
4
4
5
6
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
4
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
4
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
6
KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
4
4
5
6
KI am Beispiel von
RECRUITING
Menschen müssen entscheiden, was
eine gute Entscheidung ausmacht, damit
maschinelles Lernen überhaupt gute
Entscheidungen produzieren kann.*
Rückkopplung/Feedback: Das
gezeigte Modell ermöglicht nur
einseitiges Feedback!**
Rückschluss
(Sozioinformatiker)
*Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale
**in realer Welt eher die Norm als die Ausnahme
KI am Beispiel von
PROFILING
Alter bei erster Straftat
bisherige
Straftaten
7
4
4
5
6
„KI: wie wahrscheinlich ist es, dass
der Kriminelle rückfällig wird?
KI am Beispiel von
PROFILING
Operationalisierbarkeit: Was kann
gemessen werden? Was nicht? Und was
wird am Ende tatsächlich gemessen?*
Moralische Abwägung: welche
Fehlentscheidung wiegt schwerer?
*nicht die Rückfälligkeit wird gemessen, sondern lediglich, wer erwischt wurde!
Menschen hispanischer Herkunft werden in den USA 4x häufiger kontrolliert als
weiße Amerikaner. Afroamerikaner sogar 6x häufiger. Diebstahl und Drogendelikte
werden deutlich intensiver verfolgt als Finanzdelikte.
SELBSTERFÜLLENDE
PROPHEZEIUNG!
#WISSENTEILEN
KI & Ethik
… und was hat KI mit Ethik zu tun?
Ist es fair für alle Beteiligten?
Ist es wahr und transparent / nachvollziehbar?
Ist es gut und im Interesse der Gesellschaft?
Ist es fair? Für alle Beteiligten?
Ist es fair? Für alle Beteiligten?
Ist es fair? Für alle Beteiligten?
Ist es wahr? Und nachvollziehbar?
Ist es wahr? Und nachvollziehbar?
* Beispiel: https://thispersondoesnotexist.com
Ist es wahr? Und nachvollziehbar?
KI im Dienst des Guten
KI im Dienst des …?
Scheinbar eine gute Sache.
Immer noch eine gute Sache?
#WISSENTEILEN
KI & Ich
… und was hat das mit mir zu tun?
künstliche Intelligenz als
Spiegel der Gesellschaft
künstliche Intelligenz
formt die Gesellschaft
künstliche Meinungsmache
künstliche Meinungsmache
künstliche Meinungsmache
künstliche Meinungsmache
künstliche Meinungsmache
Die Wahrheit liegt
in den Daten*
*… und deren Interpretation
Vollständig? Diskriminierend?
Infos vorenthalten? Weiter lernend?
„Wo bereits vorher
diskriminiert wurde, wird die
KI die Diskriminierung mitlernen!“*
* Daten & KI sind aber auch Chance, Diskriminierung aufzudecken!
#WISSENTEILEN
KI & was nun?
… wir brauchen dringend Spielregeln!
Gesamtschadenspotential
Wahl-/Einflussmöglichkeit
Kaufempfehlung
Objektbewertung
ohne Auswirkung
auf Menschen
Autom. LStJA
Facebook
Newsfeed
Bewerber
aussortieren
Arbeitnehmer
bewerten
Kredit-
Scoring
China
Citizen
Score
Lethal
auton.
Weapons
Terroristen
Identifikation
Risikomatrixzur Notwendigkeit der Regulierung
niedrig hoch
niedrig
hoch
Quelle: Enquete-Kommission des Bundestages „AI“
Kaufempfehlung
Objektbewertung
ohne Auswirkung
auf Menschen
Autom. LStJA
Facebook
Newsfeed
Bewerber
aussortieren
Arbeitnehmer
bewerten
Kredit-
Scoring
China
Citizen
Score
Lethal
auton.
Weapons
Terroristen
Identifikation
Klasse 0 Klasse 1 Klasse 2
Klasse 3
Klasse 4
Gesamtschadenspotential
niedrig hoch
Wahl-/Einflussmöglichkeit
niedrig
hoch
Quelle: Enquete-Kommission des Bundestages „AI“
Klasse 1
Quelle: Enquete-Kommission des Bundestages „AI“
Nennung der Qualitätsmerkmale
Nennung des Lernverfahrens
Notwendige Interfaces für BlackBox Verfahren
Beschreibung der Einbettung in den sozialen Entscheidungsprozess
Klasse 2 Nennung der Trainings- und Eingabedaten
Nachvollziehbarkeit der Qualitätsbewertung
Klasse 3 Nachvollziehbarkeit der Daten
Nachvollziehbarkeit des Lernverfahrens
Nachvollziehbarkeit der Entscheidung
Klasse 4 KEINE KI erlauben!
Risikomatrixzur Notwendigkeit der Regulierung
#WISSENTEILEN
KI & Ethik
… (m)ein persönliches Fazit!
Was ihr mitnehmen solltet …
KI ist nicht (mehr) aufzuhalten
KI ist Operationalisierung, Modell und Aktion
KI ist Korrelation und nicht Kausalität
schlechte Daten führen zu schlechten Entscheidungen
selbstoptimierende Systeme benötigen zweiseitiges Feedback
Regulierung ist immer dann notwendig und sinnvoll, wenn es
nur wenig Auswahl-/Einflussmöglichkeiten gibt und ein hohes
Schadenspotential – individuell und/oder gesamt - besteht.
„Menschen müssen entscheiden,
was eine gute Entscheidung ist,
damit maschinelles Lernen
überhaupt gute Entscheidungen
produzieren kann.“
#WISSENTEILEN
Gibt es Fragen
oder Anmerkungen?
@_openKnowledge | @mobileLarson
Lars Röwekamp | open knowledge GmbH
#WISSENTEILEN
Tschüss und vielen Dank!
@_openKnowledge | @mobileLarson
Lars Röwekamp | open knowledge GmbH
lars.roewekamp@openknowledge.de
Bildernachweis
Folie 01: © Phonlamei Photo, shutterstock.com
Folie 05: © Jesus Sanz, shutterstock.com
Folie 18: © Tomacco, shutterstock.com
Folie 42: © Oleksandr Chaban, iStockphot.com
Folie 77: © dezydezy, vectorstock.com
All other pictures inside this presentation orginate from
pixabay.com, pexels.com, unsplash.com or were
created by my own.

