17,99 €
Niedrigster Preis in 30 Tagen: 17,99 €
Niedrigster Preis in 30 Tagen: 17,99 €
Mehr erfahren.
- Herausgeber: Heyne Verlag
- Kategorie: Wissenschaft und neue Technologien
- Sprache: Deutsch
- Veröffentlichungsjahr: 2023
Dass Algorithmen über Menschen und deren Zukunft entscheiden, scheint unausweichlich zu sein – wir alle sind längst den Urteilen von Künstlicher Intelligenz ausgesetzt: Immer mehr Firmen lassen Bewerbungen automatisiert bewerten, und immer mehr Menschen bekommen Bescheide oder Auskünfte, die durch Maschinen vorbereitet wurden. Doch nicht alle diese algorithmisch getroffenen Entscheidungen sind korrekt, es gibt immer wieder Fälle, in denen KI diskriminiert, Unschuldige eines Verbrechens beschuldigt oder gar Leben gefährdet. Katharina Zweig, vielfach ausgezeichnete Informatikprofessorin, erklärt unterhaltsam und anhand spannender aktueller Fälle, wie wir falsche Entscheidungen erkennen und uns dagegen wehren können. Denn wir sollten wissen, worauf wir achten müssen, damit Algorithmen nach unseren Regeln spielen und nicht nach ihren eigenen.
- Wo künstliche Intelligenz sich irrt und warum uns das alle betrifft
- Deutschlands führende Sozioinformatikerin erklärt anhand von vielen Beispielen aus unserem Alltag, wie wir falsche Software-Entscheidungen erkennen – und uns dagegen wehren können
- 2023 wird die Verabschiedung des Artificial Intelligence Acts auf EU-Ebene beschlossen – die nationale Umsetzung soll bis 2025 erfolgen: das erste Gesetz weltweit, mit dem KI in allen Lebensbereichen reguliert werden soll
- »Katharina Zweig [ist eine] digitale Vordenkerin [und] engagiert sich dafür, dass Algorithmen zur Chance für die Welt von morgen werden und nicht zur Gefahr.« (BamS)
Das E-Book können Sie in Legimi-Apps oder einer beliebigen App lesen, die das folgende Format unterstützen:
Seitenzahl: 384
Ähnliche
Zum Buch:
Dass Algorithmen über Menschen und deren Zukunft entscheiden, scheint unausweichlich zu sein – wir alle sind längst den Urteilen von Künstlicher Intelligenz ausgesetzt: Immer mehr Firmen lassen Bewerbungen automatisiert bewerten, und immer mehr Menschen bekommen Bescheide oder Auskünfte, die durch Maschinen vorbereitet wurden. Doch nicht alle diese algorithmisch getroffenen Entscheidungen sind korrekt, es gibt immer wieder Fälle, in denen KI diskriminiert, Unschuldige eines Verbrechens beschuldigt oder gar Leben gefährdet. Katharina Zweig, vielfach ausgezeichnete Informatikprofessorin, erklärt unterhaltsam und anhand spannender aktueller Fälle, wie wir falsche Entscheidungen erkennen und uns dagegen wehren können. Denn wir sollten wissen, worauf wir achten müssen, damit Algorithmen nach unseren Regeln spielen und nicht nach ihren eigenen.
Zur Autorin:
Prof. Dr. Katharina Zweig studierte Biochemie und Bioinformatik. Seit 2012 ist sie Informatikprofessorin an der RPTU, wo sie den deutschlandweit einmaligen Studiengang »Sozioinformatik« ins Leben gerufen hat. Sie wurde unter anderem mit dem DFG-Communicatorpreis ausgezeichnet, ist KI-Botschafterin für Rheinland-Pfalz und Mitgründerin des KI-Beratungs-Startups »Trusted AI GmbH«. Sie ist als Expertin für verschiedene Bundesministerien tätig, war Mitglied der Enquete-Kommission des Bundestages zum Thema »Künstliche Intelligenz« (2018–2020) und ist gefragte öffentliche Rednerin mit großer Medienpräsenz. 2019 erschien bei Heyne ihr Spiegel-Bestseller »Ein Algorithmus hat kein Taktgefühl«.
Katharina Zweig
Die KI war’s!
Von absurd bis tödlich: Die Tücken der künstlichen Intelligenz
Der Inhalt dieses E-Books ist urheberrechtlich geschützt und enthält technische Sicherungsmaßnahmen gegen unbefugte Nutzung. Die Entfernung dieser Sicherung sowie die Nutzung durch unbefugte Verarbeitung, Vervielfältigung, Verbreitung oder öffentliche Zugänglichmachung, insbesondere in elektronischer Form, ist untersagt und kann straf- und zivilrechtliche Sanktionen nach sich ziehen.
Der Verlag behält sich die Verwertung der urheberrechtlich geschützten Inhalte dieses Werkes für Zwecke des Text- und Data-Minings nach § 44 b UrhG ausdrücklich vor. Jegliche unbefugte Nutzung ist hiermit ausgeschlossen.
Originalausgabe 2023
Copyright © 2023 by Wilhelm Heyne Verlag, München,
in der Penguin Random House Verlagsgruppe GmbH,
Neumarkter Straße 28, 81673 München
Redaktion: Evelyn Boos-Körner
Covergestaltung: Favoritbüro, München,
unter Verwendung eines Motives von © Arthead / Shutterstock
Illustrationen und Fotos: Soweit nicht anders beim jeweiligen Bild angegeben,
stammen die Abbildungen von © Katharina Zweig
Satz: Leingärtner, Nabburg
ISBN 978-3-641-30789-9V002
www.heyne.de
Für Tobias – TrustFür Jan, Johannes und Ralf – PhilosophieFür Marc – Test & Audit
Inhalt
Kapitel 1 Wie begründet man eine Entscheidung?
TEIL I Wie Maschinen zu ihren Entscheidungen kommen
Kapitel 2 Apples Pay Card: Sexismus pur?
Kapitel 3 Das kleine ABC der Informatik
Kapitel 4 Wie lernt eine Maschine nun, Kreditwürdigkeit zu beurteilen? Algorithmen, Heuristiken und Modelle
Kapitel 5 Zusammenfassung Buchteil I
TEIL II Das kann so nicht stimmen!
Kapitel 6 Joy Buolamwini: »Hey, KI, kannst du mich sehen?«
Kapitel 7 Robert Williams: »Warum wurde ich verhaftet?«
Kapitel 8 Wieso finde ich keine Wohnung?
Kapitel 9 Wo ist mein Geld?
Kapitel 10 KI-Hype in den Medien: Depressionserkennung auf Instagram
Kapitel 11 Warum macht mich ChatGPT zur rechten Hand von Adolf Hitler?
Kapitel 12 Warum musste Elaine Herzberg sterben?
Kapitel 13 Zusammenfassung Buchteil II
TEIL III Wenn wir wissen müssen, wieso
Kapitel 14 Nachprüfbare und nicht nachprüfbare Entscheidungen
Kapitel 15 Wann gelingt ein Sprechakt?
Kapitel 16 Kann der Computer Noten vergeben?
Kapitel 17 »Wieso wurde mein Account gesperrt?«
Kapitel 18 Was soll ich sein? Ein Terrorist?
Kapitel 19 KI und das Lernen von »üblichen Verfahren«
Kapitel 20 Können Werturteile jemals automatisiert werden?
Kapitel 21 Zusammenfassung Buchteil III
TEIL IV Wie wollen wir in Zukunft entscheiden?
Kapitel 22 Was ist besser, wenn automatisierte Entscheidungssysteme verwendet werden?
Kapitel 23 Wann darf ich meinen Algorithmus nutzen?
Kapitel 24 Wie machst du das, Kluger Hans?
Kapitel 25 Widerspruch lohnt sich
Kapitel 26 Zusammenfassung
Glossar
Stichwortverzeichnis
Anmerkungen
Finale mündliche Prüfung – Note 5. Der Prüfling fällt auf die Knie und ruft verzweifelt: »Oh Jesus, I am going to die!«
KAPITEL 1
Wie begründet man eine Entscheidung?
