Logo des Repositoriums

Auflistung nach Autor:in "Eberhardt, Birgid"

1 - 2 von 2
  • Zeitschriftenartikel
    Non-Discrimination-by-Design: Handlungsempfehlungen für die Entwicklung von vertrauenswürdigen KI-Services
    (HMD Praxis der Wirtschaftsinformatik: Vol. 59, No. 2, 2022) Rebstadt, Jonas; Kortum, Henrik; Gravemeier, Laura Sophie; Eberhardt, Birgid; Thomas, Oliver
    Neben der menschen-induzierten Diskriminierung von Gruppen oder Einzelpersonen haben in der jüngeren Vergangenheit auch immer mehr KI-Systeme diskriminierendes Verhalten gezeigt. Beispiele hierfür sind KI-Systeme im Recruiting, die Kandidatinnen benachteiligen, Chatbots mit rassistischen Tendenzen, oder die in autonomen Fahrzeugen eingesetzte Objekterkennung, welche schwarze Menschen schlechter als weiße Menschen erkennt. Das Verhalten der KI-Systeme entsteht hierbei durch die absichtliche oder unabsichtliche Reproduktion von Vorurteilen in den genutzten Daten oder den Entwicklerteams. Da sich KI-Systeme zunehmend als integraler Bestandteil sowohl privater als auch wirtschaftlicher Lebensbereiche etablieren, müssen sich Wissenschaft und Praxis mit den ethischen Rahmenbedingungen für deren Einsatz auseinandersetzen. Daher soll im Kontext dieser Arbeit ein wirtschaftlich und wissenschaftlich relevanter Beitrag zu diesem Diskurs geleistet werden, wobei am Beispiel des Ökosystems Smart Living auf einen sehr privaten Bezug zu einer diversen Bevölkerung bezuggenommen wird. Im Rahmen der Arbeit wurden sowohl in der Literatur als auch durch Expertenbefragungen Anforderungen an KI-Systeme im Smart-Living-Ökosystem in Bezug auf Diskriminierungsfreiheit erhoben, um Handlungsempfehlungen für die Entwicklung von KI-Services abzuleiten. Die Handlungsempfehlungen sollen vor allem Praktiker dabei unterstützen, ihr Vorgehen zur Entwicklung von KI-Systemen um ethische Faktoren zu ergänzen und so die Entwicklung nicht-diskriminierender KI-Services voranzutreiben. In addition to human-induced discrimination of groups or individuals, more and more AI systems have also shown discriminatory behavior in the recent past. Examples include AI systems in recruiting that discriminate against female candidates, chatbots with racist tendencies, or the object recognition used in autonomous vehicles that shows a worse performance in recognizing black than white people. The behavior of AI systems here arises from the intentional or unintentional reproduction of pre-existing biases in the training data, but also the development teams. As AI systems increasingly establish themselves as an integral part of both private and economic spheres of life, science and practice must address the ethical framework for their use. Therefore, in the context of this work, an economically and scientifically relevant contribution to this discourse will be made, using the example of the Smart Living ecosystem to argue with a very private reference to a diverse population. In this paper, requirements for AI systems in the Smart Living ecosystem with respect to non-discrimination were collected both in the literature and through expert interviews in order to derive recommendations for action for the development of AI services. The recommendations for action are primarily intended to support practitioners in adding ethical factors to their procedural models for the development of AI systems, thus advancing the development of non-discriminatory AI services.
  • Zeitschriftenartikel
    SECAI – Sustainable Heating through Edge-Cloud-based AI Systems
    (HMD Praxis der Wirtschaftsinformatik: Vol. 60, No. 4, 2023) Kortum, Henrik; Hagen, Simon; Eleks, Marian; Rebstadt, Jonas; Remark, Florian; Lowin, Maximilian; Wilson, Cristina Mihale; Eberhardt, Birgid; Roß, Andree; Maihöfner, Dominik; Hinz, Oliver; Thomas, Oliver
    Etwa 18 % der CO 2 -Emissionen in Deutschland entstehen durch die Beheizung, Kühlung und Warmwasserbereitstellung von Gebäuden, wobei mehr als 75 % der deutschen Haushalte fossile Brennstoffe wie Erdgas und Erdöl nutzen. Der in dieser Arbeit vorgestellte SECAI ( S ustainable heating through E dge- C loud-based A rtificial I ntelligence Systems)-Ansatz verfolgt das Ziel, die Heizungssteuerung in Mehrfamilienhäusern und damit den CO 2 -Verbrauch durch den Einsatz von Informationstechnologien zu reduzieren. Der SECAI-Ansatz betrachtet dabei das gesamte Ökosystem bestehend aus Sensoren, Einzelraumregelungen, Zentralheizung, Mietenden und Vermietenden. Dabei wird der Heizbedarf von Privatwohnungen KI-basiert analysiert, um darauf aufbauend optimierte und abgestimmte Heizpläne für Gebäudekomplexe und Wohnungen zu erstellen, die in der Lage sind, durch Edge-Cloud-Technologien, Sensorik und Federated Learning ad hoc und datenschutzkonform auf Änderungen im Nutzungsverhalten zu reagieren. Diese Informationen werden zudem für die KI-basierte Steuerung der zentralen Heizanlagen im Gebäude verwendet, in denen Wärme und Warmwasser für alle Wohnungen erzeugt wird. Hierfür betrachtet SECAI vier Ebenen. Diese reichen von Sensoren und Aktoren (Nano), über die Wohnung (Mikro) und das Gebäude (Meso) bis zu Gebäudekomplexen und gleicharten Gebäuden (Makro) und stehen bei der Beheizung in starker Abhängigkeit zueinander. Rund um die SECAI-Lösung entsteht dabei ein komplexes Ökosystem in dem Mietende, die Wohnungswirtschaft, Heizungshersteller und Anbieter von IoT-Lösungen mit Produkten und Diensten in Interaktion treten. Approximately 18% of CO2 emissions in Germany are caused by the heating, cooling and hot water supply of buildings, with more than 75% of households using fossil fuels such as natural gas and oil. The SECAI (Sustainable heating through Edge-Cloud-based Artificial Intelligence Systems) approach presented in this paper aims to reduce heating control in multi-residential buildings, and thus CO2 consumption, through the use of information technology. The SECAI approach considers the entire ecosystem consisting of sensors, individual room controls, central heating, tenants and landlords. This involves an AI-based analysis of the heating requirements of private apartments, based on which optimized and coordinated heating plans can be created for building complexes. Edge cloud technologies, sensor technology and federated learning enable these plans to react ad hoc and in compliance with data protection regulations to changes in usage behavior. The information is also used for AI-based control of the central heating systems within the building, where heating and hot water are generated for all apartments. For this purpose, SECAI considers four layers. These range from sensors and actuators (nano), to the apartment (micro), to the building (meso), to building complexes and same-type buildings (macro), and are highly interdependent. A complex ecosystem is being created around the SECAI solution in which tenants, the housing industry, heating manufacturers and providers of IoT solutions interact with products and services.