Die Neubewertung der Fairness von künstlicher Intelligenz durch die Optimierung des sozialen Wohlergehens

Da künstliche Intelligenz-Systeme immer weitverbreiteter und leistungsfähiger werden, ist die Frage, wie man sie fair und gerecht macht, zu einer der größten Herausforderungen geworden. Von Kreditvergaben und Einstellungen bis hin zu Gesundheitsversorgung und Strafjustiz kontrollieren künstliche Intelligenz-Algorithmen nun das Leben und die Existenz von Einzelpersonen und Gemeinschaften. Oftmals funktionieren diese Algorithmen auf eine Weise, die unsichtbar, unzurechnungsfähig und manchmal sogar voreingenommen gegenüber historisch benachteiligten Gruppen sind.

Als Reaktion auf diese Bedenken haben sich eine Gemeinschaft von Forschern, Praktikern und politischen Entscheidungsträgern zusammengetan, um “faire” künstliche Intelligenz-Systeme zu entwickeln, die jeden gleich behandeln und gesellschaftliche Ungleichheiten nicht aufrechterhalten oder verstärken. Der dominierende Ansatz zur Formalisierung und Operationalisierung von Fairness in künstlicher Intelligenz ist die Verwendung von “statistischen Paritätsmetriken”, die darauf abzielen, bestimmte Leistungsmerkmale wie Auswahlraten oder Fehlerraten über geschützte Gruppen hinweg zu equalisieren.

Allerdings haben diese paritätsbasierten Konzepte von Fairness, obwohl sie in der künstlichen Intelligenz-Gemeinschaft weit verbreitet sind und angenommen wurden, auch zunehmende Kritik von Gelehrten erfahren, die argumentieren, dass sie konzeptionell fehlerhaft, praktisch begrenzt und potenziell kontraproduktiv sind. Sie argumentieren, dass die bloße Equalisierung statistischer Ergebnisse zwischen Gruppen nicht ausreicht, um eine substantielle Fairness zu erreichen, da sie die tatsächlichen Wohlfahrtsauswirkungen von künstlichen Intelligenz-Entscheidungen auf Einzelpersonen und Gemeinschaften ignoriert.

In einem neuen Artikel in den CPAIOR 2024-Proceedings schlagen ein Team von Forschern der Carnegie Mellon University und der Stevens Institute of Technology einen alternativen Ansatz zur Fairness in künstlicher Intelligenz vor, der auf der Optimierung des sozialen Wohlergehens basiert. Unter der Leitung von John Hooker, Professor für Operationsforschung an der Carnegie Mellon University, verwenden die Autoren die bekannte soziale Wohlfahrtsfunktion “Alpha-Fairness”, um die Einschränkungen und blinden Flecken der populären statistischen Paritätsmetriken wie demographische Parität, gleichberechtigte Chancen und prädiktive Rate-Parität zu untersuchen.

Ihre Ergebnisse zeigen, dass diese Paritätsmetriken oft nicht mit den Grundsätzen der Verteilungsgerechtigkeit wie der Priorisierung der Benachteiligten oder der gerechten Verteilung von Nutzen und Lasten übereinstimmen. In vielen Fällen ist die Alpha-faire Lösung weit von der Paritätslösung entfernt, so dass diese Metriken zu künstlichen Intelligenz-Systemen führen können, die sowohl aus Effizienz- als auch aus Gerechtigkeitsperspektive suboptimal sind.

Dies hat große Auswirkungen auf das Feld der künstlichen Intelligenz-Ethik und die Bemühungen, maschinelle Lernsysteme zu entwickeln, die menschliche Werte und soziale Gerechtigkeit respektieren. Es bedeutet, dass wir einen umfassenderen und nuancierteren Ansatz zur algorithmischen Fairness benötigen, der über statistische Metriken hinausgeht und die moralischen Kompromisse der künstlichen Intelligenz in hochriskanten Bereichen angeht: die Optimierung des sozialen Wohlergehens.

Das Verständnis der sozialen Wohlfahrtsoptimierung

Im Kern ist die soziale Wohlfahrtsoptimierung ein völlig anderer Ansatz, um Fairness in künstlicher Intelligenz zu denken und zu operationalisieren. Anstatt sich eng auf die Equalisierung bestimmter Metriken zwischen Gruppen zu konzentrieren, geht sie einen Schritt zurück und betrachtet die breiteren gesellschaftlichen Auswirkungen von künstlichen Intelligenz-Entscheidungen auf menschliches Wohlbefinden und Wohlergehen.

