Dateien hochladen nach „“

IBC.tex

@@ -1,10 +1,14 @@
+% !TeX program = lualatex
+
 \documentclass{beamer}
 
 \usetheme{DarkConsole}
 \usepackage{graphicx}
 \usepackage{caption}
 
-\title{\texttt{Smart Borders? Test}}
+%\setbeamersize{text margin left=20pt,text margin right=10pt}
+
+\title{\texttt{Smart Borders?}}
 \subtitle{Wie die EU versucht Grenzübergänge mit einem diskriminierenden KI-Lügendetektor zu regulieren.}
 \author{verschiedene\footnote{\texttt{AG Link}}}
 
@@ -41,13 +45,48 @@
 \end{frame}
 \subsection{Geschichte des Lügendetektor}
 
-\begin{frame}{Geschichte des Lügendetektor}
+
+\begin{frame}{Die Geschichte des Lügendetektors - Der Polygraph}
+	\begin{figure}
+		\includegraphics[scale = 0.8]{Polygraph}
+		\caption*{Foto: Sebastian Kahnert/ dpa}
+	\end{figure}
+	\end{frame}
+\begin{frame}{Die Geschichte des Lügendetektors - Der Polygraph}
 	\begin{itemize}
-\item Polygraph (Genauigkeit: beinahe zufällig (Saxe, Ben-Shakhar, 1999)
+		\item Entwicklung in der ersten Hälfte des 20. Jahrhunderts
-\item Mirco Expressions etc.
+		\item Maßgeblich von John A. Larson (Polizist und Physiologe) geprägt
+		\item Später patentiert und vermarktet
+		\item Forschung umstritten
+		\item Einige Studien legen nahe, dass Ergebnisse beinahe zufällig sind 
+				(Saxe, Ben-Shakhar, 1999)
+		\item  Andere Systeme, die physiologische Reaktionen testen ähnlich umstritten
+		\end{itemize}
+	\end{frame}
+
+\begin{frame}{Die Geschichte des Lügendetektors - Mikroexpressionen}
+\begin{figure}
+	\includegraphics[scale = 0.35]{Ekman_Facial_Affekt}
+	\caption*{Paul Ekman's Pictures of Facial Affect}
+\end{figure}
+	\end{frame}
+
+\begin{frame}{Die Geschichte des Lügendetektors - Mikroexpressionen}
+	\begin{itemize}
+		\item Facial Action Coding System (FACS) von Ekman und Friesen entwickelt,
+		\item 'Mikroexpressionen' codieren Gefühle des Menschen,
+		\item Annahme: Lügen ist emotionaler AKt und kann mit Mikroexpressionen entschlüsselt werden,
+		\item Studien zeigen: Vorgehen ist so exakt wie zufällige Vermutung,
+		\item Forschung ist uneinig, ob Mikroexpressionen bei jedem Menschen vorliegen und eindeutig sind.
+		\end{itemize}
+	\end{frame}
+
+\begin{frame}{Die Geschichte des Lügendetektors - Die Rolle von KI}
+	\begin{itemize}
+		\item Versuche Mikroexpressionen und ähnliches mit KI zu klassifizieren,
+		\item Nutzung für die Optimierung von Werbeanzeigen (Facebook),
+		\item Projekt AVATAR (US-Projekt für Grenzkontrollen)
 	\end{itemize}
-Infos in: The  politics  of  deceptive  borders:  biomarkers  of  deceit  and  the  case  of 
-iBorderCtrl
 \end{frame}
 
 \section{Grundlagen KI (15min)}
@@ -77,6 +116,61 @@ iBorderCtrl
 
 
 \section{Grenzen von KI / Grenzen und Risiken von KI (20min)}
+\subsection{KI und Interpretierbarkeit}
+
+\begin{frame}{Was heißt interpretierbar?}
+	\begin{itemize}
+		\item Keine einheitliche Definition
+		\item Interpretierbarkeit als "Verstehen des Algorithmus":
+		\begin{itemize}
+			\item Bedeutung der Parameter kann verstanden werden
+			\item Funktionsweise des Alogrithmus kann für jeden Input nachvollzugen werden
+			\item Kann bei KI oft nicht angewendet werden
+			\end{itemize}
+		\item Interpretierbarkeit durch methodische Analyse:
+		\begin{itemize}
+			\item Verschiedene Techniken
+			\item Benutzung weiterer KI
+			\item Analyse durch Manipulation von Datensätzen
+			\item Konzepte sind neu
+			\item Bedeutung und Korrektheit nicht geklärt
+			\end{itemize}
+	\end{itemize}
+	\end{frame}
+
+\begin{frame}{Wofür braucht mensch Interpretierbarkeit?}
+	\begin{itemize}
+		\item Kausalität vs. Korrelation, was lernt die KI? 
+		\item Bsp.: KI soll Basketbälle erkennen und wird mit Bildern unterschieldicher 
+		Bälle trainiert. Erkennt die KI tatsächlich den Basketball oder einfach nur
+		die Farbe Oragne?
+		\item Wenn KI in gesellschaftlich relevanten Bereichen eingesetzt wird, kann
+		es entscheidend sein Ergebnisse interpretieren zu können
+	\end{itemize}
+	\end{frame}
+
+\begin{frame}{Missklassifikationshack}
+	\begin{itemize}
+		\item Ergebnisse der KI hängen stark vom Datensatz ab
+		\item Daraus ergibt sich ein Angriff auf KI's
+		\item Die Kriterien für die Entscheidung der KI stimmen nicht mit menschlichen Kriterien überein
+	\end{itemize}
+\end{frame}
+
+\begin{frame}{Panda oder Gibbon? }
+	\begin{figure}
+		\includegraphics[scale = 0.55]{panda_gibbon}
+		\caption*{Quelle: J. Goodfellow et. al. }
+	\end{figure}
+\end{frame}
+
+\begin{frame}
+	\begin{figure}
+		\includegraphics[scale = 0.07]{gibbon}
+		\caption*{Quelle:  }
+	\end{figure}
+\end{frame}
+
 \subsection{KI und Bias}
 \begin{frame}{Arten von Bias}
 Bias = Verzerrung
@@ -92,19 +186,19 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
 
