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 unerlässlich, um eine KI zu schaffen, die für alle funktioniert.

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

Schritt-für-Schritt-Leitfaden für verantwortungsvolle KI

1. Setzen Sie KI-Systeme mit Fokus auf die menschlichen Nutzer und deren Erfahrungen ein. Stellen Sie sicher, dass das Design ethische Grundsätze und gesellschaftliche Werte für eine bessere Nutzerinteraktion einbezieht.
2. Nutzen Sie ein Dashboard für verantwortungsvolle KI, um verschiedene Metriken zu überwachen, darunter Feedback- und Fehlerquoten, um die Effektivität des Systems und das Risikomanagement sicherzustellen.
3. Prüfen Sie Trainingsdaten und zugrunde liegende Daten sorgfältig auf Genauigkeit und Repräsentativität. Beheben Sie Verzerrungen und unfaire Ergebnisse, um die Datenethik zu verbessern und sicherzustellen, dass Ihre KI-Richtlinie Fairness-Audits durchsetzt.
4. Verstehen Sie die Grenzen von Machine-Learning-Models und kommunizieren Sie diese klar. Vermeiden Sie eine übermäßige Abhängigkeit von Korrelationen und erkennen Sie den Umfang der Fähigkeiten generativer KI.
5. Implementieren Sie rigorose Tests innerhalb von KI-Workflows, einschließlich Unit- und Integrationstests. Eine kontinuierliche Überwachung ist für die Zuverlässigkeit und Genauigkeit des Systems unerlässlich, wobei ethische Überlegungen durchgehend einbezogen werden.
6. Verfolgen Sie die Systemleistung nach der Bereitstellung kontinuierlich, bewerten Sie Updates im Hinblick auf den EU KI Act zur Einhaltung gesetzlicher Vorschriften und passen Sie sich Datenschutz- und Sicherheitsprinzipien an. Richten Sie Ihre Überwachungspraktiken an KI-Richtlinienstandards aus, die Datenschutz, Transparenz und Sicherheit betonen. Behandeln Sie sowohl unmittelbare als auch langfristige Probleme und sorgen Sie gleichzeitig für eine breite Akzeptanz und Widerstandsfähigkeit gegen böswillige Angriffe.

1. Fairness

KI-Tools werden zunehmend in verschiedenen Entscheidungsprozessen wie Einstellung, Kreditvergabe und medizinischer Diagnose eingesetzt. Verzerrungen (Biases), die in diese Entscheidungssysteme eingeführt werden, können weitreichende Auswirkungen auf die Öffentlichkeit haben und zur Diskriminierung verschiedener Personengruppen beitragen.

Beispiele aus der Praxis

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

• Sexismus bei Kreditalgorithmen: Im Jahr 2019 gab es mehrere Vorwürfe (unter anderem vom Mitbegründer Steve Wozniak), dass der Kreditkartenalgorithmus von Apple Frauen diskriminiert, indem er je nach Geschlecht unterschiedliche Kreditlimits gewährt.
• Rassismus und Ableismus bei KI-basierter Einstellung: Laut einem aktuellen Bericht der Harvard Business School und von Accenture werden 27 Millionen Arbeitnehmer in den USA aussortiert und finden aufgrund automatisierter und KI-basierter Einstellungssysteme keine Arbeit. ² Zu diesen „versteckten Arbeitskräften“ zählen Einwanderer, Geflüchtete und Menschen mit körperlichen Behinderungen.
• Rassismus bei der Gesichtserkennung: Forscher fanden heraus ³ dass einige kommerzielle Gesichtserkennungstechnologien, etwa von Amazon oder Microsoft, bei dunkelhäutigen Frauen eine schlechte Genauigkeit aufwiesen, bei hellhäutigen Männern dagegen genauer waren (Abbildung 1).

Diese verzerrten Entscheidungen können aus dem Projektdesign oder aus Datasets 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 das Dataset darauf, ob es eine faire Repräsentation der Bevölkerung darstellt.
• Analysieren Sie die Teilpopulationen des Datasets, um festzustellen, ob das Model in verschiedenen Gruppen gleich gut abschneidet.
• Entwerfen Sie Models mit Blick auf Fairness und ziehen Sie Sozialwissenschaftler und andere Fachexperten hinzu.
• Überwachen Sie das Machine-Learning-Model kontinuierlich nach der Bereitstellung. Models driften, sodass im Laufe der Zeit Verzerrungen in das System gelangen 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, einen Blick darauf zu werfen. Sie können auch unseren Artikel über KI-Ethik lesen.

