Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Bias and Discrimination in Machine Learning An Overview
Organization Unit
Authors
  • Vincent Theus
Supervisors
  • Lorenz Hilty
  • Clemens Mader
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2020
Abstract Text Phrases such as biased AI or discrimination through machine learning have started appearing more and more in mainstream and social media. The AI industry is booming and an increasing number of decisions are being made by machines. Sometimes these decisions are perceived as ethically or morally wrong by society, which causes the algorithms that made these decisions to be labeled biased. But what does biased actually mean and when is it justified to speak of discrimination through machine learning? This thesis aims to examine bias and discrimination in machine learning more closely, provide a well formulated definitions of these terms and determine possible ways through which a machine learning algorithm could become biased during its development. Finally, the fairly new topic of machine learning in education is used to illustrate the possible consequences of using biased machine learning algorithms in schools.
Zusammenfassung Ausdrücke wie voreingenommene KI oder Diskriminierung durch maschinelles Lernen tauchen immer häufiger in den Mainstream- und sozialen Medien auf. Die KI-Branche boomt und immer mehr Entscheidungen werden von Maschinen getroffen. Manchmal werden diese Entscheidungen von der Gesellschaft als ethisch oder moralisch falsch empfunden, was dazu führt, dass die Algorithmen, die diese Entscheidungen getroffen haben, als voreingenommen bezeichnet werden. Aber was bedeutet eigentlich voreingenommen und wann ist es gerechtfertigt, von Diskriminierung durch maschinelles Lernen zu sprechen? Diese Arbeit zielt darauf ab, Voreingenommenheit und Diskriminierung beim maschinellen Lernen genauer zu untersuchen, eine gut formulierte Definition dieser Begriffe zu liefern und mögliche Wege zu bestimmen, durch die ein Machine-Learning-Algorithmus während seiner Entwicklung voreingenommen werden könnte. Abschliessend wird das relativ neue Thema des maschinellen Lernens in der Bildung verwendet, um die möglichen Folgen der Verwendung voreingenommener Machine-Learning-Algorithmen in Schulen zu veranschaulichen.
PDF File Download
Export BibTeX