Verantwortungsvolle KI: 4 Prinzipien & Best Practices

65 % der Führungskräfte fühlen sich nicht ausreichend vorbereitet, um KI-bezogene Risiken effektiv zu managen. ¹  Die Entwicklung und Skalierung von KI-Anwendungen mit Verantwortung, Vertrauenswürdigkeit und ethischen Praktiken im Blick ist wesentlich, um eine KI zu schaffen, die für alle funktioniert.

Entdecken Sie vier Prinzipien für verantwortungsvolles KI-Design (RAI) und empfohlene Best Practices, um diese zu erreichen:

Schritt-für-Schritt-Leitfaden zu verantwortungsvoller KI

1. Setzen Sie KI-Systeme mit Fokus auf menschliche Nutzer und ihre Erfahrungen ein. Stellen Sie sicher, dass das Design ethische Prinzipien und gesellschaftliche Werte für eine bessere Benutzerinteraktion einbezieht.
2. Nutzen Sie ein Dashboard für verantwortungsvolle KI, um verschiedene Metriken zu überwachen, darunter Feedback und Fehlerraten, um Systemeffektivität und Risikomanagement sicherzustellen.
3. Untersuchen Sie Trainingsdaten und zugrunde liegende Daten sorgfältig auf Genauigkeit und Repräsentativität. Gehen Sie gegen Verzerrungen und unfaire Ergebnisse vor, um die Datenethik zu verbessern und sicherzustellen, dass Ihre KI-Richtlinie Fairness-Audits durchsetzt.
4. Verstehen Sie die Grenzen von Machine-Learning-Modellen und kommunizieren Sie diese klar. Vermeiden Sie übermäßige Abhängigkeit von Korrelationen und erkennen Sie den Umfang der Fähigkeiten generativer KI.
5. Implementieren Sie strenge Tests in KI-Workflows, einschließlich Unit- und Integrationstests. Kontinuierliche Überwachung ist für Systemzuverlässigkeit und Genauigkeit unerlässlich, unter Einbeziehung ethischer Überlegungen.
6. Verfolgen Sie kontinuierlich die Systemleistung nach der Bereitstellung und bewerten Sie Aktualisierungen anhand des EU-KI-Gesetzes zur Einhaltung gesetzlicher Vorschriften und passen Sie sich den Datenschutz- und Sicherheitsprinzipien an. Richten Sie Ihre Überwachungspraktiken an den KI-Richtlinienstandards aus, die Datenschutz, Transparenz und Sicherheit betonen. Gehen Sie sowohl unmittelbare als auch langfristige Probleme an und stellen Sie gleichzeitig eine breite Akzeptanz und Widerstandsfähigkeit gegen böswillige Angriffe sicher.

1. Fairness

KI-Tools werden zunehmend in verschiedenen Entscheidungsprozessen eingesetzt, wie z. B. bei der Einstellung, Kreditvergabe und medizinischen Diagnose. Verzerrungen, die in diesen Entscheidungssystemen eingeführt werden, können weitreichende Auswirkungen auf die Öffentlichkeit haben und zur Diskriminierung verschiedener Bevölkerungsgruppen beitragen.

Beispiele aus der Praxis

Hier sind drei Beispiele für KI-Bias in realen Anwendungen:

• Sexismus bei Kreditalgorithmen: Im Jahr 2019 gab es mehrere Behauptungen (auch von Mitbegründer Steve Wozniak), dass der Kreditkartenalgorithmus von Apple Frauen diskriminiert und je nach Geschlecht unterschiedliche Kreditlimits anbietet.
• Rassismus und Behindertenfeindlichkeit bei KI-gestützter Einstellung: Laut einem aktuellen Bericht der Harvard Business School und Accenture werden 27 Millionen Arbeitnehmer in den USA aufgrund automatisierter und KI-basierter Einstellungssysteme herausgefiltert und finden keine Stelle. ²  Diese „versteckten Arbeitnehmer“ umfassen Einwanderer, Flüchtlinge und Menschen mit körperlichen Behinderungen.
• Rassismus bei der Gesichtserkennung: Forscher fanden ³ heraus, dass einige kommerzielle Gesichtserkennungstechnologien, z. B. von Amazon oder Microsoft, eine geringe Genauigkeit bei dunkelhäutigen Frauen aufwiesen, aber bei hellhäutigen Männern genauer waren (Abbildung 1).

