Algorithmic Bias: Verzerrungen durch Algorithmen verstehen und verhindern
Apress (Verlag)
978-1-4842-8855-9 (ISBN)
- Noch nicht erschienen
- Portofrei ab CHF 40
- Auch auf Rechnung
- Artikel merken
Der menschliche Verstand ist evolutionär darauf ausgelegt, Abkürzungen zu nehmen, um zu überleben. Wir ziehen voreilige Schlüsse, weil unser Gehirn uns in Sicherheit wiegen will. Die meisten unserer Voreingenommenheiten wirken sich zu unseren Gunsten aus, z. B. wenn wir ein Auto, das in unsere Richtung fährt, für gefährlich halten und sofort ausweichen, oder wenn wir beschließen, einen Bissen Essen, der verdorben zu sein scheint, nicht zu essen. Allerdings wirken sich inhärente Vorurteile negativ auf das Arbeitsumfeld und die Entscheidungsfindung in unseren Gemeinschaften aus. Mit der Entwicklung von Algorithmen und maschinellem Lernen wird zwar versucht, Voreingenommenheit zu beseitigen, aber schließlich werden sie doch von Menschen geschaffen und sind daher anfällig für das, was wir als algorithmische Voreingenommenheit bezeichnen.
In Understand, Manage, and Prevent Algorithmic Bias (Algorithmische Voreingenommenheit verstehen, verwalten und verhindern) hilft Ihnen der Autor Tobias Baer zu verstehen, woher algorithmische Voreingenommenheit kommt, wie man sie als Geschäftsanwender oder Regulierungsbehörde handhaben kann und wie die Datenwissenschaft verhindern kann, dass Voreingenommenheit in statistische Algorithmen einfließt. Baer befasst sich fachkundig mit einigen der mehr als 100 Arten natürlicher Verzerrungen wie Confirmation Bias, Stability Bias, Pattern Recognition Bias und vielen anderen. Algorithmische Voreingenommenheit spiegelt diese menschlichen Tendenzen wider und hat ihren Ursprung in ihnen. Baer geht auf so unterschiedliche Themen wie die Erkennung von Anomalien, hybride Modellstrukturen und selbstverbesserndes maschinelles Lernen ein.
Während sich die meisten Schriften über algorithmische Voreingenommenheit auf die Gefahren konzentrieren, weist der Kern dieses positiven, unterhaltsamen Buches auf einen Weg hin, auf dem Voreingenommenheit in Schach gehalten und sogar beseitigt wird. Sie erhalten Managementtechniken, um unvoreingenommene Algorithmen zu entwickeln, die Fähigkeit, Voreingenommenheit schneller zu erkennen, und das Wissen, um unvoreingenommene Daten zu erstellen. Algorithmic Bias verstehen, verwalten und verhindern ist ein innovatives, zeitgemäßes und wichtiges Buch, das in Ihr Regal gehört. Egal, ob Sie eine erfahrene Führungskraft in der Wirtschaft, ein Datenwissenschaftler oder einfach nur ein Enthusiast sind, jetzt ist ein entscheidender Zeitpunkt, um sich über die Auswirkungen algorithmischer Verzerrungen auf die Gesellschaft zu informieren und eine aktive Rolle im Kampf gegen Verzerrungen zu übernehmen.
Was Sie lernen werden
Untersuchung der vielen Quellen algorithmischer Verzerrungen, einschließlich kognitiver Verzerrungen in der realen Welt, verzerrter Daten und statistischer Artefakte
die Risiken algorithmischer Verzerrungen zu verstehen, zu wissen, wie sie zu erkennen sind, und Managementtechniken zu ihrer Vermeidung oder Bewältigung zu kennen
Erkennen, wie maschinelles Lernen sowohl neue Quellen für algorithmische Verzerrungen schafft als auch ein Teil der Lösung sein kann
Kenntnis spezifischer statistischer Techniken, die ein Datenwissenschaftler anwenden kann, um algorithmische Verzerrungen zu erkennen und zu beseitigen
Für wen dieses Buch bestimmt ist
Führungskräfte von Unternehmen, die Algorithmen im täglichen Betrieb einsetzen; Datenwissenschaftler (von Studenten bis hin zu erfahrenen Praktikern), die Algorithmen entwickeln; Beamte, die sich mit der Einhaltung von Vorschriften befassen und über algorithmische Verzerrungen besorgt sind; Politiker, Journalisten und Philosophen, die über algorithmische Verzerrungen im Hinblick auf ihre Auswirkungen auf die Gesellschaft und mögliche regulatorische Maßnahmen nachdenken; und Verbraucher, die sich darüber Gedanken machen, wie sie von algorithmischen Verzerrungen betroffen sein könnten