»Warum haben Sie mich durchfallen lassen?«Wie man eine Note begründet
Wissenschaftlerin zu sein ist mein Traumjob. Ich kann mir nichts Besseres vorstellen, als den ganzen Tag zu meinen Themen zu forschen und darüber zu schreiben. Andere Aspekte des Professorinnendaseins hingegen gefallen mir deutlich weniger: So kommt es von Zeit zu Zeit vor, dass wir eine ›finale Prüfung‹ abnehmen müssen. Das ist die allerletzte Wiederholung einer Prüfung, bei der der Prüfling tatsächlich seine Chance auf einen Abschluss verlieren kann. Es ist sogar noch etwas schlimmer: Werden Studierende an diesem Punkt aus dem Studium ausgeschlossen, können sie auch an anderen Universitäten in Deutschland nicht mehr Informatik studieren.
Recht auf faire Entscheidungen,Recht auf Begründungen
Als ich an die TU Kaiserslautern berufen wurde, habe ich mich daher intensiv mit der Frage beschäftigt, warum wir eigentlich Noten geben und wie ich sie im Einzelfall rechtfertigen kann. Und natürlich war eine der wichtigsten Fragen: Warum lassen wir Studierende überhaupt durchfallen? Welchen Sinn hat das? Denn am Ende muss ich meine Notenentscheidung gegenüber dem Prüfling, aber auch gegenüber meinen Kollegen und Kolleginnen jederzeit begründen können. Der Satz oben ist in einer meiner Prüfungen tatsächlich gefallen – und natürlich habe ich versucht, dem Prüfling zu erklären, wie ich die Entscheidung rechtfertige, denn es ist sein gutes Recht, das zu erfahren.
Heute entscheiden auch Maschinen über Menschen
Und so ist es auch bei vielen anderen Entscheidungen: Bürgerinnen und Bürger haben ein Recht auf eine Begründung und auf Widerspruch. Wir alle haben ein Recht auf eine faire Behandlung, darauf, dass wir nicht nur wegen der Zugehörigkeit zu bestimmten Gruppen schlechter und andere allein wegen ihrer Zugehörigkeit zu einer anderen Gruppe besser behandelt werden – das steht schon im Grundgesetz.
Ist die Technologie schon so weit entwickelt, dass sie verlässlich über Menschen entscheiden kann?
Heute gibt es nun die ersten Maschinen, die menschliches Handeln bewerten. Die meisten dieser Maschinen bezeichnet man heute als »Künstliche Intelligenz« (kurz KI) und verweist auf ihre Erfolge beim Übersetzen oder bei der Produktempfehlung in Online-Shops. Basierend auf diesen Erfolgen hat sich in Teilen der Informatik und der Wirtschaft die Idee verbreitet, dass Computer sicherlich auch in der Lage sein werden, Menschen in komplexeren Situationen als beim Einkauf zu bewerten. Diese Position finde ich nach jahrelanger Forschung in diesem Bereich nicht überzeugend. Damit bin ich nicht die Einzige. Trotzdem werden heute entscheidungsberechnende Systeme vielfältig eingesetzt: zum Beispiel Maschinen, die Notenvorschläge für von Schülerinnen und Schülern geschriebene Essays berechnen; Maschinen, die vor Gericht verwendet werden, um die Rückfälligkeitswahrscheinlichkeit von Kriminellen zu bewerten. Maschinen, die Bewerbungen danach bewerten, wie gut die Bewerberin auf den Job passt, oder vorhersagen, ob der Bewerber zukünftig erfolgreich mitarbeiten wird. Auch in Deutschland wurden schon die ersten Pilotprojekte gestartet. Gerade im Personalwesen passiert es immer häufiger, dass solche Systeme verwendet werden; momentan berate ich dazu mit meinen Mitarbeitern zwei Firmen und eine Karriereplattform. Ich erwarte, dass wir in den nächsten Jahren viele dieser Systeme in Unternehmen, Schulen und Universitäten sowie in der Verwaltung sehen werden. Diese Systeme werden Entscheidungen über Menschen treffen und die betroffenen Personen werden damit nicht immer einverstanden sein. Daher brauchen wir für diese Entscheidungen gute Begründungen. Aber ist das möglich?
1.1 Können KI-Entscheidungen begründet werden?
Maschinelle Entscheidungssysteme sind Blackboxes: undurchdringliche Maschinen.
KI-Systeme sind aus verschiedenen Gründen heute oft sogenannte Blackbox-Modelle, also Systeme, in die man nicht so einfach hineinsehen kann. Das liegt teilweise daran, dass die Systeme von Firmen gebaut werden, die sich nicht gern in die Karten sehen lassen. Zumindest bei einflussreichen Entscheidungen brauchen Menschen aber ein Recht darauf, zu verstehen, wieso die Maschine so entschieden hat, wie sie entschieden hat. Ein anderer Grund liegt aber in der Natur der Technologie: Die meisten Methoden der Künstlichen Intelligenz, die heute verwendet werden, sind von sich aus nicht vollständig einsehbar.
Wie wollen wir in Zukunft entscheiden?
Und darum geht es in diesem Buch: Um die Frage, unter welchen Bedingungen man Entscheidungen von Computern infrage stellen kann und welche Art von Antworten wir erwarten können. Weil das eine ziemlich komplexe Frage ist, nehme ich Sie in diesem Buch mit auf eine Reise. Eine Reise zu verschiedenen Personen und Geschehnissen, bei denen maschinelle Entscheidungen falsch waren, und bei denen diese Fehlentscheidungen teils nur absurde, teils aber gravierende, ja sogar tödliche Konsequenzen hatten. Inzwischen gibt es eine ziemlich große Anzahl an Beispielen dafür – und die meisten sind vielschichtig. Bei manchen war wenigstens offensichtlich, dass die Maschine fehlerhaft entschieden hatte. Bei anderen konnte sogar geklärt werden, wie es dazu kommen konnte. Bei vielen ist es dagegen unklar. Diese Klarheit wäre aber notwendig, insbesondere, wenn wir die Perspektive vom Betroffenen zum Verwender von automatisierten Entscheidungen wechseln: Wir müssen als Menschen besser verstehen, in welchen Bereichen Maschinen uns bei Entscheidungen unterstützen können. Wenn wir weder als Verwender noch als Betroffene befriedigende Erklärungen bekommen können, sollten wir nicht einzelne Entscheidungen, sondern die Verwendung solcher Systeme infrage stellen. Am Ende wollen wir wissen, wie es zu einer falschen Entscheidung kam: War’s die KI?
Teil I startet mit dem Beispiel einer Frau, die von einer Maschine deutlich schlechter behandelt wurde als ihr Ehemann. Der ließ das nicht auf sich sitzen und mobilisierte mit seinen verärgerten Tweets auf Twitter Tausende seiner Follower. Um zu verstehen, warum er denkt, dass der betreffende Algorithmus sexistisch entscheide, gibt es in diesem Teil des Buches eine Einführung in Das kleine ABC der Informatik: A wie Algorithmus, B wie Big Data und C wie Computerintelligenz.
Im zweiten Teil erfahren Sie, was Menschen in Situationen passiert ist, in denen im Wesentlichen klar war, dass die Maschine eine falsche Entscheidung getroffen hatte. Aber wie konnte es dazu kommen? Die große Bandbreite der Erklärungen dafür zeigt, wie verwickelt die Auflösung sein kann. Das ist ähnlich wie bei einem »Whodunit«, einem klassischen Kriminalroman, bei dem der Mord am Anfang passiert und dann die Deduktion zum Täter oder zur Täterin führt. Aber anders als bei einer gut konzipierten Detektivgeschichte ist das reale Leben meistens vielschichtiger: Hier gibt es nicht nur einen Täter, sondern meistens mehrere Fehler von beteiligten Personen.