Die Idee ist, künstliche Intelligenz-Systeme zu entwerfen, die explizit darauf abzielen, eine soziale Wohlfahrtsfunktion zu maximieren, die die Nutzen (d. h. Vorteile und Kosten) aller betroffenen Einzelpersonen in einem einzigen Maß des sozialen Gutes aggregiert. Nach diesem Ansatz können künstliche Intelligenz-Praktiker Algorithmen entwickeln, die diese konkurrierenden Ziele ausbalancieren, indem sie eine soziale Wohlfahrtsfunktion spezifizieren, die moralische Urteile über die relative Bedeutung von Effizienz und Gerechtigkeit widerspiegelt.

Die soziale Wohlfahrtsoptimierung hat ihre Wurzeln in der Wohlfahrtsökonomie, die eine lange Geschichte der Auseinandersetzung mit Verteilungsgerechtigkeit und kollektiver Entscheidungsfindung hat. Ökonomen und Philosophen haben verschiedene soziale Wohlfahrtsfunktionen vorgeschlagen, die unterschiedliche ethische Prinzipien und Werturteile widerspiegeln, wie Utilitarismus (Maximierung der Summe der Nutzen), Prioritarismus (mehr Gewicht auf Nutzengewinne für die Benachteiligten) und Egalitarismus (Minimierung der Ungleichheit).

In den letzten Jahren haben eine wachsende Zahl von künstlichen Intelligenz-Forschern begonnen, die soziale Wohlfahrtsoptimierung als Möglichkeit zu erkunden, Fairness in maschinelle Lernsysteme zu integrieren. Diese Arbeit baut auf Artikeln wie “Algorithmische Entscheidungsfindung und die Kosten der Fairness” von Heidari et al. und Corbett-Davies und Goel auf, die erstmals die Idee vorschlugen, soziale Wohlfahrtsfunktionen zu verwenden, um die differenzielle Auswirkung von künstlichen Intelligenz-Entscheidungen auf verschiedene Einzelpersonen und Gruppen zu erfassen.

Eine Möglichkeit, dies zu tun, ist die Verwendung von Alpha-Fairness, einer parametrischen Klasse von sozialen Wohlfahrtsfunktionen, die in der Ökonomie und sozialen Wahl seit 70 Jahren studiert wird. Alpha-Fairness ermöglicht es, zwischen utilitaristischen und egalitären Zielen mit einem einzigen Parameter Alpha zu interpolieren, der den Grad der Abneigung gegen Ungleichheit kontrolliert.

Wenn Alpha 0 ist, wird die soziale Wohlfahrtsfunktion auf den klassischen Utilitarismus reduziert, der die Summe der Nutzen maximiert, ohne Rücksicht auf die Verteilung. Wenn Alpha zunimmt, wird mehr Gewicht gegeben den Benachteiligten, und die Allokation wird gleichmäßiger. Im Grenzfall, wenn Alpha gegen unendlich geht, konvergiert Alpha-Fairness gegen das Rawls’sche “Maximin”-Prinzip, das die Nutzen des benachteiligtesten Einzelnen maximiert.

In ihrem CPAIOR 2024-Artikel verwenden die Forscher Alpha-Fairness als Linse, um drei populäre statistische Paritätsmetriken zu untersuchen:

• Demographische Parität
• Gleichberechtigte Chancen
• Prädiktive Rate-Parität

Sie simulieren eine Vielzahl von Szenarien, in denen ein künstliches Intelligenz-System eine begrenzte Ressource (z. B. Kredite, Vorstellungsgespräche, Bildungschancen) unter einer Bevölkerung von Einzelpersonen mit unterschiedlichen Qualifikationsraten und Nutzenfunktionen zuweisen muss.

Die Ergebnisse sind überraschend. In vielen Fällen unterscheidet sich die Alpha-faire Allokation erheblich von den Lösungen, die von den Paritätsmetriken vorgeschlagen werden.

Demographische Parität, die gleichberechtigte Auswahlraten über Gruppen hinweg erfordert, berücksichtigt oft nicht die Tatsache, dass benachteiligte Gruppen mehr marginalen Nutzen aus der Auswahl ziehen. Daher führt sie zu Allokationen, die weder effizient noch gerecht sind.