2. Datenschutz

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

• Laut dem Identity Theft Resource Center gab es 2021 1862 Datenschutzverletzungen, das sind 23 % mehr als der bisherige Höchststand aus dem Jahr 2017.⁴

Datenschutzverletzungen verursachen finanzielle Verluste sowie Reputationsschäden für Unternehmen und können Personen, deren sensible Informationen 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 Social-Media-Überwachung umfassten, personenbezogene Daten jedoch nicht ordnungsgemäß anonymisiert und Informationen unrechtmäßig an Dritte weitergegeben.

Die Aufsichtsbehörde ordnete die Löschung aller erhobenen Daten an und verwies auf Verstöße gegen Transparenz und Verhältnismäßigkeit im Sinne der DSGVO. Dieser Fall spiegelt die zunehmende Durchsetzung von KI-bezogenen Datenschutzregeln in Italien wider, nach Maßnahmen wie dem vorübergehenden Verbot von ChatGPT im Jahr 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 innerhalb der Organisation eine Richtlinie für Datenzugriff und -nutzung. Implementieren Sie das Prinzip der geringsten Privilegien.

3. Sicherheit und Schutz

Die Sicherheit eines KI-Systems ist entscheidend, um Angreifer daran zu hindern, das System zu beeinträchtigen und sein beabsichtigtes Verhalten zu verändern. Die zunehmende Nutzung 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 trägt dazu bei, diese Schwachstellen zu minimieren. Darüber hinaus 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, auf der Gegenfahrbahn zu fahren, indem sie kleine Aufkleber auf der Straße anbringen.

Diese Adversarial-Angriffe können Folgendes umfassen:

• Datenvergiftung durch das Einschleusen irreführender Daten in Trainingsdatasets.
• Model Poisoning durch Zugriff auf und Manipulation der Models.

unter anderem, um das KI-Model zu unbeabsichtigtem Verhalten zu veranlassen. Mit der Weiterentwicklung der KI-Technologie werden Angreifer neue Methoden finden, und es werden neue Wege zur Verteidigung von KI-Systemen entwickelt.

Beispiel aus der Praxis

Spanien hat im Einklang mit dem EU KI Act einen Gesetzentwurf 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 zudem unterschwellige Manipulation durch KI und sieht hohe Strafen bei Verstößen vor. Das Gesetz verlangt:

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

Bei Verstößen müssen die Modellanbieter mit bis zu €35 Millionen oder 7 % des weltweiten Umsatzes rechnen. 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, wenn sie mit synthetischen Inhalten interagieren, und indem es schädliche Manipulation eindämmt.⁶

Best Practices zur Erreichung von Sicherheit

• Bewerten Sie, ob ein Angreifer einen Anreiz hätte, das System anzugreifen, und welche möglichen Folgen ein solcher Angriff hätte.
• Stellen Sie in Ihrer Organisation ein Red Team auf, das als Gegner agiert und das System auf die Identifizierung und Eindämmung von Schwachstellen testet.
• Verfolgen Sie neue Entwicklungen bei KI-Angriffen und KI-Sicherheit. Dies ist ein fortlaufendes Forschungsgebiet, daher ist es wichtig, mit den Entwicklungen Schritt zu halten.

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-Models bestimmte Outputs 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 zu erklären und zu verteidigen,
• „Was-wäre-wenn“-Szenarien zu erstellen,
• sicherzustellen, dass die Models wie beabsichtigt funktionieren,
• im Falle unbeabsichtigter Ergebnisse Rechenschaftspflicht sicherzustellen.

Beispiel aus der Praxis

Clearview KI, ein in den USA ansässiges Unternehmen für Gesichtserkennung, erstellte eine Datenbank mit über 30 Milliarden Bildern, die aus dem Internet gesammelt wurden, um Personen für Strafverfolgungsbehörden und private Kunden zu identifizieren. Es wurde von der niederländischen Datenschutzbehörde zu einer Geldstrafe von 30.5 Millionen Euro verurteilt, weil es gegen die Datenschutz- und Transparenzprinzipien der DSGVO verstoßen hatte, wie zum Beispiel:

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

Anwendungsfälle

Erklärbare KI kann in verschiedenen Sektoren dazu beitragen, Transparenz und Vertrauen in Entscheidungsprozesse aufzubauen, wie zum Beispiel:

• Gesundheitswesen, indem Ärzte dabei unterstützt werden, die Gründe für KI-Diagnosen und Behandlungsvorschläge zu verstehen.
• Finanzwesen, indem Transparenz geschaffen und das Vertrauen der Stakeholder bei der Betrugserkennung und Anlageberatung gefördert wird.
• Automobilindustrie, indem die Entscheidungsprozesse autonomer Fahrzeuge verdeutlicht werden, was Sicherheit und Zuverlässigkeit erhöht.
• Marketing & Vertrieb, indem KI-gestützte Erkenntnisse für Kundensegmentierung, Umsatzprognosen und Anzeigenausrichtung transparent bereitgestellt werden und strategische Entscheidungen unterstützen.
• Cybersicherheit, indem die Argumentation hinter der KI-Bedrohungserkennung erklärt und das Cybersicherheitsmanagement verbessert wird.