Schwieriger wird es natürlich bei automatisierten Entscheidungen, die nicht direkt als fehlerhaft erkannt werden können. Je schwieriger das ist, desto wichtiger ist es, dass wir den Prozess hinter der Entscheidung verstehen. Darum geht es in Teil III, der zeigen wird, dass es fundamentale Gründe dafür gibt, warum wir maschinelle Entscheidungen nicht verstehen können. Das ist ein gravierender Nachteil. Trotzdem bieten automatisierte Entscheidungen oft auch Vorteile. In Teil IV diskutiere ich daher, wie wir als Menschheit in Zukunft darüber entscheiden könnten, wann wir unsere Entscheidungen allein und wann wir sie mit maschineller Unterstützung treffen wollen.
Und warum gibt es in diesem Buch so viele Beispiele? Weil die Frage danach, wann wir automatisierte Entscheidungen über Menschen nutzen wollen, mit uns allen zu tun hat. Es ist eine gesellschaftliche Frage, in der jede und jeder gehört werden sollte. Und weil Fehlentscheidungen uns so in Rage bringen können – es trifft uns, wenn wir das Gefühl haben, ungerecht behandelt zu werden. Teil I beginnt daher mit der Geschichte des amerikanischen Softwareentwicklers David Heinemeier Hansson, der nach einer Computerentscheidung, die sich eigentlich nicht gegen ihn, sondern gegen seine Ehefrau gerichtet hatte, in den »Twitterkampf« gegen Apple zog. Es ist ein Beispiel dafür, welch starke Emotionen erzeugt werden können, wenn über Menschen mithilfe von Software ohne weitere Begründung und ohne Möglichkeit des Widerspruchs geurteilt wird. Und eine Geschichte mit einer interessanten Auflösung. Bühne frei!
TEIL I
Wie Maschinen zu ihren Entscheidungen kommen
KAPITEL 2
Apples Pay Card: Sexismus pur?
Im November 2019 beantragten David Heinemeier Hansson und seine Frau Jamie jeweils eine Apple Card. Und weil Apple die Firma ist, die sie ist, ist die Beantragung der Kreditkarte sehr einfach und komplett digital: Man kann sie direkt über ein Apple-Gerät beantragen, und sobald die AGB anerkannt wurden, bekommt der Nutzer eine Entscheidung, ob er eine Karte bekommt und wo die Kreditlinie liegt. Das geht so blitzschnell, dass dahinter natürlich eine Software-Entscheidung steht. Und siehe da: Seine Frau Jamie Heinemeier Hansson bekam einen Kreditrahmen von um die 50 US-Dollar und ihr Ehemann David einen um die 1 000 US-Dollar. Und damit begann der Ärger von David Heinemeier Hansson. Aber das kann er selbst Ihnen besser erzählen als ich:[1]
Ich konnte nach diesen starken Worten einfach nicht anders, als mir Heinemeier Hansson als Ritter vorzustellen, der seiner Ehefrau und allen anderen Frauen beispringt:
Wir sehen ihn also jetzt in seiner polierten Rüstung, das Schwert zur Verteidigung gezogen – und plötzlich geht sein Tweet viral. Denn David Heinemeier Hansson ist ein interessanter Typ – Rennfahrer, Softwareentwickler, Autonarr, dem auf Twitter viele Personen folgen: Über 11 000 Mal wird der Tweet am Ende weiterverbreitet, über 25 000 Mal klicken die Leser und Leserinnen auf »like«. Die Autorin Safiya Noble, die das Buch »Algorithms of Oppression« schrieb, twitterte beispielsweise: »This is an algorithm of oppression if I’ve ever seen one.« Völlig überraschend mischte sich dann auch Steve Wozniak in die Unterhaltung ein, der sich demütig wie folgt vorstellte: »Ich bin momentan Apple-Mitarbeiter und Gründer der Firma.« Er bestätigte, dass auch seine Ehefrau einen zehnfach geringeren Kreditrahmen erhalten hatte, obwohl sie all ihr Vermögen teilen würden, und ermahnte Apple, hier Verantwortung zu zeigen. Dieser Kommentar war eine gewichtige Unterstützung von Heinemeier Hanssons Anliegen.
Andere Kommentare dagegen erzürnten Heinemeier Hansson dagegen fast so sehr wie die Entscheidung des Algorithmus. Dazu gehören insbesondere die drei folgenden Argumentationslinien:
»Aber das ist ja gar nicht Apple selbst, sondern Goldman Sachs, also die Bank, die die Apple Pay Card in Zusammenarbeit ausstellt. Warum Apple an den Pranger stellen?«»Hat deine Frau nicht vielleicht einfach eine schlechtere Kreditwürdigkeit als du?«»Wieso denkst du, dass das sexistisch ist, könnte doch auch andere Gründe geben?«Nun, all das lässt Heinemeier Hansson natürlich nicht auf sich sitzen. Das erste Argument ist tatsächlich keines: Denn wer nun genau den Algorithmus verantwortet, ist unerheblich für die Frage, ob er funktioniert, wie er soll. Das Beispiel ist damit auch eine Warnung für Unternehmen, die Software nutzen, um Entscheidungen automatisch zu berechnen: Für die Kunden und Kundinnen ist am Ende immer in erster Linie die Person verantwortlich, die den Algorithmus nutzt – unabhängig davon, wer ihn entwickelt hat. Das ist ein wichtiger Punkt, den ich später nochmals aufgreifen werde: Der Verwender eines KI-Systems für einen sozialen Prozess ist die Person, an die sich die Kunden und Kundinnen nachher wenden werden – unabhängig davon, ob er die eigentliche Entscheidungslogik dahinter verantwortet oder nicht.
Die zweite Frage bringt Heinemeier Hansson dazu, dass sich beide für schlappe 25 US-Dollar pro Monat (!) bei TransUnion anmelden, um ihren Kreditwürdigkeits-Score zu bekommen, den sogenannten FICO-Score – das ist im Wesentlichen dasselbe wie in Deutschland der Schufa-Score. Und, hey, Heinemeier Hansson ist immer noch auf 180: »Also melden wir uns natürlich beide wutentbrannt für verdammte 25 Dollar pro Monat bei der Krediteinsichtsschwachsinnsabzocke namens TransUnion an. Vielleicht hat ja jemand die Identität meiner Frau gestohlen? Obwohl wir vorher schon einmal geprüft hatten, dass alles okay ist. Aber, ratet mal: IHREKREDITWÜRDIGKEITISTSOGARHÖHERALSMEINE!!!«[2]
Sein Ärger ist natürlich irgendwie nachvollziehbar, aber mir persönlich gefällt diese Frage der Twitternutzer nach ihrer Kreditwürdigkeit, denn tatsächlich muss es in den Eingangsdaten, die eine Software bekommt, irgendeinen Unterschied bei den beiden Personen geben.
Denn zumindest darauf können wir uns bei Software verlassen: Wenn genau dieselben Daten hineingehen, dann kommt auch genau dasselbe dabei heraus.[3]
Die Frage danach, was sich bei den beiden Personen unterscheidet, ist also erst einmal in Ordnung und auch sehr wichtig – und dass es der FICO-Score sein könnte, liegt auf der Hand. Ärgerlich ist, dass Heinemeier Hansson und seine Frau nicht einfach direkt von Goldman Sachs Einsicht in die jeweils über sie verwendeten Eingangsdaten und deren Werte bekamen. Denn es sollte nicht so sein, dass die bewertete Person weder weiß, welche Daten relevant sind, noch ob diese Daten vielleicht fehlerhaft sind. Heinemeier Hansson und seine Frau sind jetzt nicht schlauer als zuvor: An dieser Stelle unterscheiden die beiden sich zwar, aber tendenziell würde man erwarten, dass der Kreditrahmen für seine Frau hätte höher ausfallen sollen als seiner.
