Zusammenfassung
Die weitreichende Durchdringung von Technologien künstlicher Intelligenz in das Alltagsleben der Menschen bringt einen fortschreitenden technologischen Fortschritt und große Erleichterungen im Alltags- oder Berufsleben. Gleichzeitig bergen datengetriebene Algorithmen eine große Abhängigkeit von der zugrunde liegenden Datengrundlage sowie dem Vorgang der Modellentwicklung. Eine weitreichende Bildung über die Chancen und Risiken durch die Anwendung künstlicher Intelligenz ist erforderlich, um eine gleichberechtigte und gerechte Algorithmenentwicklung zu ermöglichen. Im vorliegenden Beitrag wird daher ein Modell für den Kompetenzerwerb im Bereich künstliche Intelligenz mit Fokus auf unterschiedliche Personengruppen und unterschiedliche thematische Bereiche vorgestellt.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Algorithm Watch. (2020). Atlas der Automatisierung – Automatisierte Entscheidungen und Teilhabe in Deutschland. https://atlas.algorithmwatch.org/report/. Zugegriffen am 25.09.2020.
Anders, F. (2019). Wie andere Länder „Computational Thinking“ lehren. Das Deutsche Schulportal. https://deutsches-schulportal.de/unterricht/wie-andere-laender-computational-thinking-lehren/. Zugegriffen am 11.09.2020.
Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine Bias: There’s software used across the country to predict future criminals. And it’s biased against blacks. ProPublica. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing. Zugegriffen am 25.09.2020.
atp!info. (2020). KI: Beschäftigte sind auf Künstliche Intelligenz schlecht vorbereitet. https://www.atpinfo.de/aktuell/wirtschaft-unternehmen/17-06-2020-ki-beschaeftigte-sind-auf-kuenstliche-intelligenz-schlecht-vorbereitet/. Zugegriffen am 12.09.2020.
Beck, S. et al. (2019). Künstliche Intelligenz und Diskriminierung – Whitepaper aus der Plattform Lernende Systeme, München.
Beining, L. (2019) Wie Algorithmen verständlich werden – Ideen für Nachvollziehbarkeit von algorithmischen Entscheidungsprozessen für Betroffene. Stiftung Neue Verantwortung e.V., Bertelsmann Stiftung.
Bergstrom, C., & West, J. (2020). Calling Bullshit. https://www.callingbullshit.org/. Zugegriffen am 11.09.2020.
Bertelsmann Stiftung. (2020a). Algo.Rules. https://algorules.org/de/startseite. Zugegriffen am 02.10.2020.
Bertelsmann Stiftung. (2020b). Algorithmenethik. https://algorithmenethik.de/projekt/. Zugegriffen am 02.10.2020.
Bouygues, H. L. (2019). Why we need to think critically about data. Forbes. https://www.forbes.com/sites/helenleebouygues/2019/03/07/why-we-need-to-think-critically-about-data/#75da7e46b4e3. Zugegriffen am 02.10.2020.
Dastin. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G. Zugegriffen am 02.10.2020.
Döbel, I., Leis, M., Vogelsang, M. M., Neustroev, D., Petzka, H., Riemer, A., Rüping, S., Voss, A., Wegele, M., & Welz, J. (2019). Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung.
Elements of AI. (2020). Online-Kurs Elements of AI. https://www.elementsofai.de/. Zugegriffen am 16.08.2020.
Ewald, C. (2019). R, Python & Julia in Data Science: Ein Vergleich. https://www.eoda.de/wissen/blog/r-python-julia-data-science-2019. Zugegriffen am 29.09.2020.
Fry, H. (2018). Hello world: How to be human in the age of the machine. Random House.
How, J. P. (2018). Ethically Aligned Design. IEEE Control Systems Magazine, 38(3), 3–4.
IHK Niederbayern. (2020). Elements of AI – Künstliche Intelligenz verstehen lernen. https://www.ihk-niederbayern.de/bildung-und-qualifikation/weiterbildung/elements-of-ai-kuenstliche-intelligenz-verstehen-lernen-4683624 . Zugegriffen am 12.09.2020.