Weitere ähnliche Inhalte

Was ist angesagt?

Generative Models and ChatGPT
Generative Models and ChatGPTGenerative Models and ChatGPT
Generative Models and ChatGPTLoic Merckel
 
Governance of trustworthy AI
Governance of trustworthy AIGovernance of trustworthy AI
Governance of trustworthy AIsamossummit
 
Was ist eigentlich KI?
Was ist eigentlich KI?Was ist eigentlich KI?
Was ist eigentlich KI?Knut Linke
 
10 Key Considerations for AI/ML Model Governance
10 Key Considerations for AI/ML Model Governance10 Key Considerations for AI/ML Model Governance
10 Key Considerations for AI/ML Model GovernanceQuantUniversity
 
Challenges in AI LLMs adoption in the Enterprise
Challenges in AI LLMs adoption in the EnterpriseChallenges in AI LLMs adoption in the Enterprise
Challenges in AI LLMs adoption in the EnterpriseGeorge Bara
 
Exploring Opportunities in the Generative AI Value Chain.pdf
Exploring Opportunities in the Generative AI Value Chain.pdfExploring Opportunities in the Generative AI Value Chain.pdf
Exploring Opportunities in the Generative AI Value Chain.pdfDung Hoang
 
Generative AI Use-cases for Enterprise - First Session
Generative AI Use-cases for Enterprise - First SessionGenerative AI Use-cases for Enterprise - First Session
Generative AI Use-cases for Enterprise - First SessionGene Leybzon
 
Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...
Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...
Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...SOLTUIONSpeople, THINKubators, THINKathons
 
ai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdf
ai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdfai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdf
ai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdfjason668539
 
Generative AI con Amazon Bedrock.pdf
Generative AI con Amazon Bedrock.pdfGenerative AI con Amazon Bedrock.pdf
Generative AI con Amazon Bedrock.pdfGuido Maria Nebiolo
 
Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...
Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...
Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...David Talby
 
OpenAI’s GPT 3 Language Model - guest Steve Omohundro
OpenAI’s GPT 3 Language Model - guest Steve OmohundroOpenAI’s GPT 3 Language Model - guest Steve Omohundro
OpenAI’s GPT 3 Language Model - guest Steve OmohundroNumenta
 
