Mit Machine Learning und Datenanalyse Wert aus Daten generieren
E-Book, Deutsch, 627 Seiten
ISBN: 978-3-446-47245-7
Verlag: Carl Hanser
Format: PDF
Kopierschutz: Wasserzeichen (»Systemvoraussetzungen)
- Fallbeispiele aus der Praxis machen die beschriebenen Konzepte greifbar
- Praktische Beispiele helfen Ihnen, einfache Datenanalyseprojekte durchzuführen
- Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches
Data Science, Big Data und künstliche Intelligenz gehören derzeit zu den Konzepten, über die in Industrie, Regierung und Gesellschaft am meisten geredet wird, die aber auch am meisten missverstanden werden. Dieses Buch klärt diese Konzepte und vermittelt Ihnen praktisches Wissen, um sie anzuwenden.
Das Buch nähert sich dem Thema Data Science von mehreren Seiten. Es zeigt Ihnen, wie Sie Datenplattformen aufbauen sowie Data Science Tools und Methoden anwenden. Auf dem Weg dorthin hilft es Ihnen zu verstehen - und den verschiedenen Interessengruppen zu erklären - wie Sie aus diesen Techniken einen Mehrwert generieren können, z. B. indem Sie Data Science einsetzen, um Unternehmen dabei zu helfen, schnellere Entscheidungen zu treffen, Kosten zu senken und neue Märkte zu erschließen.
In einem zweiten Teil werden die grundlegenden Konzepte der Datenwissenschaft beschrieben, einschließlich mathematischer Grundlagen, Verfahren maschinellen Lernens inklusive Frameworks sowie Text-, Bild- und Sprachverarbeitung. Abgerundet wird das Buch durch rechtliche Überlegungen und praktische Fallstudien aus verschiedenen Branchen.
Das Autor:innenteam besteht aus Datenexpert:innen aus der Wirtschaft und aus dem akademischen Umfeld. Das Spektrum reicht von strategisch ausgerichteten Führungskräften über Data Engineers, die Produktivsysteme erstellen, bis hin zu Data Scientists, die aus Daten Wert generieren. Alle Autor:innen sind im Vorstand oder Mitglieder der Vienna Data Science Group (VDSG). Diese NGO hat sich zum Ziel gesetzt, eine Plattform für den Wissensaustausch zu etablieren.
AUS DEM INHALT //
- Grundlagen der Mathematik: ML-Algorithmen verstehen und nutzen
- Machine Learning: Von statistischen zu neuronalen Verfahren; von Transformers und GPT-3 bis AutoML
- Natural Language Processing: Werkzeuge und Techniken zur Gewinnung von Erkenntnissen aus Textdaten und zur Entwicklung von Sprachtechnologien
- Computer Vision: Erkenntnisse aus Bildern und Videos gewinnen
- Modellierung und Simulation: Modellierung des Verhaltens komplexer Systeme, z. B. der Ausbreitung von COVID-19. Was-wäre-wenn-Analysen
- ML und KI in der Produktion: Vom Experiment zum Data-Science-Produkt
- Ergebnisse präsentieren: Grundlegende Präsentationstechniken für Data Scientists
Autoren/Hrsg.
