Fingerprint

The piece of text below is a shortened, hashed representation of this content. It's useful to ensure the content hasn't been tampered with, as a single modification would result in a totally different value.

Value: 7c66d150b8125df782b382d01840be431c2ed4759fdaa3fb97d997b21193634f

Source: {"body":{"de":"Diese These wurde im Rahmen der CoFoE-Veranstaltung \"Die Zukunft der KI in Sachsen und Europa\" erstellt.\n\nDie EU sollte Regeln aufstellen, die gewährleisten, dass Künstliche Intelligenz (KI) diskriminierungsfrei ist. Dazu braucht es einfach überprüfbare Regeln für diskriminierungsfreie Datensätze.\n\nUm KI zu entwickeln, muss dem Algorithmus ein anfänglicher Datensatz zum sogenannten \"Anlernen\" zur Verfügung gestellt werden. Auch wenn das Lernen der KI nie aufhört, so ist die Anfangsphase entscheidend für ihre spätere Ausrichtung. Ist der anfängliche Datensatz nämlich einseitig, d.h. enthält er Diskriminierungen, entscheidet auch die KI einseitig, also diskriminierend. \n\nEin Beispiel: Eine KI soll über Kreditwürdigkeit entscheiden. Durch den ursprünglichen Datensatz wurde der KI beigebracht, dass Menschen mit arabisch klingendem Namen nicht kreditwürdig sind, obwohl sie formal allen Anforderungen für einen Kredit genügen. Die KI diskriminiert also während ihrer Arbeit eine Gruppe Menschen, weil ihr ursprünglicher Datensatz Einseitigkeiten und Diskriminierung enthielt.\n\nUm dem vorzubeugen, muss die EU klare und einfach überprüfbare Regeln für diskriminierungsfreie Datensätze festlegen.","machine_translations":{"bg":"Тази теза беше разработена като част от проявата на CoFoE „Бъдещето на ИИ в Саксония и Европа“. ЕС следва да установи правила, за да гарантира, че изкуственият интелект (ИИ) е недискриминационен. Това изисква лесно проверими правила за недискриминационните масиви от данни. За да се разработи ИИ, на алгоритъма трябва да бъде предоставен първоначален набор от данни за т.нар. „учене“. Въпреки че ученето в областта на ИИ никога не спира, началната фаза е от решаващо значение за по-късната му ориентация. Ако първоначалният набор от данни е едностранен, т.е. съдържа дискриминация, ИИ също взема едностранно решение, т.е. дискриминационно. Пример: ИИ следва да взема решения относно кредитоспособността. Оригиналният набор от данни научи ИИ, че хората с арабски звучещи имена не са кредитоспособни, въпреки че официално отговарят на всички изисквания за заем. Поради това ИИ дискриминира група хора по време на своята работа, тъй като първоначалният му набор от данни съдържа едностранност и дискриминация. За да се предотврати това, ЕС трябва да установи ясни и лесно проверими правила за недискриминационните масиви от данни.","cs":"Tato práce byla vyvinuta v rámci akce CoFoE „Budoucnost umělé inteligence v Sasku a Evropě“. EU by měla stanovit pravidla, která zajistí, aby umělá inteligence byla nediskriminační. To vyžaduje snadno ověřitelná pravidla pro nediskriminační soubory údajů. V zájmu vývoje umělé inteligence musí být algoritmus poskytnut počáteční soubor dat pro tzv. „učení“. Ačkoli učení se umělé inteligenci nikdy nezastaví, počáteční fáze má zásadní význam pro její pozdější orientaci. Pokud je původní datový soubor jednostranný, tj. obsahuje diskriminaci, rozhoduje umělá inteligence rovněž jednostranně, tj. diskriminační. Příklad: O úvěruschopnosti by měla rozhodovat umělá inteligence. Původní datový soubor umělou inteligenci učil, že lidé s arabsky znějícími jmény nejsou úvěruschopní, i když formálně splňují všechny požadavky na půjčku. Umělá inteligence proto při své práci diskriminuje skupinu lidí, protože její původní datový soubor obsahoval jednostrannost a diskriminaci. Aby tomu zabránila, musí EU stanovit jasná a snadno ověřitelná pravidla pro nediskriminační soubory údajů.","da":"Denne afhandling blev udviklet som en del af CoFoE-arrangementet \"The Future of