Artificial Intelligence explained simplistically
Artificial Intelligence explained simplisticallyArtificial Intelligence explained simplistically
Artificial Intelligence explained simplisticallyNBC Bearings
 
01 AI Overview.pptx
01 AI Overview.pptx01 AI Overview.pptx
01 AI Overview.pptxSagarBurnah
 
A comprehensive guide to prompt engineering.pdf
A comprehensive guide to prompt engineering.pdfA comprehensive guide to prompt engineering.pdf
A comprehensive guide to prompt engineering.pdfStephenAmell4
 
[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation
[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation
[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented GenerationDataScienceConferenc1
 
Use Case Patterns for LLM Applications (1).pdf
Use Case Patterns for LLM Applications (1).pdfUse Case Patterns for LLM Applications (1).pdf
Use Case Patterns for LLM Applications (1).pdfM Waleed Kadous
 

Was ist angesagt? (20)

Generative Models and ChatGPT
Generative Models and ChatGPTGenerative Models and ChatGPT
Generative Models and ChatGPT
 
Governance of trustworthy AI
Governance of trustworthy AIGovernance of trustworthy AI
Governance of trustworthy AI
 
Was ist eigentlich KI?
Was ist eigentlich KI?Was ist eigentlich KI?
Was ist eigentlich KI?
 
10 Key Considerations for AI/ML Model Governance
10 Key Considerations for AI/ML Model Governance10 Key Considerations for AI/ML Model Governance
10 Key Considerations for AI/ML Model Governance
 
Challenges in AI LLMs adoption in the Enterprise
Challenges in AI LLMs adoption in the EnterpriseChallenges in AI LLMs adoption in the Enterprise
Challenges in AI LLMs adoption in the Enterprise
 
Exploring Opportunities in the Generative AI Value Chain.pdf
Exploring Opportunities in the Generative AI Value Chain.pdfExploring Opportunities in the Generative AI Value Chain.pdf
Exploring Opportunities in the Generative AI Value Chain.pdf
 
Generative AI Use-cases for Enterprise - First Session
Generative AI Use-cases for Enterprise - First SessionGenerative AI Use-cases for Enterprise - First Session
Generative AI Use-cases for Enterprise - First Session
 
Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...
Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...
Kelly Dowd - Leading Digital Transformation with AI and Human-Centered Design...
 
ai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdf
ai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdfai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdf
ai-powered-marketing-and-sales-reach-new-heights-with-generative-ai.pdf
 
Generative AI con Amazon Bedrock.pdf
Generative AI con Amazon Bedrock.pdfGenerative AI con Amazon Bedrock.pdf
Generative AI con Amazon Bedrock.pdf
 
The future of AI is hybrid
The future of AI is hybridThe future of AI is hybrid
The future of AI is hybrid
 
Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...
Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...
Large Language Models, No-Code, and Responsible AI - Trends in Applied NLP in...
 
MLOps.pptx
MLOps.pptxMLOps.pptx
MLOps.pptx
 
OpenAI’s GPT 3 Language Model - guest Steve Omohundro
OpenAI’s GPT 3 Language Model - guest Steve OmohundroOpenAI’s GPT 3 Language Model - guest Steve Omohundro
OpenAI’s GPT 3 Language Model - guest Steve Omohundro
 
Artificial Intelligence explained simplistically
Artificial Intelligence explained simplisticallyArtificial Intelligence explained simplistically
Artificial Intelligence explained simplistically
 
01 AI Overview.pptx
01 AI Overview.pptx01 AI Overview.pptx
01 AI Overview.pptx
 
A comprehensive guide to prompt engineering.pdf
A comprehensive guide to prompt engineering.pdfA comprehensive guide to prompt engineering.pdf
A comprehensive guide to prompt engineering.pdf
 
Content In The Age of AI
Content In The Age of AIContent In The Age of AI
Content In The Age of AI
 
[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation
[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation
[DSC Europe 23] Spela Poklukar & Tea Brasanac - Retrieval Augmented Generation
 
Use Case Patterns for LLM Applications (1).pdf
Use Case Patterns for LLM Applications (1).pdfUse Case Patterns for LLM Applications (1).pdf
Use Case Patterns for LLM Applications (1).pdf
 

