Aufgaben: Künstliche Intelligenz und Big Data

Erklären Sie mit eigenen Worten den Unterschied zwischen traditioneller Programmierung (von einem Menschen geschriebene Regeln) und maschinellem Lernen (aus Beispielen gelernte Regeln) und nennen Sie je eine Anwendung, für die der jeweilige Ansatz besser geeignet ist.

Definieren Sie „Big Data“ und erklären Sie die drei klassischen „V“ (Volume, Velocity und Variety bzw. Datenmenge, Geschwindigkeit und Vielfalt) mit je einem Beispiel aus dem Kontext einer App für den städtischen Nahverkehr.

Die Abbildung zeigt die Kette eines Systems des maschinellen Lernens, das Busrouten empfiehlt, wobei einer der Blöcke verdeckt ist. Geben Sie an, welcher Block fehlt, was in ihm geschieht und welche Daten er vom vorherigen Block erhalten muss.

Erklären Sie, was ein „Modell“ im maschinellen Lernen ist (die aus den Daten gelernten Muster und Parameter) und worin der Unterschied zwischen Training und Anwendung (Inferenz) besteht. Warum erfordert das Training viel mehr Rechenleistung als die Anwendung?

Nennen Sie fünf alltägliche Dienste, die heute maschinelles Lernen nutzen (Karten und Verkehr, Übersetzer, Videoempfehlungen, Sprachassistenten, Spamfilter), und geben Sie jeweils an, welche Eingabedaten das Modell verwendet.

Was ist beim überwachten Lernen das Label (die Zielgröße) eines Datenpunkts? Nennen Sie drei Beispiele für gelabelte Datensätze (Foto → Katze/Hund, E-Mail → Spam/kein Spam, Sensor → gesund/defekt) und erklären Sie, wer die Labels üblicherweise erstellt und welche Kosten das verursacht.

Erklären Sie mit einer einfachen Analogie, was ein künstliches neuronales Netz ist: Schichten von „Neuronen“, die Eingaben mit einstellbaren Gewichten kombinieren. Was wird während des Trainings angepasst und was bedeutet es, dass das Netz „lernt“?

Ordnen Sie diese drei Begriffe vom allgemeinsten zum spezifischsten: Deep Learning, künstliche Intelligenz, maschinelles Lernen. Erklären Sie die Enthaltenseinsbeziehung zwischen ihnen mit je einem Beispiel pro Ebene.

Erklären Sie den Unterschied zwischen überwachtem, unüberwachtem und bestärkendem Lernen und ordnen Sie diese Anwendungen zu: ein mit gelabelten E-Mails trainierter Spamfilter, die Gruppierung von Kunden nach Kaufgewohnheiten ohne Labels und ein Roboter, der durch Versuch und Irrtum laufen lernt.

Ein System lernt mit $80\,\%$ der Daten und wird mit den verbleibenden $20\,\%$ bewertet. Erklären Sie, was Trainings- und Testdatensatz sind, was Überanpassung (Overfitting) ist und wie man sie durch Vergleich der Fehler auf beiden Datensätzen erkennt.

Eine Stadtverwaltung installiert Verkehrssensoren an $200$ Kreuzungen, die alle $5$ Sekunden einen Messwert senden. a) Schätzen Sie die Anzahl der pro Tag und pro Jahr erzeugten Messwerte ab. b) Erläutern Sie, welche Probleme bei Speicherung und Verarbeitung entstehen und warum herkömmliche Datenbanken auf einem einzelnen Server an ihre Grenzen stoßen können.

Ein Defektklassifikator, der an $200$ Maschinen getestet wurde, liefert die Konfusionsmatrix der Abbildung. a) Berechnen Sie die Präzision ($\frac{RP}{RP + FP}$) und die Trefferquote bzw. Sensitivität ($\frac{RP}{RP + FN}$). b) Erklären Sie, welcher Fehler in der Wartung schwerer wiegt (der falsch negative: nicht erkannter Defekt) und wie Sie den Schwellenwert des Modells ändern würden, um ihn auf Kosten von mehr Fehlalarmen zu verringern.

Erklären Sie, was Kreuzvalidierung ist (die Daten in mehrere Teile aufteilen und rotieren, welcher Teil zum Testen dient) und welches Problem sie bei wenigen Daten löst: Warum kann eine einzige Aufteilung in Trainings- und Testdaten eine „glückliche“ oder „unglückliche“ Schätzung des tatsächlichen Fehlers liefern?