Best Practices zur Gewährleistung von Transparenz

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

Neue Säule: Grüne KI

Grüne KI konzentriert sich darauf, die Umweltauswirkungen von KI-Systemen zu reduzieren. Das Trainieren und Betreiben von KI-Models erfordert erhebliche Rechenleistung, was zu einem hohen Energieverbrauch führt. Dies kann sowohl Kosten als auch Kohlenstoffemissionen erhöhen.

Mit zunehmender KI-Einführung wird Energieeffizienz immer wichtiger. Unternehmen beginnen zu optimieren, wie Models erstellt, trainiert und eingesetzt werden, um den Ressourcenverbrauch zu senken und gleichzeitig die Leistung aufrechtzuerhalten.

Ein Ansatz der grünen KI kann Unternehmen helfen:

• Energieverbrauch und Betriebskosten zu senken,
• den CO2-Fußabdruck von KI-Workloads zu verringern,
• die Effizienz von Model-Training und Inference zu verbessern,
• KI-Initiativen mit Nachhaltigkeitszielen in Einklang zu bringen.

Beispiel aus der Praxis

Google DeepMind setzte maschinelles Lernen ein, um 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:

• einer Reduzierung des Energieverbrauchs für die Kühlung um bis zu 40 %,
• einer Reduzierung des Gesamtenergieverbrauchs in den Rechenzentren um etwa 15 %.

Dieses Beispiel zeigt, dass grüne KI in großflächigen Umgebungen messbare Ergebnisse liefert.⁸

Anwendungsfälle

Grüne KI kann in mehreren Bereichen angewendet werden, darunter:

• Optimierung von Rechenzentren: KI-Systeme passen Kühlung und Stromverbrauch an, um Energieverschwendung zu reduzieren.
• Effizientes Model-Design: Kleinere Models und Komprimierungstechniken reduzieren den Rechenbedarf.
• 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 Datenübertragung und Energieverbrauch.

Best Practices zur Gewährleistung grüner KI

• Nutzen Sie effiziente Model-Architekturen statt unnötig großer Models.
• Optimieren Sie das Training, indem Sie Iterationen reduzieren und qualitativ bessere Daten verwenden.
• Überwachen Sie den Energieverbrauch von KI-Workloads.
• Bevorzugen Sie Cloud-Regionen oder Anbieter, die erneuerbare Energie nutzen.
• Verwenden Sie nach Möglichkeit vortrainierte Models wieder, statt von Grund auf neu zu trainieren.

Reifegrad-Hinweis

Einige Praktiken der grünen KI, wie die CO2-bewusste Workload-Planung, entwickeln sich noch und sind noch nicht weitgehend standardisiert. Bestehende Implementierungen zeigen jedoch, dass erhebliche Effizienzgewinne erreichbar sind.

Tools für verantwortungsvolle KI

Die Marktlandschaft für Software für verantwortungsvolle KI umfasst verschiedene Tools, die Frameworks für verantwortungsvolle KI bereitstellen, wie zum Beispiel:

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

Um sicherzustellen, dass diese Tools mit ethischen Werten übereinstimmen, sollten Unternehmen Tools einführen, 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 nutzen, etwa ein HR-Team, das einen auf LLM basierenden Algorithmus verwendet, um Bewerberprofile zu prüfen und die Rekrutierung zu beschleunigen, indem Lebensläufe nach Erfahrung und Ausbildung gefiltert werden. Wenn das Tool jedoch gegen Fairness-Prinzipien verstößt, kann es bestimmte Gruppen diskriminieren. Ohne sich dieser Verzerrung bewusst zu sein, könnten Nutzer Kandidaten aufgrund von Geschlecht oder ethnischer Herkunft ablehnen, was zu ethischen und Reputationsproblemen für die Organisation führt.

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

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

Jüngste Entwicklungen bei verantwortungsvoller KI

Misalignment-Frühwarnsystem

Eine neue Technik namens Misalignment-Frühwarnung wurde von OpenAI als vielversprechender Schritt hin zu sichereren und verantwortungsvolleren KI-Systemen eingeführt. Diese Methode konzentriert sich darauf, interne Warnsignale zu erkennen, bevor ein KI-Model schädliche Outputs erzeugt.¹⁰

Wie funktioniert das Misalignment-Frühwarnsystem?