Fachgebiete
- Mathematik | Informatik EDV | Informatik Angewandte Informatik Wirtschaftsinformatik
- Mathematik | Informatik EDV | Informatik Daten / Datenbanken Data Mining
- Wirtschaftswissenschaften Betriebswirtschaft Wirtschaftsinformatik, SAP, IT-Management
- Mathematik | Informatik EDV | Informatik Daten / Datenbanken Big Data
- Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz
Weitere Infos & Material
1;Inhalt;7
2;Geleitwort;17
3;Vorwort;21
4;1 Einführung;25
4.1;1.1 Was sind Data Science, Machine Learning und Künstliche Intelligenz?;26
4.2;1.2 Datenstrategie;33
4.3;1.3 Von der Strategie zu den Anwendungsfällen;35
4.3.1;1.3.1 Datenteams;35
4.3.2;1.3.2 Daten und Plattformen;42
4.3.3;1.3.3 Modellierung und Analyse;43
4.4;1.4 Implementierung von Anwendungsfällen;43
4.4.1;1.4.1 Iterative Erkundung von Anwendungsfällen;44
4.4.2;1.4.2 End-to-End-Datenverarbeitung;47
4.4.3;1.4.3 Datenprodukte;47
4.5;1.5 Beispiele für reale Anwendungsfälle;48
4.5.1;1.5.1 Digitalisierung der Wertschöpfungskette;48
4.5.2;1.5.2 Marketing-Segment-Analyse;49
4.5.3;1.5.3 360°-Sicht auf den Kunden;49
4.5.4;1.5.4 Anwendungsfälle für NGOs und Nachhaltigkeit;50
4.6;1.6 Ergebnisse liefern;51
4.7;1.7 Kurz und bündig;54
5;2 Infrastruktur;55
5.1;2.1 Einführung;55
5.2;2.2 Hardware;57
5.2.1;2.2.1 Verteilte Systeme;60
5.2.2;2.2.2 Hardware für KI-Anwendungen;63
5.3;2.3 Linux Essentials für Datenexperten;65
5.4;2.4 Terraform;83
5.5;2.5 Cloud;87
5.5.1;2.5.1 Basisdienste;90
5.5.2;2.5.2 Cloud-native Lösungen;94
5.6;2.6 Kurz und bündig;97
6;3 Datenarchitektur;99
6.1;3.1 Übersicht;99
6.1.1;3.1.1 Maslowsche Bedürfnishierarchie für Daten;100
6.1.2;3.1.2 Anforderungen an die Datenarchitektur;101
6.1.3;3.1.3 Die Struktur einer typischen Datenarchitektur;102
6.1.4;3.1.4 ETL (Extrahieren, Transformieren, Laden);102
6.1.5;3.1.5 ELT (Extrahieren, Laden, Transformieren);103
6.1.6;3.1.6 ETLT;104
6.2;3.2 Datenerfassung und -integration;104
6.2.1;3.2.1 Datenquellen;105
6.2.2;3.2.2 Traditionelle Dateiformate;106
6.2.3;3.2.3 Moderne Dateiformate;108
6.2.4;3.2.4 Zusammenfassung;110
6.3;3.3 Data Warehouses, Data Lakes und Lakehouses;111
6.3.1;3.3.1 Data Warehouses;111
6.3.2;3.3.2 Data Lakes und das Lakehouse;115
6.3.3;3.3.3 Zusammenfassung: Vergleich zwischen Data Warehouses und Lakehouses;117
6.4;3.4 Datenverarbeitung und -umwandlung;118
6.4.1;3.4.1 Big Data und Apache Spark;118
6.4.2;3.4.2 Databricks;125
6.5;3.5 Workflow-Orchestrierung;127
6.6;3.6 Ein Datenarchitektur-Use-Case;129
6.7;3.7 Kurz und bündig;134
7;4 Data Engineering;136
7.1;4.1 Integration von Daten;137
7.1.1;4.1.1 Daten-Pipelines;137
7.1.2;4.1.2 Entwerfen von Data Pipelines;144
7.1.3;4.1.3 CI/CD;147
7.1.4;4.1.4 Programmiersprachen;148
7.1.5;4.1.5 Kafka als Referenz-ETL-Werkzeug;151
7.1.6;4.1.6 Entwurfsmuster;156
7.1.7;4.1.7 Automatisierung der Stufen;157
7.1.8;4.1.8 Sechs Bausteine der Data Pipeline;158
7.2;4.2 Verwaltung analytischer Modelle;163
7.2.1;4.2.1 Modelllieferung;164
7.2.2;4.2.2 Modell-Update;165
7.2.3;4.2.3 Modell- oder Parameter-Update;166
7.2.4;4.2.4 Modellskalierung;167