Bei der Betrugserkennung im Bankwesen ist nur eine von tausend Transaktionen betrügerisch. Erklären Sie, was ein unausgewogener Datensatz ist, warum ein Modell, das alles als „legitim“ einstuft, $99{,}9\,\%$ richtig liegt und trotzdem nutzlos ist, und welche Metriken und Techniken stattdessen verwendet werden (Trefferquote, Oversampling der Minderheitsklasse, Gewichtung).

Schlagen Sie zur Vorhersage des Stromverbrauchs eines Gebäudes mindestens sechs Eingangsvariablen vor (Außentemperatur, Tageszeit, Werktag oder Feiertag, Belegung, Verlauf des Vortags, Sonneneinstrahlung) und begründen Sie jede. Erklären Sie, was Feature Engineering ist und warum es oft mehr entscheidet als der gewählte Algorithmus.

Unterscheiden Sie zwischen einem Klassifikationsproblem (eine Kategorie vorhersagen) und einem Regressionsproblem (eine Zahl vorhersagen). Ordnen Sie diese Aufgaben zu: den Preis einer Wohnung schätzen, entscheiden, ob ein Röntgenbild einen Knochenbruch zeigt, die Temperatur von morgen vorhersagen und Nachrichten nach Thema gruppieren.

Ein Technologieunternehmen trainiert ein Modell des maschinellen Lernens, um Lebensläufe von Bewerbern auf Ingenieurstellen vorzusortieren. Um diskriminierende Verzerrungen nach sozioökonomischer Herkunft zu vermeiden, schließt das Team Postleitzahl, Wohnviertel und Staatsangehörigkeit aus den Daten aus. In der Testphase zeigt sich jedoch, dass Bewerber aus Bezirken mit niedrigem Einkommen in einem um 73,5 % höheren Anteil aussortiert werden als Bewerber aus einkommensstarken Bezirken mit gleichwertigem akademischem Profil.

1. a) Begründen Sie technisch, wie das Modell die sozioökonomische Herkunft trotz der Entfernung der direkten geografischen Variablen ableiten konnte, und nennen Sie mindestens zwei in einem Lebenslauf übliche Variablen, die als Stellvertretervariablen (Proxys) wirken.
2. b) Analysieren Sie die ethischen und rechtlichen Folgen dieses Ergebnisses nach den europäischen KI-Vorschriften (Risikoklassifizierung und Diskriminierungsverbot).
3. c) Entwerfen Sie ein algorithmisches Audit vor dem Einsatz, das eine quantitative Fairnessmetrik und eine Technik zur Minderung der Verzerrung enthält.

Entwerfen Sie auf konzeptioneller Ebene ein System zur vorausschauenden Wartung (Predictive Maintenance) für den Heizkesselbestand einer Stadt: Welche Sensoren und Daten würden Sie erfassen, welche Labels bräuchte das überwachte Lernen, wie würden Sie das Modell validieren und welche Entscheidung träfe das System bei einer Vorhersage eines unmittelbar bevorstehenden Defekts?

Auf einem Kongress zur Digitalisierung wird folgende These vertreten: „Daten sind das neue Öl: Sie werden massenhaft gefördert, in Rechenzentren raffiniert und stellen, wie Erdöllagerstätten, eine endliche natürliche Ressource dar, deren ausschließlicher Besitz das Marktmonopol sichert.“

1. a) Widerlegen Sie diese Aussage fachlich, indem Sie mindestens zwei wesentliche Unterschiede zwischen Daten und einem Rohstoff wie Erdöl analysieren und dabei Begriffe wie Nichtrivalität der Nutzung, Grenzkosten des Kopierens und Abhängigkeit des Werts vom zeitlichen Kontext berücksichtigen.
2. b) Begründen Sie, in welchem einzigen Aspekt der Wertschöpfungskette der künstlichen Intelligenz die Analogie des „Raffinierens“ weiterhin gültig ist.
3. c) Beurteilen Sie, welche Grundrechte der Bürgerinnen und Bürger (verankert in Regelwerken wie der DSGVO) es verhindern, personenbezogene Daten als extraktive, frei aneigenbare Ressource für Großkonzerne zu behandeln.