AI in Saxony and Europe\". EU bør fastsætte regler for at sikre, at kunstig intelligens (AI) er ikkediskriminerende. Dette kræver let verificerbare regler for ikke-diskriminerende datasæt. For at udvikle kunstig intelligens skal der stilles et indledende datasæt til rådighed for algoritmen for såkaldt \"læring\". Selv om AI-læring aldrig stopper, er den indledende fase afgørende for dens senere orientering. Hvis det oprindelige datasæt er ensidigt, dvs. indeholder forskelsbehandling, beslutter AI også ensidigt, dvs. diskriminerende. Et eksempel: En kunstig intelligens bør træffe afgørelse om kreditværdighed. Det oprindelige datasæt lærte AI, at folk med arabisk-lydende navne ikke er kreditværdige, selv om de formelt opfylder alle kravene til et lån. AI diskriminerer derfor en gruppe mennesker under sit arbejde, fordi dens oprindelige datasæt indeholdt ensidighed og forskelsbehandling. For at forhindre dette er EU nødt til at fastsætte klare og let verificerbare regler for ikke-diskriminerende datasæt.","el":"Η διατριβή αυτή αναπτύχθηκε στο πλαίσιο της εκδήλωσης της CoFoE με τίτλο «Το μέλλον της τεχνητής νοημοσύνης στη Σαξονία και την Ευρώπη». Η ΕΕ θα πρέπει να θεσπίσει κανόνες για να διασφαλίσει ότι η τεχνητή νοημοσύνη (ΤΝ) δεν εισάγει διακρίσεις. Αυτό απαιτεί εύκολα επαληθεύσιμους κανόνες για τα σύνολα δεδομένων που δεν εισάγουν διακρίσεις. Για την ανάπτυξη της τεχνητής νοημοσύνης, πρέπει να παρέχεται στον αλγόριθμο ένα αρχικό σύνολο δεδομένων για τη λεγόμενη «μάθηση». Παρόλο που η μάθηση στον τομέα της τεχνητής νοημοσύνης δεν σταματά ποτέ, η αρχική φάση είναι ζωτικής σημασίας για τον μεταγενέστερο προσανατολισμό της. Εάν το αρχικό σύνολο δεδομένων είναι μονόπλευρο, δηλαδή περιέχει διακρίσεις, η τεχνητή νοημοσύνη αποφασίζει επίσης μονομερώς, δηλαδή εισάγει διακρίσεις. Παράδειγμα: Η ΤΝ θα πρέπει να αποφασίζει σχετικά με την πιστοληπτική ικανότητα. Το αρχικό σύνολο δεδομένων δίδαξε στην τεχνητή νοημοσύνη ότι τα άτομα με αραβικά ονόματα δεν είναι αξιόπιστα, αν και πληρούν επίσημα όλες τις απαιτήσεις για ένα δάνειο. Ως εκ τούτου, η τεχνητή νοημοσύνη εισάγει διακρίσεις εις βάρος μιας ομάδας ανθρώπων κατά τη διάρκεια των εργασιών της, διότι το αρχικό της σύνολο δεδομένων περιείχε μονομερή και διακριτική μεταχείριση. Για να αποφευχθεί αυτό, η ΕΕ πρέπει να θεσπίσει σαφείς και εύκολα επαληθεύσιμους κανόνες για τα σύνολα δεδομένων που δεν εισάγουν διακρίσεις.","en":"This thesis was developed as part of the CoFoE event “The Future of AI in Saxony and Europe”. The EU should establish rules to ensure that Artificial Intelligence (AI) is non-discriminatory. This requires easily verifiable rules for non-discriminatory data sets. In order to develop AI, an initial dataset for so-called “learning” must be provided to the algorithm. Although AI learning never stops, the initial phase is crucial for its later orientation. If the initial dataset is one-sided, i.e. it contains discrimination, AI also decides unilaterally, i.e. discriminatory. An example: An AI should decide on creditworthiness. The original dataset taught AI that people with Arabic-sounding names are not creditworthy, although they formally meet all the requirements for a loan. AI therefore discriminates against a group of people during its work because its original dataset contained one-sidedness and discrimination. To prevent this, the EU needs to establish clear and easily verifiable rules for non-discriminatory data sets.","es":"Esta tesis se desarrolló como parte del evento CoFoE «El futuro de la IA en Sajonia y Europa». La UE debe establecer normas para garantizar que la inteligencia artificial (IA) no sea discriminatoria. Esto requiere normas fácilmente verificables para conjuntos de datos no discriminatorios. Con el fin de desarrollar la IA, debe proporcionarse al algoritmo un conjunto de datos inicial para el denominado «aprendizaje». Aunque