7.3;4.3 Feedback in die operationalen Prozesse;167
7.4;4.4 Kurz und bündig;168
8;5 Datenmanagement;169
8.1;5.1 Datenmanagement;171
8.1.1;5.1.1 Datenkatalog;173
8.1.2;5.1.2 Data Discovery;175
8.1.3;5.1.3 Datenqualität;178
8.1.4;5.1.4 Verwaltung von Stammdaten;180
8.1.5;5.1.5 Gemeinsame Nutzung von Daten;181
8.2;5.2 Informationssicherheit;182
8.2.1;5.2.1 Datenklassifizierung;183
8.2.2;5.2.2 Schutz der Privatsphäre;185
8.2.3;5.2.3 Verschlüsselung;187
8.2.4;5.2.4 Secrets Management;189
8.2.5;5.2.5 Defense in Depth;190
8.3;5.3 Kurz und bündig;191
9;6 Mathematik;192
9.1;6.1 Lineare Algebra;193
9.1.1;6.1.1 Vektoren und Matrizen;193
9.1.2;6.1.2 Operationen zwischen Vektoren und Matrizen;197
9.1.3;6.1.3 Lineare Transformationen;199
9.1.4;6.1.4 Eigenwerte, Eigenvektoren und Eigendekomposition;200
9.1.5;6.1.5 Andere Matrixzerlegungen;202
9.2;6.2 Kalkulus und Optimierung;204
9.2.1;6.2.1 Ableitung;204
9.2.2;6.2.2 Gradient und Hessian;206
9.2.3;6.2.3 Gradientenabstieg;208
9.2.4;6.2.4 Eingeschränkte Optimierung;210
9.3;6.3 Wahrscheinlichkeitsrechnung;211
9.3.1;6.3.1 Diskrete und kontinuierliche Zufallsvariablen;212
9.3.2;6.3.2 Erwartungswert, Varianz und Kovarianz;216
9.3.3;6.3.3 Unabhängigkeit, bedingte Verteilungen und Bayes-Theorem;217
9.4;6.4 Kurz und bündig;219
10;7 Statistik – Grundlagen;220
10.1;7.1 Daten;221
10.2;7.2 Einfache lineare Regression;222
10.3;7.3 Multiple lineare Regression;230
10.4;7.4 Logistische Regression;233
10.5;7.5 Wie gut ist unser Modell?;241
10.6;7.6 Kurz und bündig;242
11;8 Maschinelles Lernen;244
11.1;8.1 Einführung;244
11.2;8.2 Grundlegendes: Feature Spaces;246
11.3;8.3 Klassifizierungsmodelle;250
11.3.1;8.3.1 K-Nearest-Neighbor-Klassifikator;250
11.3.2;8.3.2 Support Vector Machine;251
11.3.3;8.3.3 Entscheidungsbaum;252
11.4;8.4 Ensemble-Methoden;254
11.4.1;8.4.1 Bias und Varianz;254
11.4.2;8.4.2 Bagging: Random Forests;256
11.4.3;8.4.3 Boosten: AdaBoost;259
11.5;8.5 Künstliche neuronale Netze und das Perceptron;260
11.6;8.6 Lernen ohne Label – Struktur finden;263
11.6.1;8.6.1 Clustering;263
11.6.2;8.6.2 Lernen von Mannigfaltigkeiten;264
11.6.3;8.6.3 Generative Modelle;265
11.7;8.7 Reinforcement Learning;266
11.8;8.8 Übergreifende Konzepte;269
11.9;8.9 In die Tiefe gehen ? Deep Learning;270
11.9.1;8.9.1 Convolutional Neural Networks;270
11.9.2;8.9.2 Training von Convolutional Neural Networks;272
11.9.3;8.9.3 Recurrent Neural Networks;274
11.9.4;8.9.4 Long Short-Term Memory;275
11.9.5;8.9.5 Autoencoder und U-Netze;277
11.9.6;8.9.6 Adversarial-Trainingsansätze;278
11.9.7;8.9.7 Generative Adversarial Networks;279
11.9.8;8.9.8 Cycle GANs und Style GANs;281
11.9.9;8.9.9 Andere Architekturen und Lernstrategien;282
11.10;8.10 Validierungsstrategien für maschinelle Lerntechniken;283
11.11;8.11 Schlussfolgerung;284
11.12;8.12 Kurz und bündig;285
12;9 Großartige künstliche Intelligenz erschaffen;286
12.1;9.1 Wie KI mit Data Science und maschinellem Lernen zusammenhängt;286
12.2;9.2 Eine kurze Geschichte der KI;290
12.3;9.3 Fünf Empfehlungen für die Entwicklung einer KI-Lösung;292
12.3.1;9.3.1 Empfehlung Nr. 1: Seien Sie pragmatisch;292
