vorschlag

IBC.tex

@@ -1,26 +1,12 @@
-%%
-%% This is file `example_DarkConsole.tex',
-%% generated with the docstrip utility.
-%%
-%% The original source files were:
-%%
-%% examples_kmbeamer.dtx  (with options: `DarkConsole')
-%% Copyright (c) 2011-2013 Kazuki Maeda <kmaeda@users.sourceforge.jp>
-%% 
-%% Distributable under the MIT License:
-%% http://www.opensource.org/licenses/mit-license.php
-%% 
-%%% もし pdfTeX や LuaTeX を使うなら dvipdfmx オプションを外す．
-% \documentclass[dvipdfmx]{beamer}
-% Modified by LianTze Lim to work with fontspec/xelatex
 \documentclass{beamer}
 
 \usetheme{DarkConsole}
 \usepackage{graphicx}
 \usepackage{caption}
 
-\title{\texttt{exit iBorderCtrl}}
+\title{\texttt{iBorderCtrl} /exit iBorderCtrl}
-\subtitle{KI im Kontext von Sicherheitspolitik}
+\subtitle{KI im Kontext von Sicherheitspolitik/  \\
+Wie die EU versucht rassistische Migrationspolitik durch einen pseudowissenschaftlichen KI-Lügendetektor zu legitimieren}
 \author{verschiedene\footnote{\texttt{AG Link}}}
 
 \begin{document}
@@ -33,8 +19,20 @@
   \tableofcontents
 \end{frame}
 
-\section{Was ist iBorderCtrl?}
+\section{Was ist iBorderCtrl? (15min)}
-
+\subsection{Akteure und Organisationsstruktur}
+\begin{frame}{Akteure und Organisationsstruktur}
+\begin{itemize}
+\item Horizon 2020, (auch Roborder)
+\item Tresspass etc. 
+\item Finanzierung
+\item beteiligte Unternehmen? Beteiligte Universitäten
+\item Aktueller Entwickllungsstand 
+\end{itemize}
+\end{frame}
+\subsection{Silent Talker}
+\begin{frame}{Silent Talker}
+\end{frame}
 \begin{frame}
 	\begin{figure}
 		\includegraphics[scale = 0.8]{iborderctrl-avatar-300x268.jpg}
@@ -42,37 +40,49 @@
 	\end{figure}
 	"The avatar is presented in a uniform to convey an air of authority." (K.Crockett et.al.)
 \end{frame}
+\subsection{Geschichte des Lügendetektor}
 
-
+\begin{frame}{Geschichte des Lügendetektor}
-\section{Grundlagen DNN}
-
-\begin{frame}{something}
-  something
-
-  \pause
-
-  \begin{enumerate}
-  \item 1\pause
-  \item 2\pause
-  \item 3
-  \end{enumerate}
-
-  \pause
-
 \begin{itemize}
-  \item 4\pause
+\item Polygraph (Genauigkeit: beinahe zufällig (Saxe , Ben-Shakhar, 1999)
-  \item 5\pause
+\item Mirco Expression etc.
-  \item 6
+\end{itemize}
+Infos in : The  politics  of  deceptive  borders:  biomarkers  of  deceit  and  the  case  of 
+iBorderCtrl
+\end{frame}
+
+
+
+\section{Grundlagen KI (15min)}
+\subsection{Begriffsdefinitionen}
+\begin{frame}{Begriffsdefinitionen}
+	\begin{itemize}
+		\item Algorithmus 
+		\item KI / Machine Learning
+		\item Neuronale Netze und Deep Learning
 	\end{itemize}
 \end{frame}
-\begin{frame}{Overfitting}
 
+\begin{frame}{Aufbau der Datensätze}
+	\begin{itemize}
+		\item supervised learning -> Datenpaare
+		\item Training, Validation and Test Data
+	\end{itemize}
+\end{frame}
+
+\subsection{overfitting}
+\begin{frame}{Overfitting}
 \begin{figure}
 \includegraphics[scale = 0.4]{overfitting.png}
 \caption*{Quelle: Sagar Sharma / Towards Data Science}
 \end{figure}
 \end{frame}
-\section{Bias und KI}
+
+
+\section{Grenzen von KI / Grenzen und Risiken von KI (20min)}
+\subsection{Beispiele Diskriminierender KI}
+\subsection{KI und Bias}
+
 \begin{frame}{Beispiele diskriminierender KI}
 \begin{itemize}
 \item COMPAS -  Risikoabsch\"{a}tzung Gefangener in Florida
@@ -83,74 +93,84 @@
 \begin{itemize}
 \item Stellenanzeigen wurden häufiger M\"{a}nnern (cis?) angezeigt.
 \end{itemize}
-\item Einstellungsverfahren
+\item Einstellungsverfahren (konkreter Fall amazon?)
-\item Gesichtserkennung, Stimmerkennung, etc.
+\item Gesichtserkennung, Stimmerkennung, etc. (konkrete Fälle)
 \end{itemize}
 \end{frame}
+
+
 \begin{frame}{Arten von Bias}
+Bias = Verzerrung
 \begin{itemize}
 \item Bias in den Daten
 \item Bias durch Design des Algorithmus
 \item Bias durch R\"{u}ckkopplung im Gebrauch
 \end{itemize}
+Konsequenz: Diskriminierende Algorithmen (auch Gender Bias, Racial Bias, Neurodiversity Bias etc. genannt)
 \end{frame}
+
+
 \begin{frame}{Bias in den Daten}
 \begin{itemize}
-\item Measurement Bias
+\item Wie werden bestimmte Eigenschaften gemessen/bestimmt? (Measurement Bias)
 \begin{itemize}
-\item Wie werden bestimmte Eigenschaften gemessen/bestimmt? 
 	\item COMPAS: Verhaftungen auch von Familie etc. wurden genutzt um Risiko zu bewerten
 \end{itemize}
-\item Omitted Variable Bias
+\item wichtige Daten werden nicht im Modell berücksichtigt (Omitted Variable Bias)
 \begin{itemize}
-\item Wichtige Daten werden nicht im Modell berücksichtigt
+\item Beispiel
 \end{itemize}
-\item Represenation Bias
+\item fehlende Diversit\"{a}t in den Verf\"{u}gbaren Daten (Represenation Bias)
 \begin{itemize}
-\item Fehlende DIversit\"{a}t in den Verf\"{u}gbaren Daten
+\item Beispiel
 \end{itemize}
-\item Aggregation Bias
+\item Spezifische Eigenschaften von Minderheiten gehen im gesamten Datensatz unter/Ableiten von Aussagen \"{u}ber Individuen aus Minderheit aus allgemeinem Datensatz (Aggregation Bias)
 \begin{itemize}
-\item Ableiten von Aussagen \"{u}ber Individuen aus Minderheit aus allgemeinem Datensatz
+\item Beispiel
 \end{itemize}
-\item Sampling Bias
+\item Ungleiche Datenmenge verschiedener Untergruppen (Sampling Bias)
 \begin{itemize}
- \item Ungleiche Datenmenge verschiedener Untergruppen
+ \item Beispiel
 \end{itemize}
 \end{itemize}
 \end{frame}
 