Gleichberechtigte Chancen, die Auswahlraten nur unter “qualifizierten” Einzelpersonen vergleichen, funktionieren etwas besser, aber versagen immer noch in Szenarien, in denen Falsch-Negativ-Fehler (d. h. qualifizierte Einzelpersonen werden abgelehnt) teurer sind als Falsch-Positiv-Fehler.

Prädiktive Rate-Parität, die den Anteil der ausgewählten Einzelpersonen, die qualifiziert sind, equalisiert, ist von begrenztem Nutzen und nur anwendbar, wenn die Anzahl der ausgewählten Einzelpersonen größer ist als die Anzahl der tatsächlich qualifizierten Kandidaten.

Diese Ergebnisse zeigen die grundlegenden Einschränkungen und blinden Flecken der statistischen Paritätsmetriken als primäre Möglichkeit, algorithmische Fairness zu bewerten und durchzusetzen.

Indem sie die tatsächlichen Wohlfahrtsstake von künstlichen Intelligenz-Entscheidungen und die differenzielle Auswirkung auf verschiedene Gruppen ignorieren, können diese Metriken zu Systemen führen, die bestehende Ungleichheiten aufrechterhalten oder sogar verstärken. Sie fehlen auch an normativer Rechtfertigung und Konsistenz, da unterschiedliche Paritätskriterien oft widersprüchliche Empfehlungen in der Praxis ergeben.

Im Gegensatz dazu bietet die soziale Wohlfahrtsoptimierung eine prinzipielle und einheitliche Möglichkeit, die Kompromisse zwischen Fairness und Effizienz in künstlichen Intelligenz-Systemen zu navigieren. Sie zielt darauf ab, die Werturteile und ethischen Annahmen in der Wahl der sozialen Wohlfahrtsfunktion explizit zu machen, um Entwicklern und politischen Entscheidungsträgern transparente und rechenschaftspflichtige Gespräche über die Verteilungsauswirkungen von algorithmischer Entscheidungsfindung zu ermöglichen.

Darüber hinaus hat neuere Arbeit gezeigt, dass die soziale Wohlfahrtsoptimierung leicht in den Standard-Workflow des maschinellen Lernens integriert werden kann, entweder als Post-Processing-Schritt oder direkt in das Trainingsziel selbst.

Zum Beispiel schlagen die Forscher in dem Artikel “Algorithmische Entscheidungsfindung und die Kosten der Fairness” eine Regularisierungstechnik vor, die einen sozialen Wohlfahrts-Term zum Verlustfunktion eines jeden Klassifizierungs- oder Regressionsmodells hinzufügt, damit das System faire Entscheidungsregeln lernen kann, die sowohl Genauigkeit als auch Wohlfahrt maximieren. Ustun et al. führten eine Post-Processing-Methode ein, die die Ausgabe eines vorab trainierten Modells nimmt und die wohlfahrtsmaximierenden Entscheidungen unter verschiedenen Fairness-Beschränkungen findet.

Diese technischen Ergebnisse zeigen, dass die soziale Wohlfahrtsoptimierung eine praktikable und praktische Möglichkeit ist, faire und gerechte künstliche Intelligenz-Systeme zu bauen. Entwickler können diese leistungsstarken Optimierungstechniken und Software-Pakete auf der Grundlage einer klaren und berechenbaren Ziel-Funktion verwenden, die die normativen Überlegungen dieses Rahmens widerspiegelt, um Allokationen zu finden, die konkurrierende Kriterien ausbalancieren.

Aber die vollständige Umsetzung der sozialen Wohlfahrtsoptimierung in der Praxis erfordert auch die Bewältigung einer Reihe von Herausforderungen und Einschränkungen. Eine der größten Herausforderungen ist die Schwierigkeit, individuelle Nutzenfunktionen zu ermitteln und zu konstruieren, die die komplexe, mehrdimensionale Auswirkung von künstlichen Intelligenz-Entscheidungen auf menschliches Leben erfassen. Dies erfordert eine tiefe Einbindung mit betroffenen Interessengruppen und Fachleuten, um die kontextuellen Faktoren zu verstehen, die die Präferenzen, Werte und das Wohlbefinden der Menschen prägen.