el aprendizaje de IA nunca se detiene, la fase inicial es crucial para su orientación posterior. Si el conjunto de datos inicial es unilateral, es decir, contiene discriminación, AI también decide unilateralmente, es decir, discriminatoria. Un ejemplo: Una IA debe decidir sobre la solvencia. El conjunto de datos original enseñó a la IA que las personas con nombres de sonido árabe no son dignas de crédito, aunque formalmente cumplen todos los requisitos para un préstamo. Por lo tanto, AI discrimina a un grupo de personas durante su trabajo porque su conjunto de datos original contenía unilateralidad y discriminación. Para evitarlo, la UE debe establecer normas claras y fácilmente verificables para los conjuntos de datos no discriminatorios.","et":"See doktoritöö töötati välja CoFoE ürituse „Tehisintellekti tulevik Saksimaal ja Euroopas“ raames. EL peaks kehtestama eeskirjad, millega tagatakse, et tehisintellekt ei ole diskrimineeriv. See nõuab kergesti kontrollitavaid eeskirju mittediskrimineerivate andmekogumite kohta. Tehisintellekti arendamiseks tuleb algoritmile esitada esialgne andmekogum nn õppimiseks. Kuigi tehisintellekti õppimine ei lõpe kunagi, on algetapp selle hilisema orientatsiooni jaoks otsustava tähtsusega. Kui esialgne andmekogum on ühepoolne, st sisaldab diskrimineerimist, otsustab tehisintellekt ka ühepoolselt, st diskrimineerivalt. Näide: Krediidivõimelisuse üle peaks otsustama tehisintellekt. Algne andmekogu õpetas AI-le, et araabiakeelsete nimedega inimesed ei ole krediidivõimelised, kuigi nad vastavad ametlikult kõigile laenu saamise nõuetele. Seetõttu diskrimineerib tehisintellekt oma töö ajal inimeste rühma, sest selle algne andmekogum sisaldas ühepoolset ja diskrimineerimist. Selle vältimiseks peab EL kehtestama selged ja kergesti kontrollitavad eeskirjad mittediskrimineerivate andmekogumite kohta.","fi":"Opinnäytetyö on kehitetty osana CoFoE-tapahtumaa, jonka aiheena on tekoälyn tulevaisuus Saksissa ja Euroopassa. EU:n olisi vahvistettava säännöt, joilla varmistetaan, että tekoäly on syrjimätöntä. Tämä edellyttää helposti todennettavissa olevia sääntöjä syrjimättömille tietokokonaisuuksille. Tekoälyn kehittämiseksi algoritmille on toimitettava alustava tietoaineisto niin sanottua ”oppimista” varten. Vaikka tekoälyn oppiminen ei koskaan pysähdy, alkuvaihe on ratkaisevan tärkeä sen myöhemmän suuntautumisen kannalta. Jos alkuperäinen tietokokonaisuus on yksipuolinen eli sisältää syrjintää, tekoäly tekee päätöksensä myös yksipuolisesti eli syrjivästi. Esimerkki: Tekoälyn olisi päätettävä luottokelpoisuudesta. Alkuperäinen datajoukko opetti AI: lle, että arabiankieliset nimet eivät ole luottokelpoisia, vaikka he muodollisesti täyttävät kaikki lainan vaatimukset. Tekoäly syrjii näin ollen ihmisryhmää työssään, koska sen alkuperäinen aineisto sisälsi yksipuolisuutta ja syrjintää. Tämän estämiseksi EU:n on laadittava selkeät ja helposti todennettavissa olevat säännöt syrjimättömille tietokokonaisuuksille.","fr":"Cette thèse a été élaborée dans le cadre de l’événement CoFoE intitulé «L’avenir de l’IA en Saxe et en Europe». L’UE devrait établir des règles garantissant que l’intelligence artificielle (IA) est non discriminatoire. Pour ce faire, il faut des règles vérifiables pour les ensembles de données non discriminatoires. Pour développer l’IA, il est nécessaire de mettre à la disposition de l’algorithme un ensemble de données initiale pour l’«apprentissage». Même si l’apprentissage de l’IA ne s’arrête jamais, la phase initiale est cruciale pour son alignement ultérieur. En effet, si l’ensemble de données initial est unilatéral, c’est-à-dire qu’il contient des discriminations, l’IA décide également unilatéralement, c’est-à-dire discriminatoire. Un exemple: Une IA doit décider de la solvabilité. L’ensemble de données d’origine a appris à l’IA que les personnes ayant un nom