Es funktioniert durch die Identifizierung bestimmter interner Merkmale, etwa einer „toxischen Persona“, die mit unsicherem Verhalten korrelieren. Durch die Verfolgung der Aktivierungsgrade dieser Merkmale während des Trainings oder der Bereitstellung können Entwickler frühzeitig gewarnt werden, wenn ein Model beginnt, in Richtung fehlausgerichtetes Verhalten abzudriften.

Wenn solche Warnsignale auftreten, können Interventionen entweder erfolgen durch:

• direktes Dämpfen der schädlichen Aktivierung
• Anwendung von Activation Steering, einer Technik, die interne Richtung des Model von unsicheren Mustern weglenkt.

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

Misalignment-Frühwarnung für verantwortungsvolle KI

Diese Entwicklung unterstützt zentrale Prinzipien verantwortungsvoller KI:

• Transparenz, indem internes Model-Verhalten interpretierbar gemacht wird
• Sicherheit, indem frühzeitiges Eingreifen ermöglicht wird
• Rechenschaftspflicht, indem klare Signale für menschliche Aufsicht geboten werden.

Dies spiegelt einen wachsenden Trend wider, Echtzeit-Überwachungs- und Kontrollmechanismen in den Model-Entwicklungsprozess einzubetten. Im Rahmen umfassenderer Sicherheits-F&E-Bemühungen verbessert diese Technik die Fähigkeit, Fehlausrichtungen während des Trainings zu erkennen und zu korrigieren, und steht im Einklang mit internationalen KI-Governance-Frameworks und Safety-by-Design-Standards.

Der KI Safety Summit

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

Wichtigste Ergebnisse

• Bletchley-Erklärung: Die teilnehmenden Nationen verpflichteten sich zur Entwicklung sicherer, menschenzentrierter, vertrauenswürdiger und verantwortungsvoller KI auf der Grundlage gemeinsamer Sicherheitsprinzipien.
• Internationale Zusammenarbeit: Betont wurde die dringende Zusammenarbeit, um Risiken wie Missbrauch, gesellschaftliche Störungen und Kontrollverlust über fortgeschrittene KI zu mindern.
• Transparenz und Regulierung: Gefordert wurden Transparenz, strenge Sicherheitstests und anpassungsfähige Regulierungsrahmen, um mit den KI-Fortschritten Schritt zu halten.

Zweck und Vision

Der Gipfel fördert die Entwicklung verantwortungsvoller KI, indem er die Zusammenarbeit mehrerer Interessengruppen und eine ethische Governance stärkt. Er zielt darauf ab, sicherzustellen, dass KI der Gesellschaft zugutekommt und gleichzeitig Schäden minimiert werden, 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}
}

Änderungsprotokoll

9 Aktualisierungen

1. 202619. Mär

   Ein neuer Abschnitt, Green AI, wurde dem Artikel hinzugefügt.

2. 202517. Jul

   Ein neues Verfahren namens Fehlausrichtungs-Frühwarnung wurde zu den jüngsten Entwicklungen für verantwortungsvolle KI hinzugefügt.

3. 25. Jun

   Erweiterter Abschnitt „Trainingsdaten prüfen“ mit einem Verweis auf die KI-Politik.

4. 13. Jun

   Eine Beschreibung des KI-Sicherheitsgipfels wurde dem Abschnitt vor den Kontaktinformationen hinzugefügt.

5. 20246. Dez

   Ein Abschnitt, Wie erkennt man, ob ein KI-Tool verantwortungsvoll ist?, wurde dem Artikel hinzugefügt.

6. 23. Aug

   Abbildung 1: Verantwortungsbewusste KI Google Trends über 5 Jahre hinzugefügt.

7. 13. Aug

   „Real-life examples“ zum Abschnitt „AI Bias“ hinzugefügt.

8. 9. Aug

   Ein Abschnitt „Schritt-für-Schritt-Anleitung zu verantwortungsvoller KI“ wurde hinzugefügt.

9. 202212. Okt

   Ein Beispiel zur Genauigkeit der Gesichtserkennung wurde dem Abschnitt „Fairness“ hinzugefügt.

Referenzlinks

1.

Global Risk Study | Accenture

Accenture

2.

Hidden Workers: Untapped Talent | Managing the Future of Work

3.

Gender Shades: Intersektionale Genauigkeitsdisparitäten in der kommerziellen Geschlechterklassifikation

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.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Hazal Şimşek

Branchenanalystin

Folgen auf

Hazal ist Branchenanalystin bei AIMultiple und konzentriert sich auf Prozessintelligenz (einschließlich Process Mining) und Unternehmensautomatisierung (einschließlich IT-Automatisierung und Low-Code-/No-Code-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