Diese verzerrten Entscheidungen können aus dem Projektdesign oder aus Datensätzen resultieren, die reale Vorurteile widerspiegeln. Es ist entscheidend, diese Verzerrungen zu beseitigen, um KI-Systeme zu schaffen, die robust und für alle inklusiv sind.

Best Practices zur Erreichung von Fairness

• Prüfen Sie den Datensatz darauf, ob er eine faire Repräsentation der Bevölkerung darstellt.
• Analysieren Sie die Teilpopulationen des Datensatzes, um festzustellen, ob das Modell über verschiedene Gruppen hinweg gleich gut funktioniert.
• Entwerfen Sie Modelle mit Blick auf Fairness und konsultieren Sie Sozialwissenschaftler und andere Fachexperten.
• Überwachen Sie das Machine-Learning-Modell kontinuierlich nach der Bereitstellung. Modelle driften, sodass nach einiger Zeit Verzerrungen in das System eingeführt werden können.
• Integrieren Sie Fairness-Benchmarks in Ihre KI-Richtlinie für messbare Rechenschaftspflicht.

Wir haben einen umfassenden Artikel über KI-Bias und wie man ihn behebt. Fühlen Sie sich kostenlos, ihn sich anzusehen. Sie können auch unseren Artikel über KI-Ethik lesen.

2. Datenschutz

KI-Systeme verwenden oft große Datensätze, und diese Datensätze können sensible Informationen über Einzelpersonen enthalten. Dies macht KI-Lösungen anfällig für Datenschutzverletzungen und Angriffe durch böswillige Parteien, die an sensible Informationen gelangen wollen:

• Laut dem Identity Theft Resource Center gab es 2021 1862 Datenschutzverletzungen, das sind 23 % mehr als beim bisherigen Höchststand 2017.⁴

Datenschutzverletzungen verursachen finanzielle Verluste sowie Reputationsschäden für Unternehmen und können Personen, deren sensible Daten offengelegt werden, gefährden.

Beispiel aus der Praxis

Anfang 2024 verhängte die italienische Datenschutzbehörde gegen die Stadt Trient eine Geldstrafe von 50.000 €, die erste italienische Gemeinde, die wegen KI-bezogener Datenschutzverstöße bestraft wurde. Trient hatte KI-Tools in EU-finanzierten Überwachungsprojekten eingesetzt, die Kameras, Mikrofone und die Überwachung sozialer Medien umfassten, aber personenbezogene Daten nicht ordnungsgemäß anonymisiert und Informationen unrechtmäßig an Dritte weitergegeben.

Die Aufsichtsbehörde ordnete die Löschung aller gesammelten Daten an und verwies auf Verstöße gegen Transparenz und Verhältnismäßigkeit gemäß der DSGVO. Dieser Fall spiegelt Italiens zunehmende Durchsetzung KI-bezogener Datenschutzregeln wider, nach Maßnahmen wie dem vorübergehenden ChatGPT-Verbot 2023 und einer Geldstrafe gegen OpenAI Ende 2024.⁵

Best Practices zur Gewährleistung des Datenschutzes

• Bewerten und klassifizieren Sie Daten nach ihrer Sensibilität und überwachen Sie sensible Daten.
• Entwickeln Sie eine Richtlinie für Datenzugriff und -nutzung innerhalb der Organisation. Implementieren Sie das Prinzip der geringsten Privilegien.

3. Sicherheit und Schutz

Die Sicherheit eines KI-Systems ist entscheidend, um zu verhindern, dass Angreifer das System stören und sein beabsichtigtes Verhalten ändern. Der zunehmende Einsatz von KI in besonders kritischen Bereichen der Gesellschaft kann Schwachstellen mit sich bringen, die erhebliche Auswirkungen auf die öffentliche Sicherheit haben können.

Die Anwendung starker Sicherheitsprinzipien beim Systemdesign hilft, diese Schwachstellen zu minimieren. Außerdem erfordert eine robuste KI-Richtlinie Bedrohungsmodellierung, Penetrationstests und Red Teaming.

Betrachten Sie die folgenden Beispiele:

• Forscher haben gezeigt, dass sie ein selbstfahrendes Automatisch dazu bringen können, in die Gegenfahrbahn zu fahren, indem sie kleine Aufkleber auf die Straße kleben.