Es gibt auch theoretische und philosophische Fragen zur interpersonalen Vergleichbarkeit von Nutzen, Unsicherheit und Dynamik sowie zur Frage, wie man individuelle Nutzen in ein kollektives soziales Wohlfahrtsmaß aggregiert. Verschiedene soziale Wohlfahrtsfunktionen machen unterschiedliche Annahmen darüber, und es gibt keinen universellen Konsens darüber, was am defensibelsten oder angemessensten in einem bestimmten Kontext ist.

Darüber hinaus birgt die Optimierungsansatz die Gefahr, dass die zu maximierenden Ziele nicht alle relevanten ethischen Überlegungen erfassen oder von Voreingenommenheiten und blinden Flecken in den Daten und Modellen, die zur Schätzung von Nutzen verwendet werden, beeinflusst werden. Es ist wichtig, gut durchdachte Prozesse der Teilnehmerbeteiligung, Transparenz und Rechenschaftspflicht zu haben, um sicherzustellen, dass die Wohlfahrtskriterien optimiert werden, um mit den Werten und Prioritäten der betroffenen Gemeinschaften übereinzustimmen.

Trotz dieser Herausforderungen sind die Vorteile der sozialen Wohlfahrtsoptimierung für algorithmische Fairness zu groß, um ignoriert zu werden. Dennoch können künstliche Intelligenz-Entwickler und politische Entscheidungsträger über statistische Parität hinausgehen, indem sie einen umfassenderen und nuancierteren Ansatz zur algorithmischen Fairness verfolgen, der Fairness und Effizienz ausbalanciert.

Letztendlich wird dies zu einem umfassenderen und konsequentialistischeren Konzept von Fairness führen, das auf menschlichem Wohlbefinden und Wohlergehen basiert.

Klicken Sie hier, um zu erfahren, wie künstliche Intelligenz Authentizität gewährleisten kann. 

Der wichtigste Anwendungsfall: Fair Lending

Um das Potenzial und die Herausforderungen der sozialen Wohlfahrtsoptimierung in der Praxis zu zeigen, betrachten wir den hochriskanten Bereich des algorithmischen Kreditwesens. In den letzten Jahren haben viele Banken und Finanztechnologie-Unternehmen maschinelle Lernmodelle übernommen, um Kreditentscheidungen zu automatisieren und zu beschleunigen. Diese Modelle verwenden große Mengen an persönlichen und finanziellen Daten, um die Wahrscheinlichkeit vorherzusagen, dass ein Kreditantragsteller ausfällt, damit Kreditgeber schneller und effizientere Kreditentscheidungen treffen können.

Es gibt jedoch zunehmende Beweise dafür, dass diese algorithmischen Kredit-Systeme historische Voreingenommenheiten und Ungleichheiten im Zugang zu Krediten aufrechterhalten und verstärken. Studien haben gezeigt, dass schwarze und lateinamerikanische Kreditnehmer eher abgelehnt werden oder höhere Zinssätze als ähnlich qualifizierte weiße Kreditnehmer verlangt werden, auch wenn traditionelle Risikofaktoren wie Einkommen, Kreditscore und Beschäftigungsstatus kontrolliert werden.

Als Reaktion auf diese Bedenken können einige Kreditgeber auf statistische Paritätsmethoden wie demographische Parität und gleichberechtigte Chancen zurückgreifen, um Voreingenommenheit in ihren künstlichen Intelligenz-Kreditmodellen zu mindern. Die Idee ist, Kreditgenehmigungs- oder Ausfallraten über geschützte Gruppen hinweg zu equalisieren, damit die Modelle alle Antragsteller unabhängig von Rasse oder Ethnie gleich behandeln.

Obwohl diese paritätsbasierten Ansätze intuitiv erscheinen, erfassen sie nicht die Komplexität der Kreditwürdigkeit und die differenzielle Auswirkung von Kreditzugang auf das Wohlbefinden benachteiligter Gemeinschaften. Eine wachsende Zahl von Forschungen legt nahe, dass einfache Konzepte von Fairness, die auf der Equalisierung von Ergebnissen basieren, tatsächlich kontraproduktiv sein und den Gruppen schaden können, die sie schützen sollen.

