@l.a

Spannender Artikel! Dass ähnliche Techniken bereits angewendet werden, habe ich nun bei einem Vortrag des CO2-Removal-Unternehmens TREEO gelernt. Es vermittelt zwischen großen Unternehmen des globalen Nordens und Landbesitzern im globalen Süden. Die Unternehmen zahlen an TREEO für ihren CO2-Ausstoß und die Landbesitzer, meist Bauern, werden von TREEO für das Anpflanzen und auch Pflegen von neuen Bäumen auf ihrem Land vergütet.Um den genauen CO2-Abbau zu berechnen, machen die Bauern Bilder der Baumstämme mit dem Smartphone, sodass die Baumstammdicke sowie die Baumart zur Berechnung verwendet werden kann. Satellitenbilder werden bisher (noch?) nicht zur CO2-Messung genutzt, dafür aber für das Überprüfen der Anzahl neu angepflanzter Bäume.

Tolles Beispiel, wie sich KI-Modelle in einem spezifischen Forschungs- und Expertenbereich einsetzen lassen. Besonders da sie auch bisher unbekannte Eigenschaften mitsimulieren können, stimme ich zu, dass sie ein interessantes und hilfreiches Werkzeug für Forschende darstellen.

Tolles Grundlagen-Intro zum Turing-Test und besonders zu seiner ursprünglichen Form, dem Imitation Game ganz ohne Maschine.

Strubells Forderung einer Kosten-Nutzen-Analyse ist meiner Meinung nach ein guter erster Schritt in Richtung einer Programmierkultur, die sich ihres Energieverbrauchs bewusst ist.Ich könnte mir sogar eine weitreichendere Analyse vorstellen, in der die Kosten von KI-Modellen für Umwelt und Gesellschaft nicht nur in den dazugehörigen Papern berichtet werden, sondern auch direkt in ein - am besten einheitliches - Bewertungsschema für KI-Modelle miteinfließen. Dieses Schema könnte Nutzen (Leistung, Genauigkeit) und Kosten (Umwelt, Gesellschaft) gegeneinander aufwiegen. Steht für eine Aufgabe nun mehr als ein Modell zur Auswahl, könnte mit Hilfe des Bewertungsschemas jenes Modell bevorzugt werden, das die bessere Balance zwischen Nutzen und Kosten findet.

Schön, wie der Artikel auch die Wechselbeziehung zwischen den Stereotypen der Menschen und den Klassifizierungen der KI-Algorithmen zeigt. Nicht nur die von Menschen eingespeisten Vorurteile beeinflussen die Ausgabe der Algorithmen, auch ihre Ausgaben können die Stereotype der Menschen beeinflussen — besonders wenn in Zukunft immer mehr Menschen immer häufiger mit KI-Algorithmen und deren Klassifizierungen in Berührung kommen.Wie löst man diesen Kreis aus (gespiegelten) Vorurteilen auf?Dem Appell zu folgen und zuerst die eigenen Stereotype zu hinterfragen, klingt nach einem sinnvollen Ansatz.