Diese adversarialen Angriffe können beinhalten:

• Datenvergiftung durch Einschleusen irreführender Daten in Trainingsdatensätze.
• Modellvergiftung durch Zugriff und Manipulation der Modelle.

um unter anderem zu bewirken, dass das KI-Modell auf unbeabsichtigte Weise agiert. Mit der Weiterentwicklung der KI-Technologie werden Angreifer neue Methoden finden und neue Wege zur Verteidigung von KI-Systemen entwickelt werden.

Beispiel aus der Praxis

Spanien hat einen Gesetzentwurf im Einklang mit dem EU-KI-Gesetz verabschiedet, der vorschreibt, dass alle KI-generierten Inhalte, wie Deepfakes, klar gekennzeichnet werden müssen, um die Transparenz zu stärken und gefährdete Gruppen zu schützen. Das Gesetz verbietet auch unterschwellige Manipulation durch KI und sieht hohe Strafen für Verstöße vor. Das Gesetz verlangt:

• Kennzeichnung: Alle KI-generierten Inhalte (z. B. Bilder, Videos, Text) müssen deutlich als solche gekennzeichnet werden.
• Deepfake-Regulierung: Synthetische Medien müssen ihre künstliche Herkunft offenlegen.
• Manipulationsverbot: KI-Systeme dürfen keine unterschwelligen Techniken einsetzen, um Nutzer, insbesondere Minderjährige oder gefährdete Personen, auszunutzen.

Bei Verstößen drohen den Modellanbietern Zahlungen von bis zu 35 Millionen € oder 7 % des weltweiten Umsatzes. Eine neue nationale Agentur, AESIA, wird die Einhaltung überwachen und durchsetzen.

Dieses Gesetz stärkt die Transparenz- und Sicherheitsprinzipien verantwortungsvoller KI, indem es sicherstellt, dass Nutzer wissen, wann sie mit synthetischen Inhalten interagieren, und schädliche Manipulation eindämmt.⁶

Best Practices zur Erreichung von Sicherheit

• Bewerten Sie, ob ein Angreifer einen Anreiz hätte, das System anzugreifen, und die möglichen Folgen eines solchen Angriffs.
• Richten Sie ein Red Team in Ihrer Organisation ein, das als Angreifer agiert, um das System auf die Identifizierung und Minderung von Schwachstellen zu testen.
• Verfolgen Sie neue Entwicklungen bei KI-Angriffen und KI-Sicherheit. Es handelt sich um ein fortlaufendes Forschungsgebiet, daher ist es wichtig, über die Entwicklungen auf dem Laufenden zu bleiben.

4. Transparenz

Transparenz, Interpretierbarkeit oder Erklärbarkeit von KI-Systemen ist in einigen Branchen wie dem Gesundheitswesen und der Versicherungswirtschaft ein Muss, in denen Unternehmen Branchenstandards oder staatliche Vorschriften einhalten müssen. Die Fähigkeit, zu interpretieren, warum KI-Modelle bestimmte Ergebnisse liefern, ist jedoch für alle Unternehmen und Nutzer wichtig, um KI-Systeme verstehen und ihnen vertrauen zu können.

Ein transparentes KI-System kann Unternehmen helfen:

• Geschäftskritische Entscheidungen erklären und verteidigen,
• Was-wäre-wenn-Szenarien durchspielen,
• Sicherstellen, dass die Modelle wie vorgesehen funktionieren,
• Rechenschaftspflicht bei unbeabsichtigten Ergebnissen sicherstellen.

Beispiel aus der Praxis

Clearview KI, ein US-amerikanisches Unternehmen für Gesichtserkennung, hat eine Datenbank mit über 30 Milliarden Bildern aus dem Internet zusammengestellt, um Personen für Strafverfolgungsbehörden und private Kunden zu identifizieren. Es wurde von der niederländischen Datenschutzbehörde zu einer Geldstrafe von 30,5 Millionen € verurteilt, weil es gegen die Datenschutz- und Transparenzprinzipien der DSGVO verstoßen hat, wie:

• Keine Einwilligung: Sammelte biometrische Daten (Gesichtsmerkmale) ohne Wissen oder Erlaubnis der Nutzer.
• Mangelnde Transparenz: Personen wurden nicht darüber informiert, dass ihre Bilder verwendet wurden oder wie sie verarbeitet wurden.
• Sensible Daten: Die Datenbank enthielt Bilder von Minderjährigen.
• Nichteinhaltung: Operierte in der EU ohne lokalen Vertreter oder rechtmäßige Datengrundlage.⁷

