Responsible AI Development: Verzerrungen erkennen und mindern in KI-Systemen

Modul 01: Was ist Bias in KI-Modellen? - Begriffsdefinition: Bias vs. Fairness vs. Diskriminierung - Typische Verzerrungen in Trainingsdaten und Algorithmen - Reale Beispiele aus Personalwesen, Kreditvergabe, Medizin - Ziel: Bewusstsein für Auswirkungen und Verantwortung Modul 02: Methoden zur Erkennung von Verzerrung - Metriken zur Fairness (z. B. Demographic Parity, Equal Opportunity) - Werkzeuge: IBM AI Fairness 360, Fairlearn - Praxisübung: Analyse eines datengestützten Scoring-Modells auf Bias - Ziel: Verzerrungen systematisch messbar machen Modul 03: Strategien zur Bias-Minderung - Preprocessing-, Inprocessing- und Postprocessing-Ansätze - Trade-offs zwischen Fairness, Genauigkeit und Transparenz - Praxisbeispiel: Anpassung eines Modells zur Chancengleichheit - Ziel: Fairness gezielt beeinflussen Modul 04: Governance, Ethik & Ausblick - Regulatorische Rahmenbedingungen (z. B. AI Act, DSGVO) - Dokumentation & Audits von KI-Modellen - Diskussion: Was bedeutet „verantwortliche KI“ in meinem Projektkontext? - Ziel: Handlungsfähigkeit für ethische KI-Entscheidungen stärken

Hinweis zum Ablauf

Trainer: Diplom-Informatiker (Univ.) mit Schwerpunkt KI, langjähriger Branchen- und Projekterfahrung

Zielgruppe

Diese Schulung richtet sich an Data Scientists, ML-Engineers, Produktverantwortliche und Entscheider:innen, die KI-Systeme fair, nachvollziehbar und diskriminierungsfrei entwickeln oder evaluieren möchten – insbesondere im regulierten oder sensiblen Umfeld.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat und digitales Badge

Teilnahmevorraussetzungen

Allgemeines Verständnis für den Aufbau und das Training von KI-Modellen (z. B. durch Berufserfahrung oder Grundlagenkurse). Programmierkenntnisse sind hilfreich, aber nicht zwingend notwendig.

Preishinweis

Durchführungskosten abhängig von der Anzahl der Teilnehmer