Alle Publikationen

  • Erweiterte Suche öffnen

Treffer: 3
  • <<
  • 1

  • 2018

  • Malhotra, Charru; Kotwal, Vinod; Dalal, Surabhi (2018) : ETHICAL FRAMEWORK FOR MACHINE LEARNING: 2018 ITU Kaleidoscope: Machine Learning for a 5G Future (ITU K): Santa Fe, Argentina: IEEE, S. 1-8

    DOI: https://doi.org/10.23919/ITU-WT.2018.8597767 

    Abstract: Artificial Intelligence (AI) with its core subset of Machine Learning (ML) is rapidly transforming life experiences as humans begin to grow more dependent on these ‘smart machines’ for their needs - ranging from routine mundane chores to critical personal decisions. However, these transformative technologies are at the same time proving unpredictable too as has been reported worldwide in certain cases. Therefore, several studies/reports, such as COMEST report on Robotics ethics (UNESCO, 2017) point to an obvious need for inculcating more ethical behavior in machines. The present study aims to look at the role and interplay of ML (the hard sciences) and Ethics (the soft sciences) to resolve such predicaments that are inadvertently manifested by machines not constrained or controlled by human expectations. Based on focused review of literature of both domains-ML and Ethics, the proposed paper attempts to first build on the need for introduction of an ethical algorithm in the domain of machine learning and then endeavors to provide a conceptual framework to resolve the ethical dilemmas.

    Keywords: Artificial intelligence, Artificial intelligence/machine learning, Big Data, COMEST report, critical personal decisions, Decision Making, design approach, domains-ML, emotional quotient, ethical algorithm, ethical aspects, ethical behavior, ethical dilemmas, ethical framework, Ethics, hard sciences, human expectations, ieee xplore, learning (artificial intelligence), machine learning, Machine learning algorithms, Moral & Ethik, Prediction algorithms, robotic ethics, Robots, routine mundane chores, smart machines, soft sciences, spiritual quotient, transformative technologies

  • 2016

  • Richter, Phillipp; Kaminski, Andreas (2016): "Before you even know ..." - Big Data und die Erkennbarkeit des Selbst. In: IRIE - International Review of Information Ethics 24 (5), S. 44-54

    Abstract: Der Big Data - Technologie wird das Potenzial zugeschrieben, durch Mustererkennung in aggregierten Daten Verhaltensweisen von Personen zu prognostizieren, noch bevor diese intendiert und reflektiert würden. Zumeist widmet sich die Big Data Debatte daher den Befürchtungen möglicher Einbußen von Privatheit und Freiheit. In unserem Beitrag wählen wir jedoch einen anderen Zugriff und fragen, inwiefern die Big Data Visionen das Selbstsein betreffen, also das Konzept davon, wer ich selbst eigentlich bin. Wenn Selbstsein, Martin Heidegger zufolge, eigentlich bedeutet, in kritischer Distanz zu vorgegebenen Möglichkeiten zu leben, stellt sich die Frage, welches Kriterium hier eine klare Unterscheidbarkeit gewährleistet: Wie kann ich wissen, echt ich selbst zu sein, ohne nur wiederum andere Üblichkeiten nachzuahmen? Wir fragen daher, ob die Big Data Technologie subjektive Verzerrungen und Täuschungen über das Selbst ausschalten könnte. Hierfür wird der Begriff „Selbstsein“ bei Heidegger erarbeitet. Dabei lässt sich allerdings zeigen, dass dieser letztlich ohne Trennschärfe bleibt, da die nur negative Charakterisierung von eigentlichem Selbstsein, Heidegger zufolge, echt oder unecht ausgestaltet sein kann – der aus der Möglichkeit echter oder unechter Selbsterzählung resultierende Relativismus wurde bisher nicht hinreichend beachtet. Big Data k ann zwar uneigentliche Erzählmuster vermeiden, nicht aber uneigentliches oder eigentliches Verhalten differenzieren; ob ich z.B. manches – unecht eigentlich – aus Trotz oder Kalkül gegen mein eigenes Selbstverständnis tat, bleibt verborgen. Fazit: Es muss entweder ein Kriterium für echtes Eigentlichsein entwickelt oder der Anspruch, darüber Auskunft zu geben, verworfen werden – bei Heidegger und Big Data. Verzichtet man jedoch auf die Idee einer (echten) Eigentlichkeit verzichtet man auf den Begriff des Sel bst.

    Keywords: Anerkennung, Big Data, deutsche Community, Disziplin, Favoriten, Heidegger, Im (wissenschaftlichen) Diskurs, Mensch-Technik-Relationen (MTR), Modelle/Theorien, Ontologie, Realtechnik, Philosophie, recognition and self, Reflexionen über MTR, Selbst, Selbst und Eigentlichkeit (Heidegger), Soziale Angemessenheit, Sozialphilosophie, Technik

  • 2015

  • Raab, Thomas (2015): DATA DRIVEN NARCISSISM: HOW WILL 'Big Data' FEED BACK ON US. In: Journal of Consciousness Studies (22.9/10), S. 215-228

    Abstract: How do 'big data' affect us as psychological beings? In this paper I argue that the user-specific contents spawned by analyses of massive data sets obtained by transaction data and online marketing software agents of Facebook, LinkedIn, Twitter, etc. must tend to reinforce the respective user's 'self-image'. As long as this man-machine feedback loop is not interrupted by purposeful manipulation, it will thus lead to a general behaviour schematization enabling a yet more precise consumer prediction and so forth. The final result may be a population that is maximally predictable while at the same time each individual of that population may feel maximally singular. Is such a social end state heaven — or is it hell?

    Keywords: Big Data, Disziplin, Filter Bubble, Im (wissenschaftlichen) Diskurs, Kulturtheorie, man-machine, Mensch-Technik-Relationen (MTR), Reflexionen über MTR
  • <<
  • 1