Anwendungsfälle

Erklärbare KI kann helfen, Transparenz und Vertrauen in Entscheidungsprozesse in verschiedenen Sektoren aufzubauen, wie z. B.:

• Gesundheitswesen, indem sie Ärzten hilft, die Gründe für KI-basierte Krankheitsdiagnosen und Behandlungsvorschläge zu verstehen.
• Finanzwesen, indem sie Transparenz schafft und das Vertrauen der Stakeholder bei der Betrugserkennung und Anlageberatung fördert.
• Automobilindustrie, indem sie hilft, die Entscheidungsprozesse in autonomen Fahrzeugen zu klären und so Sicherheit und Zuverlässigkeit zu erhöhen.
• Marketing & Vertrieb, indem sie KI-gestützte Erkenntnisse für Kundensegmentierung, Umsatzprognosen und Anzeigenausrichtung transparent liefert und strategische Entscheidungen unterstützt.
• Cybersicherheit, indem sie die Logik hinter der KI-gestützten Bedrohungserkennung erklärt und so das Cybersicherheitsmanagement verbessert.

Best Practices zur Gewährleistung von Transparenz

• Verwenden Sie eine kleine Menge von Eingaben, die für die gewünschte Leistung des Modells erforderlich ist. Dies kann es erleichtern, genau zu bestimmen, woher die Korrelation oder Kausalität zwischen Variablen stammt.
• Geben Sie erklärbaren KI-Methoden Vorrang vor Modellen, die schwer zu interpretieren sind (d. h. Black-Box-Modelle).
• Besprechen Sie das erforderliche Maß an Interpretierbarkeit mit Fachexperten und Stakeholdern.

Neue Säule: Grüne KI

Grüne KI konzentriert sich auf die Reduzierung der Umweltauswirkungen von KI-Systemen. Das Training und der Betrieb von KI-Modellen erfordert erhebliche Rechenleistung, was zu hohem Energieverbrauch führt. Dies kann sowohl Kosten als auch CO2-Emissionen erhöhen.

Mit zunehmender KI-Adoption wird Energieeffizienz immer wichtiger. Unternehmen beginnen zu optimieren, wie Modelle erstellt, trainiert und bereitgestellt werden, um den Ressourcenverbrauch zu senken und gleichzeitig die Leistung zu erhalten.

Ein Grüne-KI-Ansatz kann Unternehmen helfen:

• Energieverbrauch und Betriebskosten senken,
• Den CO2-Fußabdruck von KI-Workloads verringern,
• Die Effizienz von Modelltraining und Inferenz verbessern,
• KI-Initiativen mit Nachhaltigkeitszielen in Einklang bringen.

Beispiel aus der Praxis

Google DeepMind setzte maschinelles Lernen ein, um die Kühlsysteme in den Rechenzentren von Google zu optimieren. Das System analysiert Daten wie Temperatur, Stromverbrauch und Geräteleistung, um die Kühlung automatisch anzupassen.

Dies führte zu:

• Bis zu 40 % Reduzierung des Energieverbrauchs für die Kühlung,
• Rund 15 % Reduzierung des Gesamtenergieverbrauchs in den Rechenzentren.

Dieses Beispiel zeigt, dass Grüne KI in großen Umgebungen messbare Ergebnisse liefert.⁸

Anwendungsfälle

Grüne KI kann in mehreren Bereichen angewendet werden, darunter:

• Rechenzentrumsoptimierung: KI-Systeme passen Kühlung und Stromverbrauch an, um Energieverschwendung zu reduzieren.
• Effizientes Modelldesign: Kleinere Modelle und Komprimierungstechniken reduzieren den Rechenaufwand.
• Workload-Planung: Aufgaben werden ausgeführt, wenn die Energienachfrage geringer ist oder erneuerbare Energie verfügbar ist.
• Cloud-Optimierung: KI hilft, Ressourcen dynamisch zuzuweisen, um Überbereitstellung zu vermeiden.
• Edge-KI: Die Verarbeitung von Daten näher an der Quelle reduziert die Datenübertragung und den Energieverbrauch.

