Fairness
Das Ziel, dass KI-Systeme alle Gruppen gleichberechtigt behandeln und keine systematische Diskriminierung verursachen.
Fairness in AI bedeutet gleichberechtigte Behandlung aller Gruppen. Verschiedene Definitionen (Demographic Parity, Equalized Odds) können konfligieren – kein universelles "fair".
Erklärung
Fairness-Definitionen: Demographic Parity (gleiche Raten), Equalized Odds (gleiche TPR/FPR), Individual Fairness (ähnliche behandeln ähnlich). Problem: Definitionen können konfligieren – nicht alle gleichzeitig erreichbar.
Relevanz für Marketing
Marketing-AI muss fair sein: Targeting ohne Diskriminierung, Preise ohne Gruppenbenachteiligung, Empfehlungen ohne Ausschluss.
Beispiel
Ein Kredit-Scoring-Modell wird auf Fairness geprüft: Haben verschiedene demografische Gruppen gleiche Approval-Raten bei gleichem Risiko?
Häufige Fallstricke
Fairness-Definitionen konfligieren oft. "Fair" je nach Stakeholder verschieden. Fairness-Optimierung kann Accuracy kosten.
Entstehung & Geschichte
Fairness-Forschung in ML explodierte nach 2016 (ProPublica COMPAS-Analyse). Google, IBM und Microsoft veröffentlichten Fairness-Toolkits. EU AI Act schreibt Bias-Tests für Hochrisiko-AI vor.
Abgrenzung & Vergleiche
Fairness vs. Bias
Bias ist das Problem (Verzerrung); Fairness ist das Ziel (Gleichbehandlung). Bias-Mitigation ist der Weg zu Fairness.
Fairness vs. Equity
Fairness kann Gleichbehandlung bedeuten; Equity bedeutet angepasste Behandlung, um gleiche Outcomes zu erreichen.