Künstliche Intelligenz: Die dummen Computer noch dümmer machen

34C3

Computerbasierte Entscheidungen können schon heute das Leben vieler Menschen beeinflussen. Was dahintersteckt und wie man sich gegen künstliche Intelligenz wehren kann, haben Hacker auf dem Kongress des Chaos Computer Clubs gezeigt.

Eine Analyse von Friedhelm Greis veröffentlicht am 29. Dezember 2017, 11:05 Uhr

Das verfremdete Foto rechts wird von Facebook nicht mehr als Gesicht erkannt. (Bild: media.ccc.de/Screenshot: Golem.de)

Dass Computer doof sind, wissen wir spätestens seit dem bekannten Spliff-Lied aus dem Jahr 1982. Doch seit den doofen Computern sogar zugetraut wird, selbstständig Auto zu fahren, und sie sich selbst beibringen können, die besten menschlichen Go-Spieler zu besiegen, scheint ihr Image deutlich besser zu werden - allerdings nicht bei den Hackern. Auf dem diesjährigen Kongress des Chaos Computer Clubs in Leipzig warnten mehrere Forscher vor den Gefahren der künstlichen Intelligenz (KI). "Wir wissen alle, wie dumm Computer manchmal sind, sie sind ziemlich schlimm", sagte die Datenanalystin Katharine Jarmul in ihrem Vortrag.

Inhalt:

1. Künstliche Intelligenz: Die dummen Computer noch dümmer machen
2. Deep-Learning-Systeme austricksen
3. Noch kein Ausweg aus dem Dilemma

In vielen Projekten zur künstlichen Intelligenz geht es grob gesagt darum, Computern beizubringen, bestimmte Objekte und Situationen zu erkennen und von anderen zu unterscheiden (lat. intellegere), um daraus bestimmte Entscheidungen ableiten zu können. Sowohl Jarmul als auch die deutschen Forscher Karen Ullrich und Hendrik Heuer versuchten in ihren Beiträgen am Donnerstag, die Grundlagen von KI auf der Basis des sogenannten maschinellen Lernens mit Hilfe neuronaler Netze zu erläutern.

Bewertungsprogramme alles andere als neutral

Ihre wenig revolutionäre Erkenntnis: Computer sind alles andere als perfekt, wenn es beispielsweise darum geht, Spam-Mails von "richtigen" Mails zu unterscheiden oder potenzielle Straftäter von vermeintlich rechtschaffenen Bürgern. Ein selbstlernendes System werde zwar am Ende nie in der Lage sein, den Inhalt einer E-Mail zu verstehen, erläuterte Heuer. Allerdings könne es unter Berücksichtigung der Fehler seine Parameter verbessern, um eine höhere Trefferwahrscheinlichkeit bei Werbemails zu erzielen und seine Fehler künftig zu verringern.

Die Fehlerquoten hindern staatliche Behörden in den USA jedoch nicht daran, bereits heute Programme wie Compas einzusetzen, um die Wahrscheinlichkeit zu berechnen, mit der bestimmte Personen wieder eine Straftat begehen könnten. Das Problem: Die Programme seien alles andere als neutral und unvoreingenommen, heißt es in einer Untersuchung des US-Portals Propublica aus dem Jahr 2016. Afroamerikaner würden gegenüber Weißen systematisch diskriminiert. "Das macht Machine Learning, pseudo-objektive mathematische Modelle, zu einer Art Geldwäsche für Vorurteile", sagte Heuer.

Er ist ein Kerl, er ist eine Gastgeberin

Wie trivial sich dabei bestimmte Fehler erklären ließen, erläuterte Ullrich am Beispiel von Googles Übersetzungsprogramm. Werden die beiden deutschen Sätze "Sie ist eine Frau. Sie ist Ärztin" ins Türkische hin- und zurückübersetzt, lautet das Ergebnis: "Sie ist eine Frau. Er ist Arzt." Weil das Türkische keine grammatikalischen Geschlechter kenne, nehme Google die Aussage mit der höchsten Wahrscheinlichkeit bei der Übersetzung ins Deutsche. Der Kontext, in diesem Falle der vorangegangene Satz, spiele keine Rolle. Der Satz "Sie ist eine Frau, sie ist Ärztin", werde wegen des Kommas hingegen zusammen und damit korrekt hin und her übersetzt.

Ob hinter solchen Effekten tatsächlich gesellschaftliche Vorurteile stecken oder einfach nur schlechte Algorithmen, ist aber nicht so klar. So übersetzt Google den Satz "Sie ist eine Frau, sie ist eine Stewardess." hin und zurück aus dem Türkischen mit "Er ist ein Kerl, er ist eine Gastgeberin." Fehlt am Satzende der Punkt, wird das weibliche Geschlecht hingegen beibehalten. Angesichts dieses Unsinns stellt sich die Frage, ob es künftig wirklich sinnvoll sein könnte, die künstliche Intelligenz mit einem "feindlichen Lernen" zu foppen.