Tobias Baer ist Datenwissenschaftler, Psychologe und Top-Management-Berater mit über 20 Jahren Erfahrung in der Risikoanalyse. Bis Juni 2018 war er Master-Experte und Partner bei McKinsey & Co. und baute dort 2004 das Risk Advanced Analytics Center of Competence von McKinsey in Indien auf, leitete die Credit Risk Advanced Analytics Service Line weltweit und betreute Kunden in über 50 Ländern zu Themen wie der Entwicklung analytischer Entscheidungsmodelle für das Underwriting von Krediten, die Preisgestaltung von Versicherungen und die Steuervollstreckung sowie zu Entlastungsentscheidungen. Tobias verfolgte eine Forschungsagenda rund um Analytik und Entscheidungsfindung sowohl bei McKinsey (z. B. zur Entlastung von Urteilsentscheidungen und zur Nutzung von maschinellem Lernen zur Entwicklung hochtransparenter Vorhersagemodelle) als auch an der University of Cambridge, UK (z. B. die Auswirkung mentaler Ermüdung auf Entscheidungsvoreingenommenheit). Tobias hat einen Doktortitel in Finanzwissenschaften von der Universität Frankfurt, einen MPhil in Psychologie von der Universität Cambridge, einen MA in Wirtschaftswissenschaften von der UWM und hat ein Grundstudium in Betriebswirtschaft und Recht an der Universität Gießen absolviert. Er begann bereits als Teenager, in einem deutschen Software-Magazin über Programmiertricks für den Commodore C64 zu schreiben, und bloggt nun regelmäßig auf seiner LinkedIn-Seite.
Teil I: Eine Einführung in Verzerrungen und Algorithmen.-
Kapitel 1: Einleitung.
Kapitel 2: Voreingenommenheit in der menschlichen Entscheidungsfindung.-
Kapitel 3: Wie Algorithmen Entscheidungen verfälschen.-
Kapitel 4: Der Prozess der Modellentwicklung.
Kapitel 5: Maschinelles Lernen in der Kurzfassung.
Teil II: Woher kommen die algorithmischen Verzerrungen? -
Kapitel 6: Wie Vorurteile in der realen Welt von Algorithmen widergespiegelt werden.
Kapitel 7: Vorurteile von Datenwissenschaftlern.
Kapitel 8: Wie Daten zu Verzerrungen führen können.-
Kapitel 9: Die Stabilitätsverzerrung von Algorithmen.
Kapitel 10: Vom Algorithmus selbst verursachte Verzerrungen.
Kapitel 11: Algorithmische Verzerrungen und soziale Medien.
Teil III: Was man aus der Nutzerperspektive gegen algorithmische Verzerrungen tun kann.
Kapitel 12: Optionen für die Entscheidungsfindung.-
Kapitel 13: Bewertung des Risikos einer algorithmischen Verzerrung.
Kapitel 14: Wie man Algorithmen sicher verwendet.
Kapitel 15: Wie man algorithmische Verzerrungen erkennt.
Kapitel 16: Managementstrategien zur Korrektur algorithmischer Verzerrungen.
Kapitel 17: Wie man unverzerrte Daten generiert.
Teil IV: Was man gegen algorithmische Verzerrungen aus der Sicht eines Datenwissenschaftlers tun kann.
Kapitel 18: Die Rolle des Datenwissenschaftlers bei der Überwindung algorithmischer Verzerrungen.
Kapitel 19: Eine Röntgenuntersuchung Ihrer Daten.-
Kapitel 20: Wann man maschinelles Lernen einsetzen sollte.
Kapitel 21: Wie man maschinelles Lernen mit traditionellen Methoden verbindet.
Kapitel 22: Wie man Voreingenommenheit in selbstverbessernden Modellen vermeidet.-
Kapitel 23: Wie man Debiasing institutionalisiert.
| Erscheint lt. Verlag | 12.1.2023 |
|---|---|
| Zusatzinfo | 1 Illustrations, black and white; X, 276 S. 1 Abb. |
| Verlagsort | Berlin |
| Sprache | deutsch |
| Original-Titel | Understand, Manage, and Prevent Algorithmic Bias |
| Maße | 155 x 235 mm |
| Themenwelt | Informatik ► Datenbanken ► Data Warehouse / Data Mining |
| Informatik ► Netzwerke ► Sicherheit / Firewall | |
| Informatik ► Theorie / Studium ► Algorithmen | |
| Schlagworte | algorithmische Verzerrung • Entschärfung • Künstliche Intelligenz • Maschinelles Lernen • maschinelle Voreingenommenheit • prädiktive modellierung • Soziologische • statistische Modellierung • verzerrte Daten • Voreingenommenheit bei Entscheidungen |
| ISBN-10 | 1-4842-8855-6 / 1484288556 |
| ISBN-13 | 978-1-4842-8855-9 / 9781484288559 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
aus dem Bereich
