Fairness und Privacy in Machine-Learning-Systemen

Die Öffentlichkeit beginnt, die Auswirkungen von ML-basierter Entscheidungsfindung zu erkennen. Nicht nur deswegen ist es wichtig, nicht-funktionale Eigenschaften wie Fairness oder Datenschutz zu berücksichtigen. Wie können wir sicherstellen, dass ML-basierte Entscheidungen „fair“ und ohne Bias getroffen werden? Gleichzeitig ist das Testen ML-basierter Software ein noch offenes Feld ohne etablierte Best-Practices. Was können wir tun, um diesen Herausforderungen zu begegnen? Und was genau macht ML-Tests in laufenden Systemen eigentlich so kompliziert?