Zum Beispiel ein Artikel von 2018 weist darauf hin, dass die Durchsetzung von demographischer Parität auf einem nutzenmaximierenden Entscheidungsprozess im Allgemeinen die Verwendung von sensiblen Variablen wie Rasse in der Modellierung und Entscheidungsfindung erfordert. Dies impliziert, dass Versuche, Paritätsbeschränkungen durch die Verwendung von Rasse nur während der Modellierung zu erfüllen, als “ungleiche Lernprozesse” bekannt, suboptimal sein werden.

Darüber hinaus ignorieren paritätsbasierte Fairnesskriterien die Tatsache, dass die Schäden durch die Ablehnung von Krediten nicht gleichmäßig über die Bevölkerung verteilt sind. Für low-income- und Minderheiten-Kreditnehmer, die historisch aus dem Mainstream-Finanzwesen ausgeschlossen waren, kann die Ablehnung eines Kredits verheerende Folgen haben, sie in Armut und schädliche Schulden zu verstricken. Für wohlhabendere und privilegierte Antragsteller wird die Ablehnung eines Kredits weniger dramatische Auswirkungen haben.

Die soziale Wohlfahrtsoptimierung bietet einen alternativen Ansatz, der die differenziellen Wohlfahrtsstake direkt in die Gestaltung fairer Kreditalgorithmen integriert. Kreditgeber können Kreditmodelle entwickeln, die das Gesamtwohl maximieren und gleichzeitig eine gerechtere Verteilung von Chancen sicherstellen, indem sie eine soziale Wohlfahrtsfunktion definieren, die die relativen Kosten und Nutzen von Kreditzugang für verschiedene Einzelpersonen und Gruppen widerspiegelt.

Zum Beispiel könnte eine soziale Wohlfahrtsfunktion, die das Wohlbefinden der benachteiligtesten Antragsteller priorisiert, mehr Gewicht auf die Nutzengewinne von low-income- und Minderheiten-Kreditnehmern legen. Dies könnte formalisiert werden, indem eine Alpha-Fairness-Funktion mit einem moderat hohen Alpha-Wert verwendet wird, was auf eine starke Präferenz für Gerechtigkeit gegenüber Effizienz hinweist.

Unter diesem sozialen Wohlfahrtsziel würde die optimale Kreditvergabepolitik wahrscheinlich die Vergabe von Krediten an benachteiligte Gruppen beinhalten, auch wenn ihre vorhergesagten Tilgungsraten im Durchschnitt etwas niedriger sind. Dies liegt daran, dass die Wohlfahrtsgewinne aus der Kreditvergabe an diese unterversorgten Gemeinschaften (z. B. ermöglichen sie es ihnen, ein Haus zu kaufen, ein Unternehmen zu gründen oder Bildung zu erhalten) die erhöhte Ausfallrisiken aus sozialer Sicht überwiegen können.

Natürlich würde die Implementierung eines solchen wohlfahrtsmaximierenden Kreditsystems in der Praxis die Überwindung erheblicher daten- und modellbezogener Herausforderungen erfordern. Kreditgeber müssten detaillierte Daten über die sozioökonomischen Merkmale und finanziellen Bedürfnisse von Kreditantragstellern sowie die nachgelagerten Auswirkungen von Kreditzugang auf ihr Wohlbefinden über Zeit sammeln. Sie müssten auch mit den betroffenen Gemeinschaften zusammenarbeiten, um sicherzustellen, dass die Wohlfahrtskriterien optimiert werden, um mit ihren Werten und Prioritäten übereinzustimmen.

Darüber hinaus können wichtige rechtliche und regulatorische Überlegungen im Zusammenhang mit der Verwendung von geschützten Gruppeninformationen (z. B. Rasse, Geschlecht, Alter) bei Kreditentscheidungen bestehen, auch wenn das Ziel die Förderung von Gerechtigkeit ist. Politische Entscheidungsträger müssten klare Richtlinien bereitstellen, wie Antidiskriminierungsgesetze im Kontext der sozialen Wohlfahrtsoptimierung anzuwenden sind, und sichere Hafen für Kreditgeber schaffen, die diese Techniken in transparenter und rechenschaftspflichtiger Weise anwenden.