Ähnlich wie Maschinen ohne Gewissen: wenn KI auf Ethik trifft

IAB Impulse Präsentation - Artificial Intelligence in der Werbung
IAB Impulse Präsentation -  Artificial Intelligence in der WerbungIAB Impulse Präsentation -  Artificial Intelligence in der Werbung
IAB Impulse Präsentation - Artificial Intelligence in der WerbungTUNNEL23 Werbeagentur GmbH
 
Künstliche Intelligenz
Künstliche IntelligenzKünstliche Intelligenz
Künstliche IntelligenzPraktikant11
 
Digitale Transformation: Technologie und Mensch - die nächsten 5 Jahre
Digitale Transformation: Technologie und Mensch - die nächsten 5 JahreDigitale Transformation: Technologie und Mensch - die nächsten 5 Jahre
Digitale Transformation: Technologie und Mensch - die nächsten 5 JahreMicrosoft Österreich
 
#DPK16: Gerd Leonhard - Digitale (R)Evolution
#DPK16: Gerd Leonhard - Digitale (R)Evolution #DPK16: Gerd Leonhard - Digitale (R)Evolution
#DPK16: Gerd Leonhard - Digitale (R)Evolution Microsoft Deutschland GmbH
 
5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....
5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....
5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....Restorm
 
HR Tech Ethikbeirat Richtlinien - Konsultationsfassung
HR Tech Ethikbeirat Richtlinien - KonsultationsfassungHR Tech Ethikbeirat Richtlinien - Konsultationsfassung
HR Tech Ethikbeirat Richtlinien - KonsultationsfassungAndreas Dittes
 
Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...
Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...
Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...Patrick Stähler
 
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...OPEN KNOWLEDGE GmbH
 
Können wir einer "KI" Moral beibringen?
Können wir einer "KI" Moral beibringen?Können wir einer "KI" Moral beibringen?
Können wir einer "KI" Moral beibringen?Tobias Jonas
 

Ähnlich wie Maschinen ohne Gewissen: wenn KI auf Ethik trifft (10)

IAB Impulse Präsentation - Artificial Intelligence in der Werbung
IAB Impulse Präsentation -  Artificial Intelligence in der WerbungIAB Impulse Präsentation -  Artificial Intelligence in der Werbung
IAB Impulse Präsentation - Artificial Intelligence in der Werbung
 
Künstliche Intelligenz
Künstliche IntelligenzKünstliche Intelligenz
Künstliche Intelligenz
 
Digitale Transformation: Technologie und Mensch - die nächsten 5 Jahre
Digitale Transformation: Technologie und Mensch - die nächsten 5 JahreDigitale Transformation: Technologie und Mensch - die nächsten 5 Jahre
Digitale Transformation: Technologie und Mensch - die nächsten 5 Jahre
 
#DPK16: Gerd Leonhard - Digitale (R)Evolution
#DPK16: Gerd Leonhard - Digitale (R)Evolution #DPK16: Gerd Leonhard - Digitale (R)Evolution
#DPK16: Gerd Leonhard - Digitale (R)Evolution
 
5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....
5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....
5. Marketing Symposium Mensch - Maschine - Roboter Hochschule Darmstadt, Nov....
 
Science Reality
Science Reality Science Reality
Science Reality
 
HR Tech Ethikbeirat Richtlinien - Konsultationsfassung
HR Tech Ethikbeirat Richtlinien - KonsultationsfassungHR Tech Ethikbeirat Richtlinien - Konsultationsfassung
HR Tech Ethikbeirat Richtlinien - Konsultationsfassung
 
Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...
Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...
Digitale Transformation, künstliche Intelligenz und Blockchain: Breaking the ...
 
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfo...
 
Können wir einer "KI" Moral beibringen?
Können wir einer "KI" Moral beibringen?Können wir einer "KI" Moral beibringen?
Können wir einer "KI" Moral beibringen?
 