12.3.2;9.3.2 Empfehlung Nr. 2: Erleichtern Sie Maschinen das Lernen – schaffen Sie induktive Verzerrungen;295
12.3.3;9.3.3 Empfehlung Nr. 3: Analysen durchführen;301
12.3.4;9.3.4 Empfehlung Nr. 4: Hüten Sie sich vor der Skalierungsfalle;303
12.3.5;9.3.5 Empfehlung Nr. 5: Hüten Sie sich vor der Verallgemeinerungsfalle (so etwas wie ein kostenloses Mittagessen gibt es nicht);313
12.4;9.4 Intelligenz auf menschlicher Ebene;318
12.5;9.5 Kurz und bündig;321
13;10 Natural Language Processing (NLP);323
13.1;10.1 Was ist NLP, und warum ist es so wertvoll?;323
13.2;10.2 NLP-Datenaufbereitungstechniken;325
13.2.1;10.2.1 Die NLP-Pipeline;325
13.2.2;10.2.2 Konvertierung des Eingabeformats für maschinelles Lernen;332
13.3;10.3 NLP-Aufgaben und -Methoden;334
13.3.1;10.3.1 Regelbasiert (symbolisch) NLP;335
13.3.2;10.3.2 Ansätze des statistischen maschinellen Lernens;338
13.3.3;10.3.3 Neuronales NLP;347
13.3.4;10.3.4 Transferlernen;353
13.4;10.4 Auf dem neuesten Stand: Aktuelle Forschungsschwerpunkte für NLP;366
13.5;10.5 Kurz und bündig;369
14;11 Computer Vision;372
14.1;11.1 Was ist Computer Vision?;372
14.2;11.2 Ein Bild sagt mehr als tausend Worte;374
14.2.1;11.2.1 Das menschliche Auge;374
14.2.2;11.2.2 Das Bildaufnahmeprinzip;376
14.2.3;11.2.3 Digitale Dateiformate;381
14.2.4;11.2.4 Bildkomprimierung;383
14.3;11.3 Ich sehe was, was du nicht siehst . . .;384
14.3.1;11.3.1 Computergestützte Fotografie und Bildmanipulation;387
14.4;11.4 Computer-Vision-Anwendungen und zukünftige Richtungen;390
14.4.1;11.4.1 Image-Retrieval-Systeme;391
14.4.2;11.4.2 Objekterkennung, Klassifizierung und Verfolgung;393
14.4.3;11.4.3 Medizinische Computer Vision;395
14.5;11.5 Menschen sehen lassen;399
14.6;11.6 Kurz und bündig;401
15;12 Modellierung und Simulation – Erstellen Sie Ihre eigenen Modelle;403
15.1;12.1 Einführung;404
15.2;12.2 Allgemeine Aspekte;405
15.3;12.3 Modellierung zur Beantwortung von Fragen;406
15.4;12.4 Reproduzierbarkeit und Lebenszyklus des Modells;408
15.4.1;12.4.1 Der Lebenszyklus einer Modellierungs- und Simulationsfrage;410
15.4.2;12.4.2 Parameter- und Output-Definition;411
15.4.3;12.4.3 Dokumentation;414
15.4.4;12.4.4 Verifizierung und Validierung;415
15.5;12.5 Methoden;419
15.5.1;12.5.1 Gewöhnliche Differentialgleichungen (ODEs);420
15.5.2;12.5.2 Systemdynamik (SD);421
15.5.3;12.5.3 Diskrete Ereignissimulation;424
15.5.4;12.5.4 Agentenbasierte Modellierung;427
15.6;12.6 Beispiele für Modellierung und Simulation;430
15.6.1;12.6.1 Dynamische Modellierung von Eisenbahnnetzen zur optimalen Wegfindung mit agentenbasierten Methoden und Reinforcement Learning;430
15.6.2;12.6.2 Strategien zur agentenbasierten Covid-Modellierung;433
15.6.3;12.6.3 Deep-Reinforcement-Learning-Ansatz für eine optimale Nachschubpolitik in einer VMI-Umgebung;438
15.7;12.7 Zusammenfassung und Lessons Learned;441
15.8;12.8 Kurz und bündig;442
16;13 Visualisierung von Daten;446
16.1;13.1 Geschichte;447
16.2;13.2 Welche Tools Sie verwenden sollten;453
16.3;13.3 Arten von Datenvisualisierungen;455
16.3.1;13.3.1 Streudiagramm;456
