Erklärbarkeit und Zuverlässigkeit hinzugefügt

Content.tex

@@ -8,3 +8,4 @@
 \input{parts/Logik.tex}
 \input{parts/Maschinelles Lernen.tex}
 \input{parts/Semi-supervised Learning.tex}
+\input{parts/Problematiken.tex}

chapters/Problematiken/Erklärbarkeit.tex

@@ -0,0 +1,18 @@
+\chapter{Erklärbarkeit}
+\label{erklaerbarkeit}
+    Das Ziel der Erklärbarkeit ist es genügend Informationen über ein System zu sammeln, um eine Entscheidung des Systems erklären zu können.
+
+    \section{Verfahren}
+    \label{erklaerbarkeit: verfahren}
+        \includegraphics[width = \textwidth]{black-box_explanations.png}
+
+    \section{Heatmaps}
+    \label{erklaerbarkeit: heatmaps}
+        Mithilfe der \say{Layer-Wise Relevance Propagation} ist es möglich herauszufinden,
+        welche Eigenschaften der Eingabe einen großen bzw. kleinen Einfluss auf die Ausgabe gehabt haben.\\
+        \includegraphics[width = .8\textwidth]{layer-wise_relevance_propagation.png}\\
+        Die graphische Darstellung der Relevanz erfolgt häufig in Form einer Heatmap:\\
+        \includegraphics[width = \textwidth]{validierung_gesichtsklassifikator.png}
+        Eine solche Heatmap erlaubt es dem Menschen einzuschätzen, ob die Merkmale, die ein Modell für die Ausgabe verwendet sinnvoll sind.
+        Jedoch auch dies nur eingeschränkt, da die Heatmap keine Information darüber gibt, wie die Datenpunkte die Ausgabe beeinflussen.\\
+        \includegraphics[width =\textwidth]{heatmap_husky_flute.png}

chapters/Problematiken/Zuverlässigkeit und Vertrauen.tex

@@ -0,0 +1,26 @@
+\chapter{Zuverlässigkeit und Vertrauen}
+\label{zuverlaessigkeit und vertrauen}
+    Da viele \ac{ML}-Modelle (\ref{ml}) als Blackbox-Modelle implementiert sind ist es schwer (bis unmöglich) sie zu verifizieren.
+    Dies kann entweder daran liegen, dass sie zu kompliziert sind um vom Menschen verstanden zu werden oder daran, dass ihr Inhalt proprietär ist.
+    Dies macht es wiederum sehr schwer Fehlern nachzugehen.
+    Manche dieser Fehler können fatale Folgen haben:
+    \begin{itemize}
+        \item Produktionsausfall (durch unentdeckten Systemfehler)
+        \item Rechtliche Konsequenzen (z.B. durch diskriminierende Bewertung (meist durch schlechte Wahl der Trainingsdaten (\ref{bias})))
+        \item Gefahr für Menschen (z.B. Auto erkennt Fußgänger nicht)
+        \item \dots
+    \end{itemize}
+    Folglich muss ein System, dem vertraut werden soll, Informationen über den internen Algorithmus geben.
+
+    \section{Zertifizierung von \ac{KI}}
+    \label{zertifizierung ki}
+        Mithilfe von Zertifizierungen, die von einer unabhängigen stelle ausgestellt werden,
+        kann eine Übersicht über die Zuverlässigkeit einzelner \acp{KI} erstellt werden.
+        Dies hat mehrere Vorteile:
+        \begin{itemize}
+            \item Eine Zertifizierung macht zuverlässige und sichere Technologien erkennbar
+            \item Eine Zertifizierung leistet einen Beitrag zur Akzeptanz von \ac{KI} in der Gesellschaft
+        \end{itemize}
+
+        \paragraph{Handlungsfelder einer Zertifizierung}\mbox{}\\
+            \includegraphics[width = \textwidth]{handlungsfelder_zertifizierungen.png}

parts/Problematiken.tex

@@ -0,0 +1,5 @@
+\part{Problematiken}
+\label{problematiken}
+
+\input{chapters/Problematiken/Zuverlässigkeit und Vertrauen.tex}
+\input{chapters/Problematiken/Erklärbarkeit.tex}