arabophone n’étaient pas solvables, bien qu’elles satisfassent formellement à toutes les exigences en matière de crédit. L’IA discrimine donc un groupe de personnes au cours de son travail parce que son ensemble de données initial comportait des unilatérales et des discriminations. Pour éviter cela, l’UE doit établir des règles claires et facilement vérifiables pour les ensembles de données non discriminatoires.","ga":"Forbraíodh an tráchtas seo mar chuid d’imeacht CoFoE “Todhchaí na hintleachta saorga sa tSacsain agus san Eoraip”. Ba cheart don Aontas rialacha a bhunú chun a áirithiú go mbeidh an Intleacht Shaorga (IS) neamh-idirdhealaitheach. Chuige sin, tá gá le rialacha atá infhíoraithe go héasca maidir le tacair sonraí neamh-idirdhealaitheacha. Chun IS a fhorbairt, ní mór tacar sonraí tosaigh le haghaidh ‘foghlaim’, mar a thugtar air, a sholáthar don algartaim. Cé nach stoptar riamh le foghlaim na hintleachta saorga, tá an chéad chéim ríthábhachtach dá treoshuíomh amach anseo. Má tá an tacar sonraí tosaigh aon-taobhach, i.e. tá idirdhealú ann, déanann IS cinneadh go haontaobhach freisin, i.e. idirdhealaitheach. Sampla: Ba cheart do IS cinneadh a dhéanamh maidir le hacmhainneacht creidmheasa. Mhúin an tacar sonraí bunaidh don intleacht shaorga nach bhfuil daoine a bhfuil ainmneacha fuaimnithe Araibis orthu creidiúnach, cé go gcomhlíonann siad go foirmiúil na ceanglais uile a bhaineann le hiasacht. Dá bhrí sin, déanann IS idirdhealú i gcoinne grúpa daoine le linn a chuid oibre toisc go raibh aon ghné amháin agus idirdhealú amháin sa tacar sonraí bunaidh. Chun é sin a chosc, ní mór don Aontas rialacha soiléire infhíoraithe a bhunú maidir le tacair sonraí neamh-idirdhealaitheacha.","hr":"Rad je razvijen kao dio događaja „Budućnost umjetne inteligencije u Saskoj i Europi”. EU bi trebao uspostaviti pravila kako bi se osiguralo da umjetna inteligencija nije diskriminirajuća. To zahtijeva pravila koja se lako mogu provjeriti za nediskriminirajuće skupove podataka. Kako bi se razvila umjetna inteligencija, algoritamu se mora osigurati početni skup podataka za takozvano „učenje”. Iako učenje umjetne inteligencije nikada ne prestaje, početna je faza ključna za njezinu kasniju orijentaciju. Ako je početni skup podataka jednostrani, tj. sadržava diskriminaciju, umjetna inteligencija odlučuje i jednostrano, tj. diskriminatorno. Primjer: Umjetna inteligencija trebala bi odlučiti o kreditnoj sposobnosti. Izvorni skup podataka učio je umjetnu inteligenciju da osobe s arapskim zvučnim imenima nisu kreditno sposobni, iako formalno ispunjavaju sve zahtjeve za zajam. Umjetna inteligencija stoga diskriminira skupinu ljudi tijekom njezina rada jer je njezin izvorni skup podataka sadržavao jednostranost i diskriminaciju. Kako bi se to spriječilo, EU treba uspostaviti jasna i lako provjerljiva pravila za nediskriminirajuće skupove podataka.","hu":"Ezt a szakdolgozatot a CoFoE „A mesterséges intelligencia jövője Szászországban és Európában” elnevezésű rendezvényének részeként dolgozták ki. Az EU-nak szabályokat kell megállapítania annak biztosítására, hogy a mesterséges intelligencia megkülönböztetésmentes legyen. Ehhez könnyen ellenőrizhető szabályokra van szükség a megkülönböztetésmentes adatkészletek tekintetében. A mesterséges intelligencia fejlesztése érdekében az algoritmushoz kezdeti adatkészletet kell biztosítani az úgynevezett „tanuláshoz”. Bár a mesterséges intelligencián alapuló tanulás soha nem áll meg, a kezdeti szakasz döntő fontosságú későbbi orientációja szempontjából. Ha a kezdeti adatkészlet egyoldalú, azaz hátrányos megkülönböztetést tartalmaz, a mesterséges intelligencia egyoldalúan is dönt, azaz diszkriminatív. Egy példa: A mesterséges intelligenciának döntenie kell a hitelképességről. Az eredeti adatkészlet azt tanította az MI-nek, hogy az arab hangzású névvel rendelkező emberek nem