-\begin{frame}{Aggregation Bias und Sampling Bias}
-\end{frame}
-
 \begin{frame}{Bias in den Daten}
 \begin{itemize}
-\item Historical Bias
+\item Historical Bias (Erklärung, Beispiel)
-\item Population Bias
+\item Population Bias (Erklärung, Beispiel)
 \item etc.
 \end{itemize}
 \end{frame}
 
 \begin{frame}{Bias durch Design}
 \begin{itemize}
-\item Algorithmischer Bias
+\item Algorithmischer Bias (Erklärung, Beispiel)
-\item Evaluations Bias
+\item Evaluations Bias (Erklärung, Beispiel)
 \item etc.
 \end{itemize}
 \end{frame}
 
 \begin{frame}{Bias durch R\"{u}ckkopplung}
+Beispiel  (Profiling? )
+\end{frame}
 
+\subsection{KI und Interpretierbarkeit}
+
+\begin{frame}{Interpretierbarkeit}
+\begin{itemize}
+\item Was heißt interpretierbar
+\item Warum will mensch das
+\item Blackbox-Argument
+\item Betriebsgeheminis
+\item Beispiel: Hack zum Missklassifizieren
+\end{itemize}
 \end{frame}
-\section{Interpretierbarkeit und KI}
+
-\begin{frame}{Was heisst interpretierbar?}
+
-\end{frame}
+\section{iBorderCtrl / Bias Bingo mit iBorderCtrl (20min)(interaktiv?)}
-\begin{frame}{Wieso will mensch Interpretierbarkeit?}
+
-\end{frame}
+\begin{frame}{Bias in iBorderCtrl}
-\section{iBorderCtrl - Forschungsergebnisse}
-\begin{frame}{Aufbau iBorderCtrl}
-\end{frame}
-\begin{frame}{Verwendete Daten und Ergebnisse}
 \end{frame}
 
 \begin{frame}{Testerbenisse}
@@ -162,7 +182,15 @@
 \includegraphics[scale = 0.36]{Ergebnis_ibc}
 \end{figure}
 \end{frame}
+\section{Ausblick/ Diskussion(20min)}
+\subsection{politische Einordnung}
+\begin{frame}{politische Einordnung}
+\begin{itemize}
+\item unfreiwillige Datenerhebung zur "Verbesserung" des Algorithmus
+\item Entwicklung Ethischer Normen für KI
+\end{itemize}
+\end{frame}
+\subsection{Wie und wofür forschen wir? /Wissenschaft und Ethik}
+\begin{frame}
+\end{frame}
 \end{document}
-%\endinput
-%%
-%% End of file `example_DarkConsole.tex'.

beamercolorthemeDarkConsole.sty

@@ -16,6 +16,7 @@
 
 \setbeamercolor*{title}{fg=chartreuse}
 \setbeamercolor*{frametitle}{fg=chartreuse}
+\setbeamercolor*{footline}{fg =chartreuse}
 
 \setbeamercolor*{itemize item}{fg=chartreuse}
 \setbeamercolor*{enumerate item}{fg=chartreuse}

beamerthemeDarkConsole.sty

@@ -20,7 +20,7 @@
 \setbeamerfont{title}{size=\normalsize,series=\bfseries}
 \setbeamerfont{frametitle}{size=\normalsize,series=\bfseries}
 \setbeamerfont{block title}{size=\normalsize,series=\bfseries}
-\setbeamerfont{footline}{size*={5}{\z@},series=\bfseries}
+\setbeamerfont{footline}{size*={8}{\z@},series=\bfseries}
 
 \setbeamertemplate{itemize item}{*}
 \setbeamertemplate{itemize subitem}{*}