16.3.2;13.3.2 Liniendiagramm;456
16.3.3;13.3.3 Säulen- und Balkendiagramme;457
16.3.4;13.3.4 Histogramm;458
16.3.5;13.3.5 Tortendiagramm;459
16.3.6;13.3.6 Box Plot;460
16.3.7;13.3.7 Heat Map;460
16.3.8;13.3.8 Baumdiagramm;461
16.3.9;13.3.9 Andere Arten von Visualisierungen;462
16.4;13.4 Wählen Sie die richtige Datenvisualisierung;462
16.5;13.5 Tipps und Tricks;465
16.6;13.6 Präsentation der Datenvisualisierung;470
16.7;13.7 Kurz und bündig;471
17;14 Datengetriebene Unternehmen;473
17.1;14.1 Die drei Ebenen eines datengesteuerten Unternehmens;474
17.2;14.2 Kultur;474
17.2.1;14.2.1 Unternehmensstrategie für Daten;475
17.2.2;14.2.2 Die Analyse des aktuellen Stands;477
17.2.3;14.2.3 Unternehmenskultur und Organisation einer erfolgreichen Datenorganisation;479
17.2.4;14.2.4 Kernproblem: der Fachkräftemangel;487
17.3;14.3 Technologie;489
17.3.1;14.3.1 Die Auswirkungen von Open Source;489
17.3.2;14.3.2 Cloud;490
17.3.3;14.3.3 Auswahl des Anbieters;490
17.3.4;14.3.4 Data Lake aus der Unternehmensperspektive;491
17.3.5;14.3.5 Die Rolle der IT;492
17.3.6;14.3.6 Data Science Labs;492
17.3.7;14.3.7 Revolution in der Architektur: das Data Mesh;493
17.4;14.4 Business;494
17.4.1;14.4.1 Daten kaufen und teilen;494
17.4.2;14.4.2 Implementierung des analytischen Anwendungsfalls;496
17.4.3;14.4.3 Self-Service Analytics;496
17.5;14.5 Kurz und bündig;497
18;15 Rechtliche Grundlagen;498
18.1;15.1 Einführung;498
18.2;15.2 Rechtliche Datenkategorien;499
18.3;15.3 Datenschutzgrundverordnung;500
18.3.1;15.3.1 Grundsätze der Datenschutzgrundverordnung;501
18.3.2;15.3.2 Einwilligungserklärung;502
18.3.3;15.3.3 Risikofolgeabschätzung;504
18.3.4;15.3.4 Anonymisierung und Pseudo-Anonymisierung;505
18.3.5;15.3.5 Arten der Anonymisierung;505
18.3.6;15.3.6 Rechtmäßigkeit, Transparenz und Verarbeitung;508
18.3.7;15.3.7 Recht auf Datenlöschung und Korrektur;509
18.3.8;15.3.8 Privacy by Design;510
18.3.9;15.3.9 Privacy by Default;510
18.4;15.4 ePrivacy-Verordnung;511
18.5;15.5 Datenschutzbeauftragter;511
18.5.1;15.5.1 Internationaler Datenexport in Drittländern;512
18.6;15.6 Sicherheitsmaßnahmen;512
18.6.1;15.6.1 Datensicherheit;513
18.7;15.7 Datenschutz in Kalifornien im Vergleich zur DSGVO;513
18.7.1;15.7.1 Territoriale Gültigkeit;514
18.7.2;15.7.2 Opt-in versus Opt-out;514
18.7.3;15.7.3 Recht auf Datenexport;515
18.7.4;15.7.4 Das Recht, nicht diskriminiert zu werden;515
18.8;15.8 Kurz und bündig;516
18.9;15.9 Weiterführende Literatur;517
19;16 AI in verschiedenen Branchen;518
19.1;16.1 Automobilindustrie;522
19.1.1;16.1.1 Vision;523
19.1.2;16.1.2 Daten;523
19.1.3;16.1.3 Anwendungsfälle;524
19.1.4;16.1.4 Herausforderungen;525
19.2;16.2 Luftfahrt;526
19.2.1;16.2.1 Vision;527
19.2.2;16.2.2 Daten;528
19.2.3;16.2.3 Anwendungsfälle;528
19.2.4;16.2.4 Herausforderungen;529
19.3;16.3 Energie;530
19.3.1;16.3.1 Vision;530
19.3.2;16.3.2 Daten;531
19.3.3;16.3.3 Anwendungsfälle;531
19.3.4;16.3.4 Herausforderungen;532
19.4;16.4 Finanzen;533
19.4.1;16.4.1 Vision;533
19.4.2;16.4.2 Daten;533
19.4.3;16.4.3 Anwendungsfälle;534
19.4.4;16.4.4 Herausforderungen;536