Auch der dritte Kommentar stellt eine valide Frage, da wir oft mit »Sexismus« die absichtsvolle Schlechterstellung von Menschen wegen ihres Geschlechts meinen. Daneben gibt es aber die unbeabsichtigte Schlechterstellung, die ebenfalls manchmal mitgemeint ist: gerade in den USA unterscheidet man im Bürgerrechtsgesetz zwischen intendierter Diskriminierung (disparate treatment) und der Schlechterstellung von Gruppen (disparate impact) mit oder ohne Intention. Auch Letzteres ist laut Title VI des Bürgerrechtsgesetzes in den USA beispielsweise für alle Programme verboten, die staatliche Förderung erhalten.[4] Um Schlechterstellung nachzuweisen, reicht es dabei aus, zu zeigen, dass eine Gruppe basierend auf einem Merkmal, das gesetzlich geschützt ist, statistisch signifikant schlechtergestellt ist. Die Frage, ob diese Schlechterstellung durch eine gewollte Diskriminierung passiert, oder durch eigentlich neutral formulierte Gesetze und Prozesse geschieht, ist dabei erst einmal unerheblich – die staatliche Förderung wird gestrichen. Diese amerikanische Idee von disparate impact, der Schlechterstellung von Gruppen, ist es, die David und Jamie Heinemeier Hansson hier antreibt. Jamie Heinemeier Hansson schreibt in einem Blogpost, dass sie eigentlich Privatheit sehr schätzt und sie darum mit ihrem Mann beschlossen hat, dass er ihre Apple-Card-Geschichte erzählt. Als Millionärin ist es für sie nicht so relevant, dass ihr persönlicher Kreditrahmen erhöht wird.[5] Es geht ihr um etwas anderes: »Es ist relevant für die Frau, die gerade ein Geschäft eröffnet in einer Welt, die immer noch denkt, dass Frauen weniger erfolgreich und kreditwürdig sind als Männer. Es ist relevant für die Ehefrau, die versucht, aus einer gewalttätigen Beziehung auszubrechen. Es ist relevant für Minderheiten, die durch systemische Vorurteile beeinträchtigt werden.«[6] Aufgrund des hohen Medienechos wurde Jamie Heinemeier Hanssons Kreditrahmen schleunigst hochgesetzt – aber aus den genannten Gründen reichte ihr das nicht: »Das ist nicht einfach eine Geschichte über Sexismus und Blackbox-Kreditvergabealgorithmen, sondern darüber, dass Reiche immer irgendwie ihren Kopf durchsetzen. Gerechtigkeit für irgendeine reiche weiße Frau ist überhaupt keine Gerechtigkeit.«
Das Ehepaar bezieht sich hier also auf disparate impact, und daher lohnt es sich, die Bedeutung dieses Begriffes etwas näher anzugucken. Ein Handbuch zum Umgang mit dieser Art von statistischer Ungleichbehandlung gibt ein interessantes Beispiel für einen ungewollt schlechterstellenden Prozess: An einer Schule müssen alle Schüler und Schülerinnen, die zu spät kommen, zum Gespräch zur Schulleiterin. Damit verpassen sie natürlich noch mehr Unterricht als durch das Zuspätkommen allein. Es stellt sich nun heraus, dass eine Gruppe, die asiatisch-amerikanischen Kinder, viel öfter zur Schulleiterin muss als andere Kinder. Eine genauere Untersuchung ergibt, dass diese Kinder weiter weg von der Schule wohnen und selbst der früheste Schulbus oft zu spät zur Schule kommt. Da es ja eigentlich um einen Schutz des Unterrichts geht, der durch Disziplinlosigkeit entsteht, die Schüler und Schülerinnen für ihre Verspätung aber nichts können, gilt das als disparate impact. Daher muss der Prozess laut amerikanischem Recht hier geändert werden: Zum Beispiel könnte die Regel für Kinder, die aufgrund einer Verspätung des Schulbusses zu spät kommen, nicht gelten, oder die Schule sorgt dafür, dass die Schulbusse früher losfahren.
Für uns in Deutschland ist diese statistische Sichtweise wie gesagt eher ungewohnt – illegale Diskriminierung bezeichnet bei uns die sachgrundlose Schlechter- oder Besserbehandlung von Personen aufgrund einiger gesetzlich geschützter Merkmale. Das entspricht eher dem disparate treatment. Zudem ist es eher ein Akt von Personen oder Institutionen: Man muss als Geschädigter den Verursacher nennen können und dessen Gesinnung wird dann geprüft. Im amerikanischen Recht reicht dagegen der Nachweis der Schlechterstellung aus – warum das so ist und wie man das abstellen kann, ist dann die Sache desjenigen, der bewusst oder unbewusst schlechterstellt. Eine Absicht muss nicht nachgewiesen werden.
Der statistische Aspekt, der unabhängig vom Nachweis einer Intention einfach berechnet werden kann, kommt daher aus meiner Sicht hauptsächlich aus den USA. Auch andere Diskussionen zeigen, dass das, was als Diskriminierung gilt und wie man es nachweisen kann, auch eine kulturelle Frage ist. Als Informatikerin liegt mir der statistische Ansatz natürlich – da können wir als Data Scientists leicht weiterhelfen. Ich persönlich finde die Frage nach der Intention zwar auch wichtig, aber zuerst sollte der Befund gemacht werden und für Abhilfe gesorgt werden: Für die Betroffenen sind die Auswirkungen ja zuerst einmal unabhängig davon, ob die Schlechterstellung absichtlich oder unabsichtlich geschieht. Und in diesem Sinne ist es auch interessant zu wissen, ob der Algorithmus hinter der Kreditwürdigkeitsbestimmung statistisch gesehen Frauen schlechterstellt als Männer, und damit sexistisch entscheidet.
Was Heinemeier Hansson aber am meisten erzürnt, sind die vielen Leute, die ihm erklären wollen, dass das halt die Art und Weise ist, in der Kredite vergeben werden. Er prangert an, dass es keine Stelle gibt, bei der man nachfragen kann, was genau die Eingabe in diesen Algorithmus ist – und ob sich dabei Falschinformationen eingeschlichen haben könnten. Ihn verärgert, dass ihm und seiner Frau keiner sagen kann, wie genau man von den Eingabedaten zur Entscheidung kommt oder wo die Daten seiner Frau von seinen eigenen abweichen, um die Diskrepanz im Kreditrahmen zu erklären. Am Ende hatten sie insgesamt mit sechs Mitarbeitern von Apple bzw. Goldman Sachs gesprochen und keiner konnte ihnen erklären, wie genau die Entscheidung abläuft. Aber jeder sagte: »Natürlich diskriminieren wir niemanden! Das ist einfach nur der Algorithmus!« Mit »das ist einfach nur der Algorithmus« speist man einen Heinemeier Hansson auf jeden Fall nicht ab. Er fasst die Situation in einem weiteren Tweet zusammen:
»Es versteht also niemand DENALGORITHMUS. Niemand kann DENALGORITHMUS untersuchen oder überprüfen. Und trotzdem ist jeder, mit dem wir von Apple oder Goldman Sachs sprechen können, VÖLLIGÜBERZEUGT, dass DERALGORITHMUS weder voreingenommen ist noch in irgendeiner Form diskriminiert. Das ist eine großartige Zurschaustellung von kognitiver Dissonanz.«[7]
Und wissen Sie was? Er hat damit völlig recht: Wenn man nicht weiß, wie eine Entscheidung zustande kommt, kann man nicht einfach sagen: »Aber es ist doch einfach der Algorithmus.« Das ist so, als würde man eine Entscheidung damit begründen, dass diese Entscheidung einem klar definierten Prozess folgt – denn für nichts anderes steht in diesem Zusammenhang das Wort Algorithmus.
Gehen wir noch einmal zurück zu meinem Prüfling, der durchgefallen ist: Der Algorithmus, mit dem ich seine Note berechnet habe, bestand darin, die Noten für die verschiedenen Prüfungsthemen zusammenzurechnen und den Durchschnitt auszurechnen:
Schritt 1: Rechne die Zahlen zusammen.