 \begin{frame}{Bias in den Daten}
 \begin{itemize}
-\item Measurement Bias: Wie werden bestimmte Eigenschaften gemessen/bestimmt?
+\item \alert<1>{Measurement Bias:} Wie werden bestimmte Eigenschaften gemessen/bestimmt?
 \begin{itemize}
 	\item COMPAS: Verhaftungen auch von Familie etc. wurden genutzt um Risiko zu bewerten
 \end{itemize}
-\item Omitted Variable Bias: Wichtige Daten werden nicht im Modell berücksichtigt
+\item<2-> \alert<2>{Omitted Variable Bias:} Wichtige Daten werden nicht im Modell berücksichtigt
 \begin{itemize}
 	\item Ein Programm das die Kündigung von Abos (zB Netflix) prognostiziert, aber neue Konkurrenzangebote nicht beachtet
 \end{itemize}
-\item Represenation Bias: Fehlende Diversität in den verfügbaren Daten
+\item<3-> \alert<3>{Represenation Bias:} Fehlende Diversität in den verfügbaren Daten
 \begin{itemize}
 	\item Coded Gaze, Joy Buolamwini
 \end{itemize}
-\item Aggregation Bias: Spezifische Eigenschaften von Minderheiten gehen im gesamten Datensatz unter/Ableiten von Aussagen über Individuen aus Minderheit aus allgemeinem Datensatz
+\item<4-> \alert<4>{Aggregation Bias:} Spezifische Eigenschaften von Minderheiten gehen im gesamten Datensatz unter/Ableiten von Aussagen über Individuen aus Minderheit aus allgemeinem Datensatz
 \begin{itemize}
 	\item Diskriminierungsklage gegen die Universität Berkeley
 \end{itemize}
@@ -126,41 +220,29 @@ Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodi
 \end{itemize}
 \end{frame}
 
-\subsection{KI und Interpretierbarkeit}
-
-\begin{frame}{Interpretierbarkeit}
-\begin{itemize}
-\item Was heißt interpretierbar?
-\item Warum will mensch das?
-\item Blackbox-Argument
-\item Betriebsgeheimnis-Argument
-\item Missklassifikationshack
-\end{itemize}
-\end{frame}
-
 \section{Bias Bingo mit / Bias in iBorderCtrl (20min)(interaktiv?)}
 
 \begin{frame}{Bias in iBorderCtrl}
 \begin{itemize}
-\item Measurement Bias: Schauspieler*innen statt echte Situationen, Stress beim Grenzübergang löst u.U. gleiche Symptome wie Lügen aus (?)
+\item<1-> \alert<1>{Measurement Bias:} Schauspieler*innen statt echte Situationen, Stress beim Grenzübergang löst u.U. gleiche Symptome wie Lügen aus
-\item Omitted Variable Bias: Lügen zeigt sich in nichterfassten Phänomenen
+\item<2-> \alert<2>{Omitted Variable Bias:} Lügen/nicht Lügen zeigt sich in nichterfassten Phänomenen
-\item Representation Bias: fehlende Diversität race, gender, neurdiversity, disability, health, scars
+\item<3-> \alert<3>{Representation Bias:} fehlende Diversität race, gender, neurdiversity, disability, health, scars
-\item Aggregation Bias: s. representation bias, teilweiser Versuch der Gegensteuerung
+\item<4-> \alert<4>{Aggregation Bias:} Reaktionen (z.B. Mikroexpressionen) nicht konsistent. Gleiches Verhalten kann unterschiedliches bedeuten.
-\item Overfitting: 73 Prozent in Testdaten vs 93 Prozent in Trainingsdaten, das impliziert Overfitting ist wahrscheinlich
+\item<5-> \alert<5>{Overfitting:} 73 Prozent in Testdaten vs 93 Prozent in Trainingsdaten, das impliziert Overfitting ist wahrscheinlich
 \end{itemize}
 \end{frame}
 
 \begin{frame}{Bias in iBorderCtrl}
 \begin{itemize}
-\item Evaluation Bias: Testbedingungen entsprechen nicht den Einsatzbedingungen, zB Licht, Diversität
+\item<1-> \alert<1>{Evaluation Bias:} Testbedingungen entsprechen nicht den Einsatzbedingungen, zB Licht, Diversität
-\item Bias durch Rückkopplung: Wenn Einsatzdaten wieder eingespeist werden, dann: LD klassifiziert mehr Benachteiligte als lügend, Überprüfungsbeamt*in ebenso und gibt Daten zurück
+\item<2-> \alert<2>{Bias durch Rückkopplung:} Wenn Einsatzdaten wieder eingespeist werden, dann: LD klassifiziert mehr Benachteiligte als lügend, Überprüfungsbeamt*in ebenso und gibt Daten zurück
 \end{itemize}
 \end{frame}
 
 \begin{frame}{Testergebnisse}
 \begin{itemize}
 \item Anzahl verschiedener Personen in der Testdatenmenge: 1
-\item Emprische Varianz der Tests: 
+\item Stichprobenstreuung: 24.37 (Truthful) / 34.29 (Deceptive)
 \end{itemize}
 \begin{figure}
 \includegraphics[scale = 0.36]{Ergebnis_ibc}