Mehr von OPEN KNOWLEDGE GmbH

Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AIWarum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AIOPEN KNOWLEDGE GmbH
 
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die CloudFrom Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die CloudOPEN KNOWLEDGE GmbH
 
Der Spagat zwischen BIAS und FAIRNESS (2024)
Der Spagat zwischen BIAS und FAIRNESS (2024)Der Spagat zwischen BIAS und FAIRNESS (2024)
Der Spagat zwischen BIAS und FAIRNESS (2024)OPEN KNOWLEDGE GmbH
 
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data ImputationFEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data ImputationOPEN KNOWLEDGE GmbH
 
Cloud-native and Enterprise Java? Hold my beer!
Cloud-native and Enterprise Java? Hold my beer!Cloud-native and Enterprise Java? Hold my beer!
Cloud-native and Enterprise Java? Hold my beer!OPEN KNOWLEDGE GmbH
 
From Zero to still Zero: The most beautiful mistakes going into the cloud.
From Zero to still Zero: The most beautiful mistakes going into the cloud. From Zero to still Zero: The most beautiful mistakes going into the cloud.
From Zero to still Zero: The most beautiful mistakes going into the cloud. OPEN KNOWLEDGE GmbH
 
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & CoReady for the Future: Jakarta EE in Zeiten von Cloud Native & Co
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & CoOPEN KNOWLEDGE GmbH
 
Shared Data in verteilten Architekturen
Shared Data in verteilten ArchitekturenShared Data in verteilten Architekturen
Shared Data in verteilten ArchitekturenOPEN KNOWLEDGE GmbH
 
Machine Learning mit TensorFlow.js
Machine Learning mit TensorFlow.jsMachine Learning mit TensorFlow.js
Machine Learning mit TensorFlow.jsOPEN KNOWLEDGE GmbH
 
It's not Rocket Science: Neuronale Netze
It's not Rocket Science: Neuronale NetzeIt's not Rocket Science: Neuronale Netze
It's not Rocket Science: Neuronale NetzeOPEN KNOWLEDGE GmbH
 
Shared Data in verteilten Systemen
Shared Data in verteilten SystemenShared Data in verteilten Systemen
Shared Data in verteilten SystemenOPEN KNOWLEDGE GmbH
 
Mehr Sicherheit durch Automatisierung
Mehr Sicherheit durch AutomatisierungMehr Sicherheit durch Automatisierung
Mehr Sicherheit durch AutomatisierungOPEN KNOWLEDGE GmbH
 
API-Design, Microarchitecture und Testing
API-Design, Microarchitecture und TestingAPI-Design, Microarchitecture und Testing
API-Design, Microarchitecture und TestingOPEN KNOWLEDGE GmbH
 
Supersonic Java für die Cloud: Quarkus
Supersonic Java für die Cloud: QuarkusSupersonic Java für die Cloud: Quarkus
Supersonic Java für die Cloud: QuarkusOPEN KNOWLEDGE GmbH
 
Hilfe, ich will meinen Monolithen zurück!
Hilfe, ich will meinen Monolithen zurück!Hilfe, ich will meinen Monolithen zurück!
Hilfe, ich will meinen Monolithen zurück!OPEN KNOWLEDGE GmbH
 
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?OPEN KNOWLEDGE GmbH
 

Mehr von OPEN KNOWLEDGE GmbH (20)

Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AIWarum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
 
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die CloudFrom Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
 
Der Spagat zwischen BIAS und FAIRNESS (2024)
Der Spagat zwischen BIAS und FAIRNESS (2024)Der Spagat zwischen BIAS und FAIRNESS (2024)
Der Spagat zwischen BIAS und FAIRNESS (2024)
 
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data ImputationFEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
 
Nie wieder Log-Files!
Nie wieder Log-Files!Nie wieder Log-Files!
Nie wieder Log-Files!
 
Cloud-native and Enterprise Java? Hold my beer!
Cloud-native and Enterprise Java? Hold my beer!Cloud-native and Enterprise Java? Hold my beer!
Cloud-native and Enterprise Java? Hold my beer!
 
From Zero to still Zero: The most beautiful mistakes going into the cloud.
From Zero to still Zero: The most beautiful mistakes going into the cloud. From Zero to still Zero: The most beautiful mistakes going into the cloud.
From Zero to still Zero: The most beautiful mistakes going into the cloud.
 