19.5;16.5 Gesundheit;536
19.5.1;16.5.1 Vision;537
19.5.2;16.5.2 Daten;538
19.5.3;16.5.3 Anwendungsfälle;538
19.5.4;16.5.4 Herausforderungen;539
19.6;16.6 Regierung;539
19.6.1;16.6.1 Vision;539
19.6.2;16.6.2 Daten;540
19.6.3;16.6.3 Anwendungsfälle;540
19.6.4;16.6.4 Herausforderungen;544
19.7;16.7 Kunst;544
19.7.1;16.7.1 Vision;545
19.7.2;16.7.2 Daten;545
19.7.3;16.7.3 Anwendungsfälle;546
19.7.4;16.7.4 Herausforderungen;546
19.8;16.8 Produktion;547
19.8.1;16.8.1 Vision;547
19.8.2;16.8.2 Daten;547
19.8.3;16.8.3 Anwendungsfälle;548
19.8.4;16.8.4 Herausforderungen;549
19.9;16.9 Öl und Gas;549
19.9.1;16.9.1 Vision;550
19.9.2;16.9.2 Daten;550
19.9.3;16.9.3 Anwendungsfälle;551
19.9.4;16.9.4 Herausforderungen;552
19.10;16.10 Sicherheit am Arbeitsplatz;553
19.10.1;16.10.1 Vision;553
19.10.2;16.10.2 Daten;554
19.10.3;16.10.3 Anwendungsfälle;554
19.10.4;16.10.4 Herausforderungen;555
19.11;16.11 Einzelhandel;556
19.11.1;16.11.1 Vision;556
19.11.2;16.11.2 Daten;557
19.11.3;16.11.3 Anwendungsfälle;557
19.11.4;16.11.4 Herausforderungen;558
19.12;16.12 Anbieter von Telekommunikation;558
19.12.1;16.12.1 Vision;559
19.12.2;16.12.2 Daten;559
19.12.3;16.12.3 Anwendungsfälle;559
19.12.4;16.12.4 Herausforderungen;561
19.13;16.13 Transport;562
19.13.1;16.13.1 Vision;562
19.13.2;16.13.2 Daten;563
19.13.3;16.13.3 Anwendungsfälle;563
19.13.4;16.13.4 Herausforderungen;563
19.14;16.14 Lehre und Ausbildung;564
19.14.1;16.14.1 Vision;564
19.14.2;16.14.2 Daten;565
19.14.3;16.14.3 Anwendungsfälle;566
19.14.4;16.14.4 Herausforderungen;566
19.15;16.15 Die digitale Gesellschaft;567
19.16;16.16 Kurz und bündig;569
20;17 Mindset und Community;570
20.1;17.1 Data Driven Mindset;570
20.2;17.2 Data-Science-Kultur;573
20.2.1;17.2.1 Start-up oder Beratungsunternehmen?;573
20.2.2;17.2.2 Labs statt Konzernpolitik;574
20.2.3;17.2.3 Keiretsu statt Einzelkämpfertum;575
20.2.4;17.2.4 Agile Softwareentwicklung;576
20.2.5;17.2.5 Firmen- und Arbeitskultur;577
20.3;17.3 Antipatterns;580
20.3.1;17.3.1 Abwertung von Fachwissen;580
20.3.2;17.3.2 Die IT wird es schon richten;581
20.3.3;17.3.3 Widerstand gegen Veränderungen;582
20.3.4;17.3.4 Besserwisser-Mentalität;582
20.3.5;17.3.5 Schwarzmalerei;583
20.3.6;17.3.6 Pfennigfuchserei;584
20.3.7;17.3.7 Angstkultur;584
20.3.8;17.3.8 Kontrolle über die Ressourcen;585
20.3.9;17.3.9 Blindes Vertrauen in die Ressourcen;585
20.3.10;17.3.10 Das Schweizer Taschenmesser;586
20.3.11;17.3.11 Over-Engineering;587
20.4;17.4 Kurz und bündig;588
21;18 Vertrauenswürdige KI;589
21.1;18.1 Rechtlicher und Soft-Law-Rahmen;590
21.1.1;18.1.1 Normen;592
21.1.2;18.1.2 Verordnungen;593
21.2;18.2 KI-Stakeholder;595
21.3;18.3 Fairness in der KI;596
21.3.1;18.3.1 Bias;597
21.3.2;18.3.2 Fairness-Metriken;600
21.3.3;18.3.3 Unerwünschten Bias in KI-Systemen reduzieren;604
21.4;18.4 Transparenz von KI-Systemen;605
21.4.1;18.4.1 Dokumentieren der Daten;606
21.4.2;18.4.2 Dokumentieren des Modells;608
21.4.3;18.4.3 Explainability (Erklärbarkeit);609
21.5;18.5 Schlussfolgerung;611
21.6;18.6 Kurz und bündig;611
22;19 Die Autor:innen;612
23;Index;617