KI-Campus. (2020a). Online-Kurs Fundamental Questions on AI. https://ki-campus.org/node/82. Zugegriffen am 12.09.2020.
KI-Campus. (2020b). Online-Kurs Schule macht KI. https://ki-campus.org/courses/kischule2020. Zugegriffen am 12.09.2020.
Koch, H. (2020). Intransparente Diskriminierung durch maschinelles Lernen. Zeitschrift Für Praktische Philosophie, 7(1), 265–300. https://doi.org/10.22613/zfpp/7.1.9.
Larsson, S., & Heintz, F. (2020). Transparency in artificial intelligence. Internet Policy Review, 9(2)1–16.
Mills, S. (2019). Who owns the future? Data trusts, data commons, and the future of data ownership. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3437936.
Nijhus, M. (2017). How to call B.S. on big data: A practical guide. The New Yorker. https://www.newyorker.com/tech/annals-of-technology/how-to-call-bullshit-on-big-data-a-practical-guide. Zugegriffen am 02.10.2020.
Orwat, C. (2019). Diskriminierungsrisiken durch Verwendung von Algorithmen. Antidiskriminierungsstelle des Bundes.
Schneider, J., & Ziyal, L. K. (2019). We need to talk, AI. https://weneedtotalk.ai/. Zugegriffen am 12.09.2020.
Srnicek, N., & De Sutter, L. (2018). Plattform-Kapitalismus. Hamburger Edition.
Thamm, A. (2020). Studium Künstliche Intelligenz: Diese Universitäten lehren und forschen zu KI. https://www.alexanderthamm.com/de/blog/studium-kuenstliche-intelligenz/. Zugegriffen am 12.09.2020.
TU Berlin. (2020). Institut für Bauingenieurwesen, Civil and Building Systems, Data Engineering. https://www.civilsystems.tu-berlin.de/menue/education/modules/data_engineering_bsc/. Zugegriffen am 12.09.2020.
Universität Freiburg. (2019). Seminar: Ethics of AI. http://gki.informatik.uni-freiburg.de/teaching/ss19/seminar/topics_de.html. Zugegriffen am 12.09.2020.
Universität Ulm. (2020a). Data Literacy und Data Science für den Mittelstand: Weiterbildung und Qualifizierung. https://www.uni-ulm.de/einrichtungen/saps/projekte/data-literacy-und-data-science/. Zugegriffen am 12.09.2020.
Universität Ulm. (2020b). Data Literacy und Data Science für den Mittelstand: Weiterbildung und Qualifizierung. Projektbroschüre. https://www.uni-ulm.de/fileadmin/website_uni_ulm/adprostu/Projekte/Data_Literacy/data_literacy_broschuere.pdf. Zugegriffen am 12.09.2020.
VdTÜV. (2020). Künstliche Intelligenz braucht bessere Bildung. https://www.presseportal.de/pm/65031/4626019. Zugegriffen am 16.08.2020.
Wiggers, K. (2020). Researchers find racial discrimination in ‚dynamic pricing‘ algorithms used by Uber, Lyft, and others. VentureBeat. https://venturebeat.com/2020/06/12/researchers-find-racial-discrimination-in-dynamic-pricing-algorithms-used-by-uber-lyft-and-others/. Zugegriffen am 25.09.2020.
Wiggerthale, M. (2019). Konzernmacht in der digitalen Welt. Ökologisches Wirtschaften-Fachzeitschrift, 33(1), 10. https://doi.org/10.14512/OEW340110.
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35.
Wirth, R., & Hipp, J. (2000, April). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (S. 29–39). Springer.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2022 Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature
About this chapter
Cite this chapter
Teuber, K., Dindarian, A., Ekaterina, N.Cv.N. (2022). Künstliche Intelligenz und ihre Anforderungen an den Kompetenzerwerb. In: Knackstedt, R., Sander, J., Kolomitchouk, J. (eds) Kompetenzmodelle für den Digitalen Wandel. Kompetenzmanagement in Organisationen. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63673-2_5
Download citation
DOI: https://doi.org/10.1007/978-3-662-63673-2_5
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-662-63672-5
Online ISBN: 978-3-662-63673-2
eBook Packages: Psychology (German Language)