API Expand Contract
API Expand ContractAPI Expand Contract
API Expand Contract
 
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & CoReady for the Future: Jakarta EE in Zeiten von Cloud Native & Co
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
 
Shared Data in verteilten Architekturen
Shared Data in verteilten ArchitekturenShared Data in verteilten Architekturen
Shared Data in verteilten Architekturen
 
Machine Learning mit TensorFlow.js
Machine Learning mit TensorFlow.jsMachine Learning mit TensorFlow.js
Machine Learning mit TensorFlow.js
 
KI und Architektur
KI und ArchitekturKI und Architektur
KI und Architektur
 
It's not Rocket Science: Neuronale Netze
It's not Rocket Science: Neuronale NetzeIt's not Rocket Science: Neuronale Netze
It's not Rocket Science: Neuronale Netze
 
Shared Data in verteilten Systemen
Shared Data in verteilten SystemenShared Data in verteilten Systemen
Shared Data in verteilten Systemen
 
Business-Mehrwert durch KI
Business-Mehrwert durch KIBusiness-Mehrwert durch KI
Business-Mehrwert durch KI
 
Mehr Sicherheit durch Automatisierung
Mehr Sicherheit durch AutomatisierungMehr Sicherheit durch Automatisierung
Mehr Sicherheit durch Automatisierung
 
API-Design, Microarchitecture und Testing
API-Design, Microarchitecture und TestingAPI-Design, Microarchitecture und Testing
API-Design, Microarchitecture und Testing
 
Supersonic Java für die Cloud: Quarkus
Supersonic Java für die Cloud: QuarkusSupersonic Java für die Cloud: Quarkus
Supersonic Java für die Cloud: Quarkus
 
Hilfe, ich will meinen Monolithen zurück!
Hilfe, ich will meinen Monolithen zurück!Hilfe, ich will meinen Monolithen zurück!
Hilfe, ich will meinen Monolithen zurück!
 
