Künstliche Intelligenz und Vorurteilee

Was ist ein Problem bei der Verwendung von künstlicher Intelligenz, um Bewerber für Vorstellungsgespräche auszuwählen?

• Die Maschinen können nicht lesen

• Die Maschinen können keine Entscheidungen treffen

• Die Maschinen können nicht objektiv urteilen

• Die Maschinen können keine Daten verarbeiten

Was haben Forscher gezeigt, dass Sprachsysteme verstärken?

• Den Zusammenhang zwischen Krankenschwester/Krankenpfleger und Mann

• Den Zusammenhang zwischen Krankenschwester/Krankenpfleger und Frau

• Den Zusammenhang zwischen Arzt/Ärztin und Frau

• Den Zusammenhang zwischen Arzt/Ärztin und Mann

Was ist ein wichtiger Schritt, um die Fehleranalyse ernst zu nehmen?

• Zu wissen, wer von der Ungenauigkeit betroffen ist

• Zu wissen, wie die Fehler behoben werden können

• Zu wissen, wie viele Fehler gemacht wurden

• Zu wissen, welche Maschinen die Fehler gemacht haben

Was ist ein Problem bei der Verwendung von Zeitungsartikeln als Trainingsdaten für Sprachsysteme?

• Die Artikel sind zu lang

• Die Artikel sind zu kurz

• Die Artikel enthalten oft Vorurteile und Verzerrungen

• Die Artikel sind nicht relevant

Was haben Forscher gezeigt, dass künstliche Intelligenz mit positiven Begriffen assoziiert?

• Blumen und europäisch-amerikanische Vornamen

• Blumen und afroamerikanische Namen

• Insekten und europäisch-amerikanische Vornamen

• Insekten und afroamerikanische Namen

Was ist ein Beispiel für eine versteckte Vorurteil in den Trainingsdaten?

• Die Maschinen lernen, dass Katze und Kühlschrank ähnliche Konzepte sind

• Die Maschinen lernen, dass Hund und Katze verschiedene Konzepte sind

• Die Maschinen lernen, dass Hund und Kühlschrank ähnliche Konzepte sind

• Die Maschinen lernen, dass Hund und Katze ähnliche Konzepte sind

Was ist ein Beispiel für eine versteckte Vorurteil in den Trainingsdaten?

• Die Maschinen lernen, dass Kunst mehr mit Männern assoziiert ist

• Die Maschinen lernen, dass Mathematik und Wissenschaft mehr mit Männern assoziiert sind

• Die Maschinen lernen, dass Kunst mehr mit Frauen assoziiert ist

• Die Maschinen lernen, dass Mathematik und Wissenschaft mehr mit Frauen assoziiert sind

Was ist ein Beispiel für eine versteckte Vorurteil in den Trainingsdaten?

• Die Maschinen lernen, dass europäisch-amerikanische Vornamen mit negativen Begriffen assoziiert sind

• Die Maschinen lernen, dass afroamerikanische Namen mit positiven Begriffen assoziiert sind

• Die Maschinen lernen, dass europäisch-amerikanische Vornamen mit positiven Begriffen assoziiert sind

• Die Maschinen lernen, dass afroamerikanische Namen mit negativen Begriffen assoziiert sind

Was ist ein Beispiel für eine versteckte Vorurteil in den Trainingsdaten?

• Die Maschinen lernen, dass männliche Namen semantisch näher an Karrierebegriffen assoziiert sind

• Die Maschinen lernen, dass weibliche Namen semantisch näher an Familie assoziiert sind

• Die Maschinen lernen, dass weibliche Namen semantisch näher an Karrierebegriffen assoziiert sind

• Die Maschinen lernen, dass männliche Namen semantisch näher an Familie assoziiert sind