Schritt 2: Teile durch die Anzahl der Zahlen.
Das ist doch keine Begründung für das Ergebnis »durchgefallen«, schon gar nicht in einer finalen Prüfung! Dass hinter einer Berechnung ein Algorithmus steht, ist offensichtlich keine Begründung dafür, dass das Resultat tatsächlich die Prüfungsleistung des Teilnehmers widerspiegelt. Vielmehr muss der Prozess selbst sinnvoll sein und auch im richtigen Moment verwendet werden. Der kurze Algorithmus zur Berechnung des Durchschnitts ist zum Beispiel definitiv korrekt – aber wenn ich in der Prüfung sehr lange ein Thema behandelt hätte, das der Student gut konnte, hätte man vielleicht dieses Thema doppelt gewichten sollen: Der Algorithmus selbst wäre richtig, aber für die Situation nicht angemessen. Daher kann der reine Verweis der Bank auf »den Algorithmus« nicht ausreichen: Es muss vielmehr klar sein, dass der Algorithmus in sich sinnvoll und der Situation angemessen ist. Genauso wenig kann die Tatsache, dass ein Kreditrahmen mit einem Algorithmus berechnet wird, eine Garantie dafür sein, dass das Resultat eine passende, stimmige Lösung für das Problem der Kreditwürdigkeitsbewertung ist. Und ganz bestimmt kann damit auch die Qualität der Entscheidung nicht beurteilt werden.
Ich werde auf diesen Fall zurückkommen, denn tatsächlich dauerte die offizielle Untersuchung fast anderthalb Jahre. In dieser Zeit konnten Menschen, denen unklar war, wie es zu der Einschätzung der Software kam, ihre Informationen einschicken und sie neu bewerten lassen. Die Überprüfung wurde dann manuell durchgeführt, was naturgemäß lange dauert. Daher bitte ich um etwas Geduld, bis ich Ihnen die Auswertung der Apple Pay Card/Goldman-Sachs-Affäre mitteile. Denn um zu verstehen, wie man die Qualität einer maschinellen Entscheidung bewerten und im Einzelfall infrage stellen kann, möchte ich erst einmal darstellen, wie Maschinen überhaupt Entscheidungen berechnen.[8]
Im ersten Teil des Buches »Wie Maschinen zu ihren Entscheidungen kommen«, beginne ich mit dem »kleinen ABC der Informatik« – ein kurzer Abriss über A wie Algorithmus, B wie Big Data, und C wie Computerintelligenz. Wer das in aller Tiefe noch einmal nachlesen will, der findet mehr dazu in meinem Buch »Ein Algorithmus hat kein Taktgefühl«. Ich werde hier aber einen Punkt betonen, der für dieses Buch besonders wichtig ist: Dass hinter allen Algorithmen erst einmal ein Modell im Kopf seiner Entwicklerinnen und Entwickler steht, bevor die Maschine dann ebenfalls ein statistisches Modell berechnet, auf dessen Grundlage alle maschinellen Entscheidungen beruhen. Und diese beiden Modelle – das menschliche und das maschinelle – müssen wir in den meisten Fällen verstehen, um eine maschinell berechnete Entscheidung zu verstehen und ihr zu vertrauen.
KAPITEL 3
Das kleine ABC der Informatik
A wie Algorithmus In den Debatten um die Künstliche Intelligenz ist immer viel von »dem Algorithmus« die Rede und selten wird genau gesagt, was damit eigentlich gemeint ist. Dabei benutzen Sie alle im Alltag andauernd Algorithmen, es hat Ihnen nur niemand gesagt, dass Sie das tun. Ich spiel zum Beispiel sehr gerne Doppelkopf und freue mich jetzt schon darauf, das im Sommer mit meinem Bruder und meinen Eltern bei einem gemeinsamen Urlaub mal wieder zu tun. Der erste Schritt besteht bei allen Kartenspielen darin, die Karten aufzunehmen und für sich zu sortieren. Ich mache das, indem ich jede Karte einzeln aufnehme, und dann die nächste Karte immer schon an die richtige Stelle setze – danach sind die Karten dann definitiv so sortiert, wie ich das gerne hätte. Andere nehmen einfach alle Karten auf einmal auf und sortieren dann so lange um, bis alles seine Richtigkeit hat. Am Ende können beide Methoden dazu genutzt werden, um die Karten zu sortieren. Informatiker würden an dieser Stelle sagen: Beide Methoden lösen das »Sortierproblem«, sie sind Algorithmen für das Sortierproblem.
Algorithmiker, also Menschen, die Algorithmen entwerfen, sind Problemlöser. Ein Problem ist dabei eine allgemeine Beschreibung von einer Ist-Situation und einer Soll-Lösung. Die Ist-Situation besteht beim Sortierproblem darin, dass jemand eine Reihe von Dingen in irgendeiner Reihenfolge vorliegen hat. Die Soll-Lösung besteht darin, dass die Software eine Reihenfolge der Dinge nennen soll, sodass sie nach einem vorher festgelegten Kriterium sortiert sind.
Solche Probleme formulieren wir Algorithmiker sehr gerne ganz allgemein: Man kann man ja nicht nur Spielkarten sortieren, sondern auch Dokumente, z. B. nach Datum, oder Bücher nach ihren Autoren und Autorinnen. Kinder sortieren ihre Kuscheltiere vielleicht nach Flauschigkeit oder einfach nach Liebe. Sortieralgorithmen ist es ziemlich egal, was genau nach welchem Kriterium sortiert werden soll. Sie lösen das ganz allgemeine »Sortierproblem«: Wenn ich ihm eine Menge von Dingen gebe und sage, wann ein Ding »besser« (oder »aktueller« oder »flauschiger«) ist als das andere, garantiert mir ein Algorithmus, dass er diese Dinge danach in genau der gewünschten Reihenfolge angeordnet hat.
Ein Algorithmus ist dabei erst einmal einfach ein »Verfahren«. Aber nicht jedes Verfahren ist auch ein Algorithmus: Man könnte ja zum Beispiel die Spielkarten einfach in die Luft schmeißen, auf einen Haufen schieben und dann hoffen, dass die neue Reihenfolge zufällig die gewünschte ist – das ist ein Verfahren, aber kein Algorithmus. Denn offensichtlich könnte dabei einmal die richtige Sortierung herauskommen, aber es könnte auch passieren, dass man einfach Pech hat und die gewünschte Reihenfolge nie eintritt – auf jeden Fall nicht zu Lebzeiten der Person, die die Dinge gerne sortiert hätte.
Als »Algorithmus« bezeichnen wir in der Informatik daher nur solche Verfahren, die bewiesenermaßen in endlicher Zeit das Problem lösen. Wir müssen also beides beweisen: dass das Verfahren wirklich die richtige Lösung finden kann und dass es das auch wirklich tun wird.
Für das Sortierproblem gibt es etliche, sogar Dutzende Verfahren, die genau das leisten. Und viele davon haben Sie garantiert heute schon verwendet, ohne es zu wissen. Wenn Sie heute schon E-Mails gelesen haben, dann wurden diese für Sie sortiert, z. B. nach dem Datum, an dem Sie sie erhalten haben. Als Sie auf eine E-Mail geantwortet haben, wurde Ihre Antwort in viele kleine Päckchen unterteilt und über das Internet an den Empfänger oder die Empfängerin gesendet – und dort zuerst sortiert und dann wieder zusammengesetzt. Ihre favorisierte Social-Media-Plattform hat für Sie Einträge von anderen bewertet und dann so sortiert, dass Sie möglichst lange auf der Plattform bleiben.