hitelképesek, bár formálisan megfelelnek a hitel minden követelményének. Az MI ezért munkája során hátrányosan megkülönbözteti az emberek egy csoportját, mivel eredeti adatkészlete egyoldalúságot és hátrányos megkülönböztetést tartalmazott. Ennek elkerülése érdekében az EU-nak egyértelmű és könnyen ellenőrizhető szabályokat kell megállapítania a megkülönböztetésmentes adatkészletekre vonatkozóan.","it":"Questa tesi è stata sviluppata nell'ambito dell'evento CoFoE \"Il futuro dell'IA in Sassonia e in Europa\". L'UE dovrebbe stabilire norme per garantire che l'intelligenza artificiale (IA) non sia discriminatoria. Ciò richiede norme facilmente verificabili per i set di dati non discriminatori. Al fine di sviluppare l'IA, all'algoritmo deve essere fornita una serie di dati iniziale per il cosiddetto \"apprendimento\". Anche se l'apprendimento dell'IA non si ferma mai, la fase iniziale è fondamentale per il suo orientamento successivo. Se l'insieme di dati iniziale è unilaterale, ossia contiene discriminazioni, l'IA decide anche unilateralmente, vale a dire discriminatoria. Un esempio: L'IA dovrebbe decidere in merito al merito di credito. Il set di dati originale ha insegnato all'IA che le persone con nomi dal suono arabo non sono meritevoli di credito, anche se formalmente soddisfano tutti i requisiti per un prestito. L'IA discrimina pertanto un gruppo di persone durante il suo lavoro perché la sua serie di dati originale conteneva unilateralità e discriminazione. Per evitare ciò, l'UE deve stabilire norme chiare e facilmente verificabili per i set di dati non discriminatori.","lt":"Šis darbas buvo parengtas kaip CoFoE renginio „Dirbtinio intelekto ateitis Saksonijoje ir Europoje“ dalis. ES turėtų nustatyti taisykles, kuriomis būtų užtikrinta, kad dirbtinis intelektas būtų nediskriminacinis. Tam reikalingos lengvai patikrinamos nediskriminacinių duomenų rinkinių taisyklės. Siekiant plėtoti dirbtinį intelektą, algoritmui turi būti pateiktas pradinis vadinamojo mokymosi duomenų rinkinys. Nors mokymasis dirbtiniu intelektu niekada nesibaigia, pradinis etapas yra labai svarbus jo vėlesnei orientacijai. Jei pirminis duomenų rinkinys yra vienpusis, t. y. jame yra diskriminacijos, DI taip pat nusprendžia vienašališkai, t. y. diskriminuoti. Pavyzdys: Dirbtinis intelektas turėtų nuspręsti dėl kreditingumo. Originalus duomenų rinkinys išmokė dirbtinį intelektą, kad žmonės, turintys arabiškus vardus, nėra kreditingi, nors jie oficialiai atitinka visus paskolos reikalavimus. Todėl dirbtinis intelektas savo darbe diskriminuoja grupę žmonių, nes jo pirminis duomenų rinkinys buvo vienpusis ir diskriminuojamas. Kad to būtų išvengta, ES turi nustatyti aiškias ir lengvai patikrinamas nediskriminacinių duomenų rinkinių taisykles.","lv":"Šis darbs tika izstrādāts kā daļa no CoFoE pasākuma “Mākslīgā intelekta nākotne Saksijā un Eiropā”. ES būtu jāizstrādā noteikumi, lai nodrošinātu, ka mākslīgais intelekts (MI) nav diskriminējošs. Tam vajadzīgi viegli pārbaudāmi noteikumi par nediskriminējošām datu kopām. Lai izstrādātu MI, algoritmam ir jānodrošina sākotnējā datu kopa tā sauktajām “mācībām”. Lai gan MI mācīšanās nekad neapstājas, sākotnējā fāze ir izšķiroša tās vēlākai orientācijai. Ja sākotnējā datu kopa ir vienpusēja, t. i., tā ietver diskrimināciju, MI arī pieņem vienpusēju lēmumu, t. i., diskriminējošu. Piemērs: Mākslīgajam intelektam būtu jālemj par kredītspēju. Sākotnējā datu kopa mācīja AI, ka cilvēki ar arābu vārdiem nav kredītspējīgi, lai gan formāli tie atbilst visām aizdevuma prasībām. Tāpēc MI darba laikā diskriminē cilvēku grupu, jo tā sākotnējā datu kopa ietvēra vienpusēju un diskrimināciju. Lai to novērstu, ES ir jāizstrādā skaidri un viegli pārbaudāmi noteikumi par nediskriminējošām datu kopām.","mt":"Din it-teżi ġiet żviluppata bħala parti mill-avveniment CoFoE “Il-Futur tal-IA fis-Sassonja u l-Ewropa”. L-UE