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
 

Maschinen ohne Gewissen: wenn KI auf Ethik trifft

  • 1. #WISSENTEILEN Künstliche Intelligenz Eine ethische Betrachtung @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
  • 2. #WISSENTEILEN Was ist KI? … und Machine Learning, Deep Learning …
  • 3.
  • 4. “Künstliche Intelligenz bezeichnet den Versuch, bestimmte Entscheidungsstrukturen des Menschen nachzubilden." Quelle: Wikipedia
  • 5. Turing Test by Alan Turing, 1950
  • 6. Completely Automated Puplic Turing test to tell Computers and Humans Apart CAPTCHAs
  • 7. Completely Automated Puplic Turing test to tell Computers and Humans Apart CAPTCHAs
  • 8. Completely Automated Puplic Turing test to tell Computers and Humans Apart CAPTCHAs
  • 9. "Artificial Intelligence is the science of making machines do things that would require intelligence if done by men." Marvin Minsky, 1966
  • 10. (Deep Blue besiegt Schach-Großmeister Garri Kasparow, 1997) künstliche Intelligenz
  • 11. (AlphaGO besiegt GO-Großmeister Lee Sedol, 2016) künstliche Intelligenz
  • 12. (LSVRC: Klassifizierung und Lokalisierung) Evolution der KI Fehlerrate: 2010 = 28% | 2017 = 2%
  • 13. „Artificial Intelligence is a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ Andreas Kaplan & Michael Haenlein, 2018
  • 14. künstliche Intelligenz starke KI schwache KI echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
  • 15. künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
  • 16. Teilgebiet des Machine Learnings: bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Deep Learning Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
  • 19. (Kaggle Titanic KI Challenge: https://www.kaggle.com/c/titanic)
  • 20. KI am Beispiel der TITANIC gegeben: Trainingsdatenmenge mit Informationen zu einigen Passagieren der Titanic. gesucht: Entscheidungsbaum, der für die übrigen Passagiere vorhersagt, ob sie die Fahrt überlebt haben oder nicht. Trainingsset (891 Passagiere) Testset (1309 Passagiere)
  • 21. KI am Beispiel der TITANIC - Name & Anrede (ca. 70%) - Alter (ca. 80%) - Buchungsklasse & Ticketpreis - Familiengröße - Geschlecht - hat überlebt JA / NEIN Trainingsset (891 Passagiere) Grundwahrheit (gibt dem Algorithmus Feedback)
  • 22. KI am Beispiel der TITANIC Frau? > 9,5 J nein ja überlebt nicht überlebt Trainingsset (891 Passagiere) 233/314 überlebt 109/577 überlebt 701/891 korrekt 233 468
  • 23. KI am Beispiel der TITANIC Frau? > 9,5 J nein ja überlebt nicht überlebt Trainingsset (891 Passagiere) 75% 81% 79% korrekt „Das ist KI? Da geht doch bestimmt noch mehr?“
  • 24. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Trainingsset (891 Passagiere) 233/314 überlebt 90/545 überlebt 1/14 überlebt 18/18 überlebt
  • 25. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Trainingsset (891 Passagiere) 100% 75% 83% 93% 81% korrekt „Cool! Ich will die 100 sehen, ich will die … “
  • 26. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Trainingsset (891 Passagiere) 100% 75% 83% 93% 81% korrekt OVERFITTING
  • 27. KI am Beispiel der TITANIC Frau? > 9,5 J < 3 Geschw. nein ja nein ja ja nein überlebt überlebt nicht überlebt nicht überlebt Testset (1309 Passagiere) 339/466 überlebt 136/796 überlebt 3/27 überlebt 19/20 überlebt ca 80% korrekt
  • 28. KI am Beispiel der TITANIC FAZIT: unsere „KI“ sagt mit 80%iger Wahrscheinlichkeit das richtige Ergebnis voraus. Ist das gut?
  • 29. KI am Beispiel der TITANIC FAZIT: unsere „KI“ sagt mit 80%iger Wahrscheinlichkeit das richtige Ergebnis voraus. FAKT: 61,6% der Passagiere sind ertrunken. Baseline (Maß für die Qualität)
  • 30. KI am Beispiel der TITANIC KORRELATION: Frauen & Kinder haben dieses Schiffsunglück häufiger überlebt*. VS KAUSALITÄT: Frauen und Kinder haben bei Schiffsunglücken eine höhere Überlebenschance. Rückschluss (Interpretation des Modells) * „Frauen und Kinder zuerst in die Boote“.
  • 31.
  • 32. KI am Beispiel von RECRUITING gegeben: Daten mit Informationen zu erfolgreichen / erfolglosen Bewerbern. gesucht: Entscheidungsgrundlage, ob Bewerber zum Gespräch eingeladen werden sollen.
  • 33. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) „KI: finde bitte eine sinnvolle Unterteilung. Danke.“* *… auf deren Basis wir Aussagen über den Erfolg zukünftiger Bewerber treffen können.
  • 34. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren)
  • 35. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
  • 36. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4
  • 37. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 4
  • 38. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7
  • 39. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 6
  • 40. KI am Beispiel von RECRUITING Berufserfahrung (in Jahren) Arbeitslosigkeit (in Jahren) 7 4 4 5 6