B wie Big Data Aber genau da fängt jetzt auch schon die Frage an: Die Sortierung an sich mag fehlerlos sein, aber wie genau kommen denn die Bewertungen auf den Social-Media-Plattformen oder die Bewertungen der Kreditwürdigkeit zustande? Und hier betreten wir nun den Bereich von Big Data und der »Computerintelligenz«: Gerade auf Social-Media-Plattformen werden den ganzen lieben Tag lang Informationen mitgeloggt, d. h. digital gespeichert: Was haben Sie angeklickt, wie lange war der Post auf dem Bildschirm zu sehen, haben Sie interagiert mit dem Post, also ihn beispielsweise weitergeleitet oder geliket? Über welche Vorschläge haben Sie drübergescrollt oder draufgeklickt, sind aber sofort wieder zurückgesprungen? All diese Informationen werden interpretiert als »Interesse« oder »Desinteresse«. Dabei muss natürlich ein Klick auf einen Link oder Post im Einzelfall nicht viel bedeuten: Vielleicht haben Sie sich verklickt oder wollten einem Freund etwas zeigen, das ihn interessiert. Oder Ihre Freundin hat Ihnen etwas geschickt, das Sie nur aus Höflichkeit ihr gegenüber anklicken. Die Idee ist aber, dass in der riesigen Datenmenge, die dabei entsteht, Sie doch meistens die Themen anklicken und sich mit den Posts beschäftigen, die Sie interessieren. Und das ist genau die Idee von »Big Data«: Daten zu verwenden, die quasi »nebenbei« anfallen, die im Einzelfall auch nicht unbedingt interessant sein müssen, aber in der Summe statistisch auswertbar sind und dann interessante Muster aufweisen könnten. Zusätzlich könnten diese Daten auch noch von verschiedenen Plattformen oder anderer Internetnutzung zusammengezogen werden.
Insgesamt versteht man unter »Big Data« die Nutzung von sehr großen Datenmengen, die statistisch ausgewertet werden, weil sie im Einzelfall fehlerhaft oder nicht sehr aussagekräftig sind. Die Aspekte der Vielfältigkeit der Datenquellen und der großen Geschwindigkeit, mit der die Daten anfallen, werden auch häufig noch genannt.
C wie Computerintelligenz Dass es immer mehr dieser Daten gibt, hat in den letzten 30 Jahren dazu geführt, dass die Methoden des sogenannten »maschinellen Lernens« immer populärer wurden. Das maschinelle Lernen gehört zur Künstlichen Intelligenz und führt zu den vielen Erfolgen, die es in den letzten Jahren gab: Zum Beispiel basieren Sprachassistenten wie Siri oder Alexa auf maschinellem Lernen, genauso wie das Übersetzerprogramm der deutschen Softwarefirma DeepL und der Chatbot ChatGPT, der Ende 2022 viel von sich reden machte. Der Begriff Künstliche Intelligenz ist dabei mehrfach besetzt: Auf der einen Seite meint man damit das Forschungsfeld, das Methoden entwickelt, um Computer Dinge machen zu lassen, für die Menschen Intelligenz brauchen würden. Auf der anderen Seite nennt man die Methoden selbst auch manchmal »Künstliche Intelligenz«. Und nicht zuletzt, als wäre nicht alles schon verwirrend genug, nennt man insbesondere auch die Software, die diese Methoden verwendet, ebenfalls »Künstliche Intelligenz«.
Das Forschungsfeld ist jedenfalls schon ziemlich alt: In den 1950ern waren einige Wissenschaftler sehr optimistisch, dass mit der beginnenden Digitalisierung die Computer schnell in der Lage sein sollten, menschliche Sprache, menschliche Sichtweisen und menschliches Denken zu verstehen. Die Methoden, die zuerst entwickelt wurden, waren dabei oft regel- und wissensbasiert, d. h., man versuchte, das Wissen der Welt in computerverdaulicher Weise darzustellen. Dieser Weg führte aber insbesondere im Bereich Sprachverständnis und Bilderkennung nicht zu den gewünschten Ergebnissen; in den Jahren, die dem ersten Hype um Künstliche Intelligenz folgten, machte sich daher Enttäuschung über die neue Technologie breit. Insbesondere in den 1980ern wurden dann neue Methoden entwickelt, die es dem Computer ermöglichen sollten, selbst Muster in Daten zu finden. Man versucht es also mit einem Paradigmenwechsel: Anstatt dass wir Menschen dem Computer sagen, welche Muster es in unserer Welt gibt, zeigen wir ihm einfach viele Beispiele und lassen den Computer mit statistischen Methoden selbst herausfinden, was es zu entdecken gibt.
In den 1980ern und 1990ern waren dann zwei weitere Hindernisse aufgetaucht: zu wenige verfügbare digitale Daten und zu langsame Hardware. Dadurch konnten einige sehr rechenintensive Ideen nicht verwirklicht werden. Heute kommen diese Methoden zu neuem Glanz, weil sich sowohl die Hardware als auch die Software massiv verbessert hat.
Mich erstaunt es immer wieder, wie gut diese Methoden funktionieren, denn im Wesentlichen gibt man der Maschine viele Beispiele und sie zählt aus, wie oft welche Eigenschaften zusammen auftreten. Natürlich sind die Methoden dafür sehr unterschiedlich und es wird nicht immer direkt gezählt und statistisch ausgewertet, aber am Ende ist jede Methode darauf ausgelegt, Gruppen zu identifizieren, die sich ähnlich verhalten. Das heißt, alle diese Methoden beruhen darauf, sogenannte Korrelationen zu finden, eine statistische Häufung, also Dinge, die oftmals gleichzeitig auftreten. Um bei dem Beispiel mit den Social-Media-Plattformen zu bleiben: Wenn Sie immer wieder auf Posts klicken, die mit Fußball zu tun haben, wird das System dieses Thema damit verknüpfen, dass, Sie das vermutlich anklicken werden. Ob Sie sich nun wirklich dafür interessieren, oder das beispielsweise nur machen, um mit den Kollegen in der Mittagspause ein Gesprächsthema zu haben, weiß die Maschine nicht. Aber die Maschine kann lernen, dass Sie immer wieder auf Posts mit bestimmten Stichwörtern reagieren und auf andere nicht.
Dabei versucht die Maschine, das »bestmögliche« Muster zu finden. Dazu benötigt ein Entwicklungsteam erst einmal eine Idee, wie man die Muster bewerten kann. Zum Beispiel hatte YouTube vor Jahren versucht, die Anzahl der Stunden, die Nutzer auf der Plattform verbringen, auf über eine Milliarde zu bringen – One Billion Hours war das Ziel.[9] Ein Empfehlungsalgorithmus war in diesem Sinne also besser als der andere, wenn er Leute dazu brachte, mehr Stunden auf der Plattform zu verbringen. Simpel! Mit Methoden des maschinellen Lernens wird der Computer trainiert, das zu verstärken, was Menschen länger an die Plattform bindet, und das zu unterlassen, was Menschen dazu führt, aus- oder wegzuschalten.
Die wichtigste Erkenntnis über diese Methoden des maschinellen Lernens besteht für mich darin, dass es bei den allermeisten von ihnen keine Garantie gibt, dass ein »bestmögliches« Muster gefunden wird. Die Methode findet ein Muster, aber wir wissen nicht, ob die »Wirklichkeit in den Daten« nicht viel besser durch ein anderes Muster beschrieben worden wäre.
Um diese beiden Arten von Verfahren zu unterscheiden, verwende ich zwei verschiedene Wörter: Algorithmus nur für solche Verfahren, die wirklich die bestmögliche Lösung finden, und Heuristik für solche Verfahren, die versuchen, etwas zu optimieren und dabei definitiv eine Lösung finden, aber nicht notwendigerweise die beste.