għandha tistabbilixxi regoli biex tiżgura li l-Intelliġenza Artifiċjali (IA) ma tkunx diskriminatorja. Dan jeħtieġ regoli li jistgħu jiġu vverifikati faċilment għal settijiet ta’ data mhux diskriminatorji. Sabiex tiġi żviluppata l-IA, għandu jiġi pprovdut sett ta’ data inizjali għall-hekk imsejjaħ “tagħlim” lill-algoritmu. Għalkemm it-tagħlim tal-IA qatt ma jieqaf, il-fażi inizjali hija kruċjali għall-orjentazzjoni aktar tard tagħha. Jekk is-sett ta’ data inizjali jkun unilaterali, jiġifieri jkun fih diskriminazzjoni, l-IA tiddeċiedi wkoll unilateralment, jiġifieri diskriminatorja. Eżempju: IA għandha tiddeċiedi dwar l-affidabbiltà kreditizja. Is-sett ta’ data oriġinali għallem l-IA li n-nies b’ismijiet ta’ ħoss Għarbi mhumiex affidabbli, għalkemm formalment jissodisfaw ir-rekwiżiti kollha għal self. L-IA għalhekk tiddiskrimina kontra grupp ta’ persuni matul il-ħidma tagħha minħabba li s-sett ta’ data oriġinali tagħha kien fih naħa waħda u diskriminazzjoni. Sabiex dan jiġi evitat, jeħtieġ li l-UE tistabbilixxi regoli ċari u faċilment verifikabbli għal settijiet ta’ data mhux diskriminatorji.","nl":"Dit proefschrift is ontwikkeld in het kader van het CoFoE-evenement „De toekomst van AI in Saksen en Europa”. De EU moet regels vaststellen om ervoor te zorgen dat kunstmatige intelligentie (AI) niet-discriminerend is. Dit vereist gemakkelijk verifieerbare regels voor niet-discriminerende gegevensverzamelingen. Om KI te ontwikkelen, moet het algoritme een eerste dataset voor zogenaamde „leren” krijgen. Hoewel AI-leren nooit stopt, is de beginfase cruciaal voor de latere oriëntatie ervan. Als de eerste dataset eenzijdig is, d.w.z. het bevat discriminatie, besluit KI ook unilateraal, d.w.z. discriminerend. Een voorbeeld: Een KI moet beslissen over kredietwaardigheid. De oorspronkelijke dataset leerde AI dat mensen met Arabisch klinkende namen niet kredietwaardig zijn, hoewel ze formeel voldoen aan alle vereisten voor een lening. AI discrimineert daarom een groep mensen tijdens haar werk omdat de oorspronkelijke dataset eenzijdigheid en discriminatie bevatte. Om dit te voorkomen moet de EU duidelijke en gemakkelijk verifieerbare regels vaststellen voor niet-discriminerende gegevensverzamelingen.","pl":"Praca ta została opracowana w ramach wydarzenia CoFoE pt. „Przyszłość sztucznej inteligencji w Saksonii i Europie”. UE powinna ustanowić przepisy gwarantujące, że sztuczna inteligencja jest niedyskryminująca. Wymaga to łatwo weryfikowalnych przepisów dotyczących niedyskryminacyjnych zbiorów danych. Aby opracować sztuczną inteligencję, algorytm musi otrzymać wstępny zbiór danych na potrzeby tzw. „uczenia się”. Chociaż nauka SI nigdy nie ustaje, faza wstępna ma kluczowe znaczenie dla jej późniejszej orientacji. Jeżeli początkowy zbiór danych jest jednostronny, tj. zawiera dyskryminację, SI podejmuje również jednostronne decyzje, tj. dyskryminujące. Przykład: Sztuczna inteligencja powinna decydować o zdolności kredytowej. Oryginalny zbiór danych nauczył AI, że osoby z arabskimi nazwami nie są zdolne do kredytowania, chociaż formalnie spełniają wszystkie wymagania dotyczące pożyczki. Sztuczna inteligencja dyskryminuje zatem grupę osób podczas swojej pracy, ponieważ jej pierwotny zbiór danych zawierał jednostronność i dyskryminację. Aby temu zapobiec, UE musi ustanowić jasne i łatwe do zweryfikowania przepisy dotyczące niedyskryminacyjnych zbiorów danych.","pt":"Esta tese foi desenvolvida no âmbito do evento da CoFoE «O futuro da IA na Saxónia e na Europa». A UE deve estabelecer regras para garantir que a inteligência artificial (IA) não é discriminatória. Tal exige regras facilmente verificáveis para conjuntos de dados não discriminatórios. A fim de desenvolver a IA, deve ser fornecido ao algoritmo um conjunto de dados inicial para a chamada «aprendizagem». Embora a aprendizagem da IA nunca pare, a fase