Best Practices zur Gewährleistung von Grüner KI

• Verwenden Sie effiziente Modellarchitekturen anstelle unnötig großer Modelle.
• Optimieren Sie das Training, indem Sie Iterationen reduzieren und qualitativ hochwertigere Daten verwenden.
• Überwachen Sie den Energieverbrauch von KI-Workloads.
• Bevorzugen Sie Cloud-Regionen oder Anbieter, die erneuerbare Energien nutzen.
• Verwenden Sie vorab trainierte Modelle wieder, anstatt von Grund auf neu zu trainieren, wenn möglich.

Hinweis zur Reife

Einige Praktiken der Grünen KI, wie die kohlenstoffbewusste Workload-Planung, befinden sich noch in der Entwicklung und sind noch nicht weit verbreitet standardisiert. Bestehende Implementierungen zeigen jedoch, dass erhebliche Effizienzgewinne erzielbar sind.

Tools für verantwortungsvolle KI

Die Marktlandschaft für Software für verantwortungsvolle KI umfasst verschiedene Tools, die verantwortungsvolle KI-Frameworks liefern, wie z. B.:

• KI-Governance-Tools
• KI-Leitplanken
• MLOps-Tools
• LLMOps-Tools
• Open-Source-Bibliotheken für verantwortungsvolle KI

Fühlen Sie sich kostenlos, unsere datengestützten Listen von KI-Services für weitere Informationen zu Data-Science-Beratern und KI-Beratern zu überprüfen.

Um sicherzustellen, dass diese Tools mit ethischen Werten übereinstimmen, sollten Organisationen Tools einsetzen, die ihrer KI-Richtlinie entsprechen und Sicherheit, Fairness, Transparenz und Rechenschaftspflicht abdecken.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Wie erkennt man, ob ein KI-Tool verantwortungsvoll ist?

Geschäftsanwender können KI-Tools einsetzen, z. B. ein HR-Team, das einen auf LLM basierenden Algorithmus verwendet, um Bewerberprofile zu überprüfen und die Personalbeschaffung zu beschleunigen, indem Lebensläufe nach Erfahrung und Ausbildung gefiltert werden. Wenn das Tool jedoch gegen Fairness-Prinzipien verstößt, könnte es bestimmte Gruppen diskriminieren. Ohne sich dieser Voreingenommenheit bewusst zu sein, könnten Nutzer Kandidaten aufgrund von Geschlecht oder Rasse ablehnen, was zu ethischen und Reputationsproblemen für die Organisation führt.

Um solche Probleme zu vermeiden, sollten Unternehmen Tools einsetzen, die mit den Prinzipien verantwortungsvoller KI übereinstimmen. Sie können Benchmarks auswerten, Benutzerbewertungen prüfen und Beispiele aus der Praxis oder Fallstudien studieren, um eine ethische KI-Nutzung sicherzustellen. Die folgende Tabelle zeigt die Benchmark-Ergebnisse für einige der Top-LLMs:

Die Systeme werden sowohl insgesamt als auch für jede Gefahr anhand einer 5-Punkte-Skala bewertet: Schlecht (1), Ausreichend (2), Gut (3), Sehr gut (4) und Hervorragend (5). Die Bewertungen werden durch den Prozentsatz der Antworten bestimmt, die Bewertungsstandards nicht erfüllen.⁹

Jüngste Entwicklungen im Bereich verantwortungsvoller KI

Frühwarnsystem zur Fehlausrichtung

Eine neue Technik namens Frühwarnung bei Fehlausrichtung wurde von OpenAI als vielversprechender Schritt hin zu sichereren und verantwortungsvolleren KI-Systemen vorgestellt. Diese Methode konzentriert sich auf die Erkennung interner Warnsignale, bevor ein KI-Modell schädliche Ergebnisse produziert.¹⁰

Wie funktioniert das Frühwarnsystem zur Fehlausrichtung?

Es funktioniert durch die Identifizierung spezifischer interner Merkmale, wie z. B. eine „toxische Persona“, die mit unsicherem Verhalten korreliert. Durch die Verfolgung der Aktivierungsniveaus dieser Merkmale während des Trainings oder der Bereitstellung können Entwickler frühzeitige Warnungen erhalten, wenn ein Modell zu fehlgerichtetem Verhalten tendiert.