Trotz der Herausforderungen lohnt es sich. Die soziale Wohlfahrtsoptimierung kann die finanzielle Inklusion vorantreiben und die Rassen-Einkommenslücke verringern, indem sie es Kreditgebern ermöglicht, mehr holistische und wohlfahrtsorientierte Kreditentscheidungen zu treffen, den Fluss von Kapital zu traditionell benachteiligten Gemeinschaften umzuleiten und sie wirtschaftlich zu stärken. Sie kann auch einen transparenteren und rechenschaftspflichtigeren Weg bieten, die Kompromisse zwischen Fairness und Effizienz im Kreditwesen zu navigieren, der auf den realen Auswirkungen auf das Leben der Kreditnehmer basiert.

Perspektive

Wie das Kreditbeispiel zeigt, ist die soziale Wohlfahrtsoptimierung eine Grenze für algorithmische Fairness, die über statistische Parität hinausgeht und zu einem umfassenderen und konsequentialistischeren Konzept von Gerechtigkeit führt, das auf menschlichem Wohlbefinden und Wohlergehen basiert.

Dieser Ansatz kann künstliche Intelligenz-Entwicklern und politischen Entscheidungsträgern helfen, mehr prinzipielle und rechenschaftspflichtige Entscheidungen über die Gestaltung und den Einsatz von algorithmischen Systemen in hochriskanten Bereichen zu treffen. Sie können dies tun, indem sie eine soziale Wohlfahrtsfunktion definieren und maximieren, die moralische Urteile über die Verteilung von Nutzen und Lasten widerspiegelt.

Allerdings erfordert die vollständige Umsetzung der sozialen Wohlfahrtsoptimierung in der Praxis viel interdisziplinäre Arbeit. Informatiker und künstliche Intelligenz-Ethiker müssen mit Ökonomen, Philosophen, Rechtsexperten und betroffenen Gemeinschaften zusammenarbeiten, um die normativen und technischen Herausforderungen der Definition und Berechnung von sozialen Wohlfahrtsfunktionen zu meistern. Dies umfasst schwierige Fragen zur interpersonalen Vergleichbarkeit von Nutzen, Unsicherheit und Dynamik sowie zur Frage, wie man individuelle Nutzen in ein kollektives soziales Wohlfahrtsmaß aggregiert.

Außerdem müssen politische Entscheidungsträger und Regulierungsbehörden mehr Richtlinien und einen Rahmen schaffen, in dem wohlfahrtsorientierte künstliche Intelligenz entwickelt und eingesetzt werden kann. Dies könnte bedeuten, bestehende Antidiskriminierungsgesetze und Vorschriften zu aktualisieren, um die Herausforderung der sozialen Wohlfahrtsoptimierung anzugehen, und neue Governance-Strukturen und Aufsichtsmechanismen für Transparenz, Rechenschaftspflicht und öffentliche Beteiligung bei der Gestaltung und dem Einsatz dieser Systeme zu schaffen.

Letztendlich muss der Übergang zur sozialen Wohlfahrtsoptimierung in künstlicher Intelligenz von umfassenderen Bemühungen begleitet werden, die zugrunde liegenden strukturellen Ungleichheiten und Machtungleichgewichte anzugehen, die die Entwicklung und den Einsatz von Technologie in der Gesellschaft prägen.

Algorithmische Fairness-Interventionen, wie gut sie auch gestaltet sein mögen, können nicht die grundlegenden Reformen ersetzen, die notwendig sind, um soziale und wirtschaftliche Gerechtigkeit zu fördern, wie Investitionen in Bildung, Gesundheitsversorgung, Wohnen und Infrastruktur in benachteiligten Gemeinschaften.

Wie Hooker und seine Kollegen in ihrem CPAIOR 2024-Artikel sagen:

“Die soziale Wohlfahrtsoptimierung bietet neue Wege, um faire und gute algorithmische Systeme zu entwerfen. Es bleibt noch viel zu tun, um diese Ansätze zu entwickeln und zu operationalisieren, aber wir denken, dass sie der Weg nach vorne für die künstliche Intelligenz-Ethik sind. Wir können zu einem umfassenderen und moralisch ernsteren Ansatz für die Entwicklung von maschinellen Lernsystemen gelangen, die der ganzen Gesellschaft dienen, indem wir unsere Konzepte von Fairness in der Sprache der Wohlfahrtsökonomie formulieren und die Verteilungsauswirkungen unserer Technologie explizit angehen.”

Insgesamt müssen wir sicherstellen, dass diese Ansätze gründlich getestet und in realen Szenarien verfeinert werden, um ein Engagement für Gerechtigkeit und gesellschaftliches Wohlbefinden zu demonstrieren.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.