  • 41. KI am Beispiel von RECRUITING Menschen müssen entscheiden, was eine gute Entscheidung ausmacht, damit maschinelles Lernen überhaupt gute Entscheidungen produzieren kann.* Rückkopplung/Feedback: Das gezeigte Modell ermöglicht nur einseitiges Feedback!** Rückschluss (Sozioinformatiker) *Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale **in realer Welt eher die Norm als die Ausnahme
  • 42. KI am Beispiel von PROFILING Alter bei erster Straftat bisherige Straftaten 7 4 4 5 6 „KI: wie wahrscheinlich ist es, dass der Kriminelle rückfällig wird?
  • 43. KI am Beispiel von PROFILING Operationalisierbarkeit: Was kann gemessen werden? Was nicht? Und was wird am Ende tatsächlich gemessen?* Moralische Abwägung: welche Fehlentscheidung wiegt schwerer? *nicht die Rückfälligkeit wird gemessen, sondern lediglich, wer erwischt wurde! Menschen hispanischer Herkunft werden in den USA 4x häufiger kontrolliert als weiße Amerikaner. Afroamerikaner sogar 6x häufiger. Diebstahl und Drogendelikte werden deutlich intensiver verfolgt als Finanzdelikte. SELBSTERFÜLLENDE PROPHEZEIUNG!
  • 44. #WISSENTEILEN KI & Ethik … und was hat KI mit Ethik zu tun?
  • 45. Ist es fair für alle Beteiligten? Ist es wahr und transparent / nachvollziehbar? Ist es gut und im Interesse der Gesellschaft?
  • 46. Ist es fair? Für alle Beteiligten?
  • 47. Ist es fair? Für alle Beteiligten?
  • 48. Ist es fair? Für alle Beteiligten?
  • 49. Ist es wahr? Und nachvollziehbar?
  • 50. Ist es wahr? Und nachvollziehbar? * Beispiel: https://thispersondoesnotexist.com
  • 51. Ist es wahr? Und nachvollziehbar?
  • 52. KI im Dienst des Guten
  • 53. KI im Dienst des …?
  • 55. Immer noch eine gute Sache?
  • 56. #WISSENTEILEN KI & Ich … und was hat das mit mir zu tun?
  • 58.
  • 59.
  • 60.
  • 61.
  • 62.
  • 63.
  • 70. Die Wahrheit liegt in den Daten* *… und deren Interpretation
  • 72. „Wo bereits vorher diskriminiert wurde, wird die KI die Diskriminierung mitlernen!“* * Daten & KI sind aber auch Chance, Diskriminierung aufzudecken!
  • 73. #WISSENTEILEN KI & was nun? … wir brauchen dringend Spielregeln!
  • 74.
  • 75.
  • 76.
  • 77. Gesamtschadenspotential Wahl-/Einflussmöglichkeit Kaufempfehlung Objektbewertung ohne Auswirkung auf Menschen Autom. LStJA Facebook Newsfeed Bewerber aussortieren Arbeitnehmer bewerten Kredit- Scoring China Citizen Score Lethal auton. Weapons Terroristen Identifikation Risikomatrixzur Notwendigkeit der Regulierung niedrig hoch niedrig hoch Quelle: Enquete-Kommission des Bundestages „AI“
  • 78. Kaufempfehlung Objektbewertung ohne Auswirkung auf Menschen Autom. LStJA Facebook Newsfeed Bewerber aussortieren Arbeitnehmer bewerten Kredit- Scoring China Citizen Score Lethal auton. Weapons Terroristen Identifikation Klasse 0 Klasse 1 Klasse 2 Klasse 3 Klasse 4 Gesamtschadenspotential niedrig hoch Wahl-/Einflussmöglichkeit niedrig hoch Quelle: Enquete-Kommission des Bundestages „AI“
  • 79. Klasse 1 Quelle: Enquete-Kommission des Bundestages „AI“ Nennung der Qualitätsmerkmale Nennung des Lernverfahrens Notwendige Interfaces für BlackBox Verfahren Beschreibung der Einbettung in den sozialen Entscheidungsprozess Klasse 2 Nennung der Trainings- und Eingabedaten Nachvollziehbarkeit der Qualitätsbewertung Klasse 3 Nachvollziehbarkeit der Daten Nachvollziehbarkeit des Lernverfahrens Nachvollziehbarkeit der Entscheidung Klasse 4 KEINE KI erlauben! Risikomatrixzur Notwendigkeit der Regulierung
  • 80. #WISSENTEILEN KI & Ethik … (m)ein persönliches Fazit!
  • 81. Was ihr mitnehmen solltet … KI ist nicht (mehr) aufzuhalten KI ist Operationalisierung, Modell und Aktion KI ist Korrelation und nicht Kausalität schlechte Daten führen zu schlechten Entscheidungen selbstoptimierende Systeme benötigen zweiseitiges Feedback Regulierung ist immer dann notwendig und sinnvoll, wenn es nur wenig Auswahl-/Einflussmöglichkeiten gibt und ein hohes Schadenspotential – individuell und/oder gesamt - besteht.
  • 82. „Menschen müssen entscheiden, was eine gute Entscheidung ist, damit maschinelles Lernen überhaupt gute Entscheidungen produzieren kann.“
  • 83.
  • 84. #WISSENTEILEN Gibt es Fragen oder Anmerkungen? @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
  • 85. #WISSENTEILEN Tschüss und vielen Dank! @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH lars.roewekamp@openknowledge.de
  • 86. Bildernachweis Folie 01: © Phonlamei Photo, shutterstock.com Folie 05: © Jesus Sanz, shutterstock.com Folie 18: © Tomacco, shutterstock.com Folie 42: © Oleksandr Chaban, iStockphot.com Folie 77: © dezydezy, vectorstock.com All other pictures inside this presentation orginate from pixabay.com, pexels.com, unsplash.com or were created by my own.