inicial é crucial para a sua orientação posterior. Se o conjunto de dados inicial for unilateral, ou seja, contiver discriminação, a IA também decide unilateralmente, ou seja, discriminatória. Um exemplo: Uma IA deve decidir sobre a solvabilidade. O conjunto de dados original ensinou IA que as pessoas com nomes sonoros árabes não são dignas de crédito, embora formalmente preencham todos os requisitos para um empréstimo. Por conseguinte, a IA discrimina um grupo de pessoas durante o seu trabalho, uma vez que o seu conjunto de dados original continha unilateralidade e discriminação. Para evitar esta situação, a UE deve estabelecer regras claras e facilmente verificáveis para conjuntos de dados não discriminatórios.","ro":"Această teză a fost elaborată ca parte a evenimentului CoFoE „Viitorul IA în Saxonia și Europa”. UE ar trebui să stabilească norme pentru a se asigura că inteligența artificială (IA) este nediscriminatorie. Acest lucru necesită norme ușor de verificat pentru seturile de date nediscriminatorii. Pentru a dezvolta IA, algoritmului trebuie să i se furnizeze un set inițial de date pentru așa-numita „învățare”. Deși învățarea IA nu se oprește niciodată, faza inițială este esențială pentru orientarea sa ulterioară. În cazul în care setul de date inițial este unilateral, adică conține discriminare, IA decide, de asemenea, în mod unilateral, adică discriminatoriu. Un exemplu: O IA ar trebui să decidă cu privire la bonitate. Setul de date original a învățat IA că persoanele cu nume arabe nu sunt solvabile, deși îndeplinesc în mod oficial toate cerințele pentru un împrumut. Prin urmare, ia discriminează un grup de persoane în timpul activității sale, deoarece setul său de date inițial conținea unilateralitate și discriminare. Pentru a preveni acest lucru, UE trebuie să stabilească norme clare și ușor de verificat pentru seturile de date nediscriminatorii.","sk":"Táto práca bola vypracovaná ako súčasť podujatia CoFoE „Budúcnosť umelej inteligencie v Sasku a Európe“. EÚ by mala stanoviť pravidlá na zabezpečenie toho, aby umelá inteligencia bola nediskriminačná. To si vyžaduje ľahko overiteľné pravidlá pre nediskriminačné súbory údajov. S cieľom rozvíjať umelú inteligenciu sa algoritmu musí poskytnúť počiatočný súbor údajov pre takzvané „učenie“. Hoci učenie sa umelej inteligencie sa nikdy nezastaví, počiatočná fáza je kľúčová pre jej neskoršiu orientáciu. Ak je pôvodný súbor údajov jednostranný, t. j. obsahuje diskrimináciu, umelá inteligencia rozhoduje aj jednostranne, t. j. diskriminačne. Príklad: Umelá inteligencia by mala rozhodnúť o úverovej bonite. Pôvodný súbor údajov učil umelú inteligenciu, že ľudia s arabsky znejúcimi menami nie sú dôveryhodní, hoci formálne spĺňajú všetky požiadavky na úver. Umelá inteligencia preto počas svojej práce diskriminuje skupinu ľudí, pretože jej pôvodný súbor údajov obsahoval jednostrannosť a diskrimináciu. Aby sa tomu zabránilo, EÚ musí stanoviť jasné a ľahko overiteľné pravidlá pre nediskriminačné súbory údajov.","sl":"Ta teza je bila razvita v okviru dogodka CoFoE „Prihodnost umetne inteligence na Saškem in v Evropi“. EU bi morala določiti pravila za zagotovitev, da umetna inteligenca ni diskriminatorna. Za to so potrebna zlahka preverljiva pravila za nediskriminatorne podatkovne nize. Za razvoj umetne inteligence je treba algoritmu zagotoviti začetni nabor podatkov za tako imenovano „učenje“. Čeprav se učenje umetne inteligence nikoli ne ustavi, je začetna faza ključnega pomena za njeno kasnejšo usmeritev. Če je prvotni nabor podatkov enostranski, tj. vsebuje diskriminacijo, se umetna inteligenca odloči tudi enostransko, tj. diskriminatorno. Primer: O kreditni sposobnosti bi morala odločati umetna inteligenca. Prvotni nabor podatkov je učil umetno inteligenco, da ljudje z arabskimi imeni niso kreditno sposobni, čeprav formalno izpolnjujejo vse zahteve