Wenn solche Warnsignale auftreten, können Interventionen entweder wie folgt angewendet werden:

• Direkte Dämpfung der schädlichen Aktivierung
• Anwendung von Activation Steering, einer Technik, die interne Richtung des Modells von unsicheren Mustern wegführt.

Dieser Ansatz ermöglicht eine proaktive Risikominderung, anstatt sich ausschließlich auf die Überwachung externer Ergebnisse zu verlassen.

Frühwarnung zur Fehlausrichtung für verantwortungsvolle KI

Diese Entwicklung unterstützt Schlüsselprinzipien verantwortungsvoller KI:

• Transparenz, indem sie das interne Modellverhalten interpretierbar macht
• Sicherheit, indem sie frühzeitiges Eingreifen ermöglicht
• Rechenschaftspflicht, indem sie klare Signale für die menschliche Aufsicht bietet.

Es spiegelt einen wachsenden Trend wider, Echtzeit-Überwachungs- und Steuerungsmechanismen in den Modellentwicklungsprozess einzubetten. Als Teil umfassenderer Sicherheitsforschungs- und Entwicklungsbemühungen verbessert diese Technik die Fähigkeit, Fehlausrichtungen während des Trainings zu erkennen und zu korrigieren, und steht im Einklang mit internationalen KI-Governance-Frameworks und Sicherheits-by-Design-Standards.

Der KI-Sicherheitsgipfel

Der KI-Sicherheitsgipfel ist eine führende internationale Konferenz, die sich auf die Sicherheit, Risiken und Regulierung fortschrittlicher „Frontier-KI“-Systeme konzentriert. Die Auftaktveranstaltung fand im November 2023 in Bletchley Park, UK, statt und brachte Regierungen, KI-Unternehmen, die Zivilgesellschaft und Experten aus 28 Ländern zusammen, um die globalen KI-Sicherheitsbemühungen zu koordinieren.

Wichtigste Ergebnisse

• Bletchley-Erklärung: Die teilnehmenden Nationen verpflichteten sich, eine sichere, menschenzentrierte, vertrauenswürdige und verantwortungsvolle KI auf der Grundlage gemeinsamer Sicherheitsprinzipien zu entwickeln.
• Internationale Zusammenarbeit: Betonte die dringende Zusammenarbeit, um Risiken wie Missbrauch, gesellschaftliche Störungen und den Verlust der Kontrolle über fortschrittliche KI zu mindern.
• Transparenz und Regulierung: Forderte Transparenz, strenge Sicherheitstests und anpassungsfähige Regulierungsrahmen, um mit den Fortschritten der KI Schritt zu halten.

Zweck und Vision

Der Gipfel fördert die Entwicklung verantwortungsvoller KI durch die Förderung der Zusammenarbeit mehrerer Interessengruppen und ethischer Governance. Er zielt darauf ab, sicherzustellen, dass KI der Gesellschaft nützt und gleichzeitig Schaden minimiert wird, und unterstreicht die globale Verantwortung, KI-Systeme zu entwerfen, einzusetzen und zu steuern, die menschliche Sicherheit, Ethik und Inklusivität priorisieren.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{Verantwortungsvolle KI: 4 Prinzipien & Best Practices}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/responsible-ai}},
  note   = {AIMultiple. Abgerufen am 19. März 2026}
}

Referenzlinks

1.

Global Risk Study | Accenture

Accenture

2.

Hidden Workers: Untapped Talent | Managing the Future of Work

3.

Gender shades: Intersectional accuracy disparities in commercial gender classification

4.

ITRC 2021 Data Breach Report Saw Record Number of Compromises

Identity Theft Resource Center

5.

reuters.com

Reuters

6.

reuters.com

Reuters

7.

Clearview AI fined €30.5M in the Netherlands over its facial recognition database - SiliconANGLE

8.

AI Cuts Google Data Center Cooling Costs 40% (DeepMind)

9.

https://ailuminate.mlcommons.org/benchmarks/general_purpose_ai_chat/1.0-en_us-official-ensemble

10.

Toward understanding and preventing misalignment generalization | OpenAI

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 60% der Fortune 500.

Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission.

Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.

Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Hazal Şimşek

Branchenanalystin

Folgen auf

Hazal ist eine Branchenanalystin bei AIMultiple, mit Schwerpunkt auf Process Mining und IT-Automatisierung.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten