3. Weitere Typen von Bias entlang des KI-Lebenszyklus

Im Verlauf des KI-Lebenszyklus können verschiedene dementsprechen verschiedene Formen von Bias auftreten. Srinivasan und Chander (2021) identifizieren mehrere solcher Verzerrungen, die in unterschiedlichen Phasen des Entwicklungsprozesses entstehen können.

Hier einige Beispiele:

Bias-Typ Beschreibung
Negative Set Bias Negative Beispiele in den Trainingsdaten sind überrepräsentiert, was die Modellleistung verzerrt.
Framing Effects Die Interpretation von Daten wird durch die Art der Präsentation beeinflusst, was zu unterschiedlichen Ergebnissen führen kann.
Confounding Bias Unbeachtete Variablen beeinflussen sowohl Eingabedaten als auch Zielvariablen und führen zu verzerrten Schlussfolgerungen.
Design-Related Bias Entscheidungen im Designprozess – bewusst oder unbewusst – können bestimmte Gruppen benachteiligen.
Human Evaluation Biases Subjektive Bewertungen durch Menschen sind von persönlichen Vorurteilen beeinflusst.
Sample Treatment Bias Unterschiedliche Behandlung von Daten während Verarbeitung oder Analyse führt zu Inkonsistenzen.
Validation & Test Dataset Biases Validierungs- oder Testdatensätze haben nicht die gleiche Verteilung wie reale Daten, wodurch die Modellbewertung verzerrt wird.

Einen Überblick über verschieden Biastypen bietet die Taxonomie von Srinivasan und Chander (2021), die hier interaktiv dargestellt ist: