KI-Verordnung (AI Act)

Der Ansatz für KI-Systeme basiert auf einer Risikobewertung. Der regulatorische Rahmen definiert vier Risikokategorien für KI-Systeme (AIS), mit unterschiedlichen Regulierungsebenen je nach den verschiedenen Stufen der Pyramide.

• Unacceptable Risiken
• Hohe Risiken
• Eingeschränkte/moderate Risiken
• Miniminale oder keine Risiken

Das KI-Gesetz zielt darauf ab, einen harmonisierten Rechtsrahmen in der EU zu schaffen, um sicherzustellen, dass künstliche Intelligenzsysteme sicher, transparent, ethisch sind und die grundlegenden Rechte respektieren. Konkret verfolgt es die folgenden Ziele:

• Bürger vor der Nutzung von KI zu schützen, die als gefährlich oder aufdringlich eingestuft wird (z. B. Massenüberwachung, Verhaltensmanipulation)
• Hohe Risikosysteme mit strengen Verpflichtungen für Transparenz, menschliche Aufsicht, Datenqualität und Dokumentation zu regulieren
• Vertrauenswürdige Innovationen zu fördern, indem ein klarer Rahmen für KI-Entwickler und Unternehmen bereitgestellt wird
• Das Vertrauen der Öffentlichkeit und der professionellen Nutzer in KI zu stärken

Unterscheidung zwischen KI-Modell und KI-System

Das Verständnis der Unterscheidung zwischen einem KI-Modell und einem KI-System ist wichtig für jeden, der sich für künstliche Intelligenz interessiert, sei es zur Entwicklung neuer Technologien oder zur Nutzung bestehender Technologien.

KI-Modelle sind die grundlegenden Komponenten, die spezifische Aufgaben ausführen, während KI-Systeme diese Modelle in vollständige und funktionale Lösungen integrieren, um praktische Bedürfnisse zu erfüllen.

Durch das Erkennen dieser Unterschiede kann man die Komplexität und den Umfang von KI-Anwendungen in verschiedenen Bereichen besser schätzen.

KI-Modell

Ein KI-Modell ist eine zentrale Komponente der künstlichen Intelligenz. Es ist eine mathematische oder statistische Darstellung eines spezifischen Problems, das aus Daten entwickelt wurde.

KI-Modelle werden trainiert, um Muster zu erkennen, Vorhersagen zu treffen oder auf der Grundlage von Daten Entscheidungen zu treffen.

Die häufigsten Arten von KI-Modellen sind neuronale Netze, Entscheidungsbäume, Support-Vektor-Maschinen und Regressionsmodelle.

Beispiele für KI-Modelle sind:

• Tiefe neuronale Netze: Verwendet für Aufgaben wie Bildkennung oder Verarbeitung natürlicher Sprache.
• Entscheidungsbäume: Verwendet für Klassifikation und Regression.
• Regressionsmodelle: Werden verwendet, um kontinuierliche Werte vorherzusagen.
• Lineare Regression: Wird verwendet, um zukünftige Aktienpreise basierend auf vergangenen Preisen und anderen Informationen vorherzusagen. Analysiert Materialien, Maschinen und zeitbasierte Daten, um Produktionsprozesse zu verbessern.
• Zufallswald: Hilft zu erklären, in welchen Fällen Behandlungen unbeabsichtigte Wirkungen oder negative Ergebnisse haben können.
• Naiver Bayes: Kann die Echtzeit-Präferenzen von Kunden basierend auf ihrem Surfverhalten oder ihren Kaufhistorien vorhersagen.

Das KI-Modell ist gewissermaßen wie das Gehirn der KI. Es wird durch einen Trainingsprozess aufgebaut und optimiert, in dem es aus historischen Daten lernt, um seine Genauigkeit und Effizienz zu verbessern.

KI-System

Ein KI-System ist eine breitere und komplexere Anwendung, die eines oder mehrere KI-Modelle integriert, um eine spezifische Aufgabe zu erfüllen.

Es umfasst nicht nur KI-Modelle, sondern auch die notwendigen Komponenten zur Erfassung, Verarbeitung und Analyse von Daten sowie zur Interaktion mit Benutzern.

Mit anderen Worten: Ein KI-System ist eine vollständige Lösung, die KI-Modelle innerhalb eines operativen Rahmens implementiert.

Komponenten eines KI-Systems sind:

• KI-Modelle: Algorithmen, die darauf trainiert sind, Vorhersagen oder Analysen durchzuführen.
• Datenerfassung und -verarbeitung: Prozesse zum Sammeln und Vorbereiten von Daten für das Modell.
• Benutzeroberfläche: Mittel, durch die Benutzer mit dem System interagieren, wie z. B. Web- oder mobile Anwendungen.
• Infrastruktur: Die Hardware und Software, die für den Betrieb des Systems erforderlich sind, wie Server und Datenbanken.

Beispiele für ein KI-System sind:

• Virtueller Assistent: Wie Siri oder Alexa, die mehrere KI-Modelle für Sprachverständnis, Verarbeitung natürlicher Sprache und Generierung von Antworten nutzen und dabei Datenbanken und Benutzeroberflächen integrieren, um mit Benutzern zu interagieren.
• Empfehlungssysteme: Werden von Plattformen wie Netflix oder Amazon verwendet, um Inhalte oder Produkte vorzuschlagen, unter Verwendung von Modellen des kollaborativen Filterns und der Verarbeitung von Benutzerdaten.

Wichtige Unterschiede zwischen KI-Modell und KI-System

1. Skala und Komplexität:

   • KI-Modell: ist eine spezifische Komponente, die sich auf eine präzise Aufgabe wie Vorhersage oder Klassifikation konzentriert.
   • KI-System: ist ein Anwendungsfall, der mehrere Komponenten, einschließlich KI-Modelle und Trainingsdaten, integriert, um ein Problem zu lösen oder einen Dienst bereitzustellen.

2. Komponenten:

   • KI-Modell: Umfasst nur den Algorithmus.
   • KI-System: Beinhaltet die Infrastruktur für die Bereitstellung, Benutzeroberflächen, Datenmanagement und KI-Modelle.

3. Funktionalität:

   • KI-Modell: Liefert ein Ergebnis basierend auf der Datenanalyse.
   • KI-System: Nutzt dieses Ergebnis, um mit Benutzern oder anderen Systemen, oft in Echtzeit, zu interagieren.

Register der KI-Systeme in Dastra

Listen Sie Ihre KI-Anwendungsfälle auf und identifizieren Sie die damit verbundenen Risiken innerhalb von Dastra.