Heuristiken verwenden wir als Menschen insbesondere dann, wenn die Umwelt komplex ist, es aber vorteilhaft wäre, sie besser zu verstehen. Bauernregeln sind dafür gute Beispiele: Das sind Regeln, die Landwirte gebildet haben, die Generation für Generation das Wetter und dessen Einfluss auf die Ernte auf ihren Feldern betrachtet haben und versucht haben, das mit dem Wetter im Jahr davor oder im aktuellen Jahr zu »korrelieren«, also Muster zu finden. Eine bekannte Bauernregel ist die folgende: »Das Wetter am Siebenschläfertag sieben Wochen bleiben mag.« Sie ist sogar erstaunlich treffsicher: Die Siebenschläferregel wurde vom Meteorologen Karsten Brandt anhand von Datenarchiven überprüft und sie stimmt für manche Landstriche in Deutschland sogar an neun von zehn Tagen. Dabei gilt es zu beachten, dass 1582 von Papst Gregor XIII. zehn Tage aus dem Kalender gestrichen wurden. Der Siebenschläfertag ist also heute nicht mehr am 27.6., sondern am 7.7.[10] Andere Bauernregeln passen laut Brandts Untersuchung nicht oder vielleicht auch einfach nicht mehr: Die Regel »Gibt’s im April mehr Regen als Sonnenschein, wird warm und trocken der Juni sein« erfüllte sich an den meisten Orten in Deutschland in weniger als der Hälfte der Fälle.
Und was ist nun eine Heuristik? Der bekannte Entscheidungsforscher Gerd Gigerenzer schreibt, dass der Begriff Heuristik für ihn beim Menschen die Kunst bezeichne, »gute Lösungen in Situationen von Ungewissheit zu finden«.[11] Abbildung 1 zeigt zum Beispiel eine menschliche Heuristik für Labyrinthe. Wenn Sie in der Zukunft einmal in einem Maisfeldlabyrinth stehen, dann finden Sie mit der sogenannten »Rechten-Hand-Regel« wieder heraus. Dazu legen Sie die rechte Hand an die Pflanzenmauer und laufen los. Wenn Sie immer in Kontakt mit den Pflanzen bleiben, müssen Sie irgendwann am Ausgang wieder herauskommen – es geht nicht anders. Auf der Abbildung ist diese Strecke mit gestrichelten Linien gezeigt. Die Abbildung verdeutlicht aber auch, dass es für das gezeigte Labyrinth eine deutlich kürzere Strecke gegeben hätte. Die können Sie aber nur erkennen, wenn Sie eine Drohne dabeihätten, die ihnen die Lage von oben zeigt. Für diese Situation, in der Sie alle Informationen haben, gibt es dann sogar einen Algorithmus, der ihnen den bewiesenermaßen kürzesten Weg berechnet. Die Rechte-Hand-Regel ist dagegen eben nur eine Heuristik, die eine Lösung findet, aber nicht notwendigerweise die beste.
Abbildung 1: Wie findet man im Labyrinth einen Weg nach draußen? Der Algorithmus, der in Navigationsgeräten verwendet wird, findet den kürzesten Weg (durchgehende Linie). Die im Text beschriebene »Rechte-Hand-Regel« ist dagegen nur eine Heuristik – sie findet einen Weg, aber nicht notwendigerweise den kürzesten. Methoden des maschinellen Lernens, die für Künstliche Intelligenz oft verwendet werden, sind fast alles nur Heuristiken, keine Algorithmen.
Die Definition von Gigerenzer, dass eine Heuristik eine »gute Lösung in Situationen von Ungewissheit« findet, passt auch für informatische Problemlösung aus meiner Sicht einigermaßen, allerdings mit einer Einschränkung: Mit echten Ungewissheiten – also Aspekten, die zur Zeit der Entscheidungsfindung wirklich unbekannt sind –, kann die Maschine nicht umgehen. Software braucht immer eine klar definierte Menge an Eingaben und sie muss vorher wissen, wie die Berechnung dann aussieht. Eine Multiplikation braucht zum Beispiel zwei Zahlen, da kann man nicht einfach eine weglassen. Eine Kreditwürdigkeitsberechnung benötigt zum Beispiel den Schufa-Score, das aktuelle Gehalt, die Länge des Arbeitsvertrages etc. Solange eine dieser Informationen fehlt, kann die Rechnung nicht durchgeführt werden. Ein Mensch kann auch in Situationen mit viel Ungewissheit und in Situationen, die er so nie gesehen hat, noch eine Lösung finden.
Eine informatische Heuristik benötigt sehr viel stärker festgezurrte Informationen als der Mensch: Es muss vorher genau festgelegt werden, auf welcher Basis die Berechnung der Heuristik stattfindet. Ein spontaner Wechsel oder eine Reaktion auf fehlende Informationen ist nicht möglich.
Bei informatischen Heuristiken handelt es sich daher um Entscheidungsregeln, die für ein vorher klar definiertes Problem eine Lösung finden, indem intelligent geraten wird. Die Intelligenz liegt dabei beim Programmierteam, das versucht, Strukturen zu erkennen, die eine Lösung hoffentlich besser machen als eine andere.
Stellen Sie sich vor, Sie wollen eine Reihe von Städten auf einer möglichst kurzen Rundtour besichtigen. Die Idee einer Heuristik könnte nun darin bestehen, dass man bei einer beliebigen Stadt startet und von dort aus immer die nächstgelegene Stadt besucht, die man noch nicht gesehen hat. Das kann zu einer guten Lösung führen, muss aber nicht die wirklich allerkürzeste finden. Solche Beweise führen wir Informatiker meistens anhand von etwas künstlich wirkenden Beispielen und nicht mit wirklichen Städten. Aber das ist egal: Es soll ja nur demonstrieren, dass dieses Verfahren nicht notwendigerweise die optimale Rundreise findet – und dazu genügt ein einzelnes Gegenbeispiel. Ich habe eine solche künstliche Situation in Abbildung 2 dargestellt. Die Städte, die durchfahren werden sollen, sind dieses Mal nur mit Buchstaben bezeichnet und ich stelle mir vor, dass Verbindungen zwischen Städten auf derselben Ebene etwas länger als einen Kilometer lang sind, z. B. 1 km und 1 mm, und die diagonalen Linien jeweils genau einen Kilometer lang sind (Abbildung 2 [1]). Die Heuristik, die immer die kürzeste Verbindung verwendet, läuft daher lieber entlang der diagonalen als der waagerechten Linien. Das führt dazu, dass wir von A nach B nach C und so weiter laufen, bis wir zur Stadt O kommen. Von da müssen wir dann zurück nach A laufen, um die Rundreise zu vollenden (Abbildung 2 [2]). Dabei kommen wir durch Städte, die wir schon gesehen haben. Das ist erlaubt, erhöht aber die Länge der Strecke auf etwas mehr als 20 km (20 km und 7 mm). Die kürzeste Strecke nimmt in Kauf, dass viele einzelne Strecken etwas länger sind, dafür aber keine Stadt doppelt auf der Route liegt (Abbildung 2 [3]): Damit kommen wir auf etwas mehr als 15 km (15 km und 13 mm).
Abbildung 2: Wie gut schneidet die Rundreisenheuristik ab? Das Beispiel zeigt Städte A bis 0, wobei Städte, die diagonal miteinander verbunden sind, nur 1 km auseinanderliegen, waagerecht verbundene liegen 1 km und 1 mm auseinander. Die Heuristik bevorzugt die diagonalen Strecken, muss dann aber von der letzten Stadt 0 bis nach A zurücklaufen. Die optimale Strecke nimmt etwas längere Teilstrecken in Kauf, verkürzt damit aber die Gesamtlänge.
Damit habe ich jetzt bewiesen, dass das Verfahren nur eine Heuristik und kein Algorithmus ist, weil sie die beste kürzeste Strecke nicht finden kann. Es gibt zudem auch keinen Hinweis darauf, wie gut die jeweils gefundene Lösung im Vergleich zur optimalen Lösung ist.
Tatsächlich gibt es viel mehr Heuristiken als Algorithmen: Für die meisten Optimierungsprobleme, also solche, bei denen man versucht, eine bestmögliche Lösung zu finden, kennen wir heute nur Heuristiken oder völlig unbrauchbare Algorithmen. Wie sähe so ein unbrauchbarer Algorithmus aus? Natürlich könnte man einfach alle möglichen Rundreisen aufzählen, die Länge berechnen und sich dann die kürzeste davon merken und als Lösung ausgeben. Die Herausforderung besteht dann darin, dass es so enorm viele mögliche Lösungen gibt: Für das Rundreiseproblem sind das bei 20 Städten über 60 Billiarden (!) und bei 21 Städten sind es schon 1 216 Billiarden Lösungen, die durchgesucht werden müssten, um wirklich verlässlich die allerbeste Rundreise zu finden.