za posojilo. Umetna inteligenca zato pri svojem delu diskriminira skupino ljudi, saj je njen prvotni nabor podatkov vseboval enostranski in diskriminatoren nabor. Da bi to preprečili, mora EU določiti jasna in zlahka preverljiva pravila za nediskriminatorne podatkovne nize.","sv":"Denna avhandling utvecklades som en del av CoFoE-evenemanget ”The Future of AI in Sachsen and Europe”. EU bör fastställa regler för att säkerställa att artificiell intelligens (AI) är icke-diskriminerande. Detta kräver lätt kontrollerbara regler för icke-diskriminerande datamängder. För att utveckla AI måste en första datauppsättning för så kallad ”lärande” tillhandahållas algoritmen. Även om AI-inlärning aldrig slutar, är den inledande fasen avgörande för dess senare orientering. Om den ursprungliga datauppsättningen är ensidig, dvs. den innehåller diskriminering, beslutar AI också ensidigt, dvs. diskriminerande. Ett exempel: En AI bör besluta om kreditvärdighet. Den ursprungliga datauppsättningen lärde AI att personer med arabisk-ljudande namn inte är kreditvärdiga, även om de formellt uppfyller alla krav för ett lån. AI diskriminerar därför en grupp människor under sitt arbete eftersom dess ursprungliga datauppsättning innehöll ensidighet och diskriminering. För att förhindra detta måste EU fastställa tydliga och lätt verifierbara regler för icke-diskriminerande datamängder."}},"title":{"de":"Regeln für Datensätze zum Ziel diskriminierungsfreier Künstlicher Intelligenz","machine_translations":{"bg":"Правила за набори от данни за целите на недискриминационния изкуствен интелект","cs":"Pravidla pro soubory údajů pro cíl nediskriminační umělé inteligence","da":"Regler for datasæt med henblik på målet om ikke-diskriminerende kunstig intelligens","el":"Κανόνες για τα σύνολα δεδομένων για τον στόχο της τεχνητής νοημοσύνης που δεν εισάγει διακρίσεις","en":"Rules for data sets for the objective of non-discriminatory artificial intelligence","es":"Normas aplicables a los conjuntos de datos para el objetivo de la inteligencia artificial no discriminatoria","et":"Eeskirjad andmekogumite kohta eesmärgiga mittediskrimineeriv tehisintellekt","fi":"Syrjimättömän tekoälyn tavoitetta koskevia tietokokonaisuuksia koskevat säännöt","fr":"Règles applicables aux ensembles de données en vue d’une intelligence artificielle non discriminatoire","ga":"Rialacha maidir le tacair sonraí le haghaidh chuspóir na hintleachta saorga neamh-idirdhealaitheacha","hr":"Pravila za skupove podataka za cilj nediskriminirajuće umjetne inteligencije","hu":"A megkülönböztetéstől mentes mesterséges intelligencia céljára szolgáló adatkészletekre vonatkozó szabályok","it":"Norme per i set di dati per l'obiettivo dell'intelligenza artificiale non discriminatoria","lt":"Duomenų rinkinių, kuriais siekiama užtikrinti nediskriminacinį dirbtinį intelektą, taisyklės","lv":"Noteikumi par datu kopām nolūkā panākt nediskriminējošu mākslīgo intelektu","mt":"Regoli għal settijiet ta’ data għall-objettiv ta’ intelliġenza artifiċjali nondiskriminatorja","nl":"Regels voor gegevensreeksen voor de doelstelling van niet-discriminerende kunstmatige intelligentie","pl":"Zasady dotyczące zbiorów danych dla celu, jakim jest niedyskryminacyjne sztuczna inteligencja","pt":"Regras aplicáveis aos conjuntos de dados para o objetivo da inteligência artificial não discriminatória","ro":"Norme privind seturile de date pentru obiectivul inteligenței artificiale nediscriminatorii","sk":"Pravidlá pre súbory údajov na účely nediskriminačnej umelej inteligencie","sl":"Pravila za podatkovne nize za cilj nediskriminatorne umetne inteligence","sv":"Regler för datauppsättningar för icke-diskriminerande artificiell intelligens"}}}

This fingerprint is calculated using a SHA256 hashing algorithm. In order to replicate it yourself, you can use an MD5 calculator online and copy-paste the source data. ×