Das ist also ein wirklich wichtiger Punkt: Algorithmen berechnen erwiesenermaßen die korrekte Lösung eines klar definierten mathematischen Problems, z. B. die Sortierung von Dokumenten nach Abgabedatum. Wenn es um ein Optimierungsproblem geht, also ein Problem, das viele Lösungen hat, die aber unterschiedlich gut sind, berechnet ein Algorithmus bewiesenermaßen die beste Lösung. Für die Fahrt von Hamburg nach München gibt es beispielsweise viele Wege, aber ein Algorithmus findet darunter die kilometermäßig kürzesten Wege.
Leider kennen wir für die allermeisten Optimierungsprobleme keine Algorithmen, die schnell genug arbeiten. Es ist unbrauchbar, einfach alle möglichen Lösungen nach der mit dem besten Wert zu durchsuchen, da es einfach zu viele mögliche Kombinationen gibt. Daher müssen wir Heuristiken einsetzen, die nicht notwendigerweise die beste Lösung finden, aber oftmals gute oder sogar sehr gute Lösungen finden.
Die Methoden des maschinellen Lernens, deren Leistung heute so beeindruckend und unerwartet ist, gehören fast alle zu denjenigen, für die wir keine schnellen Algorithmen kennen, sondern nur Heuristiken. Das heißt, wir können uns die Lösung, die die Maschine gefunden hat, nur im Nachhinein ansehen und bewerten. Diese Lösung nennt man meistens ein »statistisches Modell«, denn mehr ist es nicht: In diesem Modell sind die Korrelationen, die die maschinelle Lernmethode identifiziert hat, enthalten, um damit Entscheidungen zu treffen. Eine »Korrelation« ist dabei eine statistische Auffälligkeit, ein häufiges gemeinsames Auftauchen von zwei Beobachtungen: Die Bauernregeln drücken Dinge aus, die die Bauern über die Jahrhunderte oftmals gemeinsam wahrgenommen hatten oder von denen sie das Gefühl hatten, dass sie oft gemeinsam auftreten: Zum Beispiel eben das Wetter am Siebenschläfertag und das Wetter in den darauffolgenden Wochen. Eine Korrelation muss nicht viel bedeuten, selbst wenn man sie oft beobachtet. Es kann – muss aber nicht – sein, dass das eine der Grund für das andere ist, also eine Kausalität besteht. Auch dafür ist die Bauernregel ein gutes Beispiel: Das Wetter am Siebenschläfertag ist nicht der Grund für das Wetter in den nächsten Wochen. Es ist ein Indikator, etwas, das man beobachten kann, für eine Großwetterlage, die in dieser Zeit des Jahres mit hoher Wahrscheinlichkeit stabil bleibt. Daher haben Sie sicherlich auch schon einmal den Spruch gehört:
Korrelation ist nicht gleich Kausalität: Nur weil wir etwas oft gemeinsam beobachten, muss nicht das eine der Grund für das andere sein.
Aber eigentlich hoffen wir, dass die Maschine irgendwie schlauer ist als wir und Gründe für Dinge findet, die wir bisher nicht verstanden haben. Wir wünschen uns von ihr belastbare Fakten und kausale Zusammenhänge.
Die Methoden des maschinellen Lernens unterscheiden sich darin, wie genau sie diese »Korrelationen«, also gleichzeitig oft beobachtbare Eigenschaften, in den gezeigten Beispielen finden und wie sie die abspeichern.
Die Beispiele, die man der Maschine zeigt, nennt man dabei den Trainingsdatensatz, das Lernen von den Beispielen nennt man Training und die Struktur, in der die Korrelationen für spätere Nutzung gespeichert werden, nennt man das statistische Modell. Warum? Nun, die Maschine hat sich anhand der vorliegenden Daten und mithilfe der jeweiligen Methode ein Bild von der Situation gemacht. Weil die Beispiele nur einen Ausschnitt der Welt darstellen, weil die Informationen über die Beispiele ebenfalls nur einen Ausschnitt aus der Komplexität repräsentieren und weil die Methode keine Kausalitäten identifizieren kann, sondern nur statistische Auffälligkeiten, ist das Resultat eben auch nur ein Modell für die Welt, aber stellt nicht notwendigerweise auch Fakten dar.
Statistische Modelle können in ganz verschiedenen Formen daherkommen: Das kann zum Beispiel einfach eine Formel sein, die direkt eine Wahrscheinlichkeit ausrechnet. Solche einfachen Ansätze wurden zu Beginn auch für die Kreditwürdigkeitsvorhersage genutzt – dabei wird die Art der Formel vorgegeben und natürlich auch, welche Eigenschaften von Personen zu berücksichtigen sind. In diesen Formeln sind Zahlen enthalten, die die Eigenschaften gewichten – man nennt sie daher auch Gewichte oder Parameter. Bei einem einfachen Durchschnitt werden beispielsweise alle Eingangswerte gleich stark gewichtet, bei den Abiturnoten zählen aber Leistungsnoten meistens mehrfach in der Gesamtnote. Das sind einfache Beispiele dafür, wie man durch Gewichten von Eingangszahlen das Ergebnis beeinflussen kann. Bei Methoden des maschinellen Lernens bekommt die Maschine Beispiele, die jeweils Eigenschaften haben und versucht zu bestimmen, wie es welche Eigenschaft gewichten muss, damit das Ergebnis dem Kreditrisiko entspricht.
Die Maschine »lernt« dann anhand der Beispiele, wie stark welche Eigenschaft zu gewichten ist, und dabei insbesondere, ob eine Eigenschaft einer Kreditnehmerin oder eines Kreditnehmers das Kreditrisiko eher erhöht oder senkt.
Bei diesen Formeln und den Methoden, die sie berechnen, handelt es sich um so einfache statistische Modelle, dass manche sogar noch durch Algorithmen berechnet werden können – man bekommt also definitiv »die am besten passenden« Gewichte berechnet. Nun fragen Sie sich vielleicht: Warum nimmt man die dann nicht immer? Das liegt in der Einfachheit der Formel begründet: Diese macht eine sehr grobe Annahme, nämlich, dass jede Eigenschaft die Kreditwürdigkeit unabhängig von den anderen Eigenschaften beeinflusst und dies auch nur in einer ganz einfachen Beziehung: »je mehr, desto mehr« oder »je mehr, desto weniger«. Das heißt: Die Maschine würde zum Beispiel annehmen, dass mehr Einkommen immer zu einer besseren Kreditwürdigkeit führt. Oder dass mehr Kinder zu einer schlechteren Kreditwürdigkeit führen: Das eine würde positiv gewichtet, das andere negativ. Wenn es wirklich so wäre, dann könnte diese Methode vielleicht eingesetzt werden und dann würde es uns helfen, dass es einen Algorithmus zur Berechnung der »besten« Gewichte gibt. Das würde die Vertrauenswürdigkeit des entstehenden Modells erhöhen. Aber natürlich gibt es auch Personen mit viel Geld, die sich einfach übernehmen und dann insolvent werden – wie man an dem ein oder anderen Sportler oder Medienstar sieht. Und ebenso natürlich gibt es hochkarätige Spezialisten, die jeweils nur für wenige Jahre bei einer Firma als Berater tätig sind, somit keine langfristigen Arbeitsverträge vorweisen können und trotzdem kreditwürdig sind. Meistens wirken mehrere dieser Eigenschaften zusammen und stehen in Abhängigkeit voneinander. Die Welt folgt eben in den allermeisten Fällen keinen simplen, linearen »Je mehr, desto mehr«-Regeln: Die Welt ist stattdessen nicht linear und komplex.