Eine Online-Plattform für audiovisuelle Inhalte hat einen neuen Empfehlungsalgorithmus entwickelt und möchte mit einem A/B-Test prüfen, ob er den aktuellen ersetzt. Das Team befürchtet, dass das neue Modell durch sensationsheischende Inhalte (Clickbait) die unmittelbaren Aufrufe steigert, aber die langfristige Kundenbindung verringert.

1. a) Entwerfen Sie das Experiment, indem Sie die Zuordnung der Nutzer zu den beiden Gruppen, die empfohlene Laufzeit und zwei quantitative Schlüsselmetriken festlegen: eine primäre für die unmittelbare Wirkung und eine sekundäre bzw. Schutzmetrik (Guardrail-Metrik) zur Überwachung der langfristigen Bindung.
2. b) Benennen und begründen Sie zwei mögliche Verzerrungs- oder Störfaktoren, die die Testergebnisse entwerten könnten (zum Beispiel das Verhalten geteilter Konten oder den Neuheitseffekt), und erklären Sie, wie man sie im Versuchsdesign abmildert.
3. c) Nach dem Test verzeichnet die Versuchsgruppe einen Anstieg der täglichen Minuten pro Nutzer um 14,8 %, aber nach einem Monat einen Rückgang der wöchentlich aktiven Nutzer um 5,2 %. Interpretieren Sie diese Daten und begründen Sie, welche technische und strategische Entscheidung die Plattform treffen sollte.

Die Leitung eines Universitätsklinikums plant, ihre Datenbank onkologischer Patienten einem Unternehmen zu überlassen, um ein neuronales Netz für die Diagnose zu trainieren. Um das Gesetz einzuhalten, schlägt das IT-Team vor, „nur Vor- und Nachname sowie die Versichertennummer jeder Zeile zu entfernen und Postleitzahl, vollständiges Geburtsdatum, Geschlecht, Aufnahmedatum und ICD-10-Diagnoseschlüssel beizubehalten“.

1. a) Zeigen Sie, warum diese Maßnahme keine echte Anonymisierung darstellt, und beschreiben Sie, wie ein Angreifer durch einen Verknüpfungsangriff (Linkage Attack) mit öffentlich zugänglichen Datenbanken (etwa dem Wählerverzeichnis) einzelne Patienten re-identifizieren könnte.
2. b) Unterscheiden Sie fachlich genau zwischen den Begriffen „Pseudonymisierung“ und „Anonymisierung“ nach der DSGVO und bestimmen Sie, in welchem der beiden Zustände sich der vom Klinikum vorgeschlagene Datensatz befände.
3. c) Entwerfen Sie eine robuste technische Alternative zum Schutz der Privatsphäre der Patienten, ohne den Nutzen des Datensatzes für das Training zu zerstören, und begründen Sie den Einsatz von mindestens zwei fortgeschrittenen Techniken (wie k-Anonymität, Aggregation oder Differential Privacy).

In einem Krankenhaus werden zwei Systeme der künstlichen Intelligenz zur Unterstützung der Triage in der Notaufnahme und der Schlaganfallerkennung anhand von Neurobildgebung bewertet:

• System Alfa: tiefes neuronales Netz mit einer Gesamttrefferquote von 97,4 %, dessen interner Entscheidungsprozess jedoch eine nicht interpretierbare mathematische Blackbox ist.

• System Beta: Entscheidungsbaum auf Basis strukturierter klinischer Regeln mit einer Trefferquote von 89,6 %, vollständig transparent und von den Fachärzten Schritt für Schritt überprüfbar.

1. a) Begründen Sie das ethische und berufsethische Dilemma, vor dem das ärztliche Personal bei der Wahl eines der Systeme steht: Ist es vertretbar, ein Modell mit geringerer Trefferquote zu verwenden, wenn es die klinischen Ursachen jeder Diagnose erkennen lässt?
2. b) Analysieren Sie die Anforderungen, die Patientin bzw. Patient und das Gesundheitsrecht an das Recht auf eine verständliche Erklärung und an die Zuweisung von Verantwortung bei einer Fehldiagnose stellen.
3. c) Entwerfen Sie einen technologischen Kompromissvorschlag, der die hohe Leistung von System Alfa mit den Interpretierbarkeitsgarantien von System Beta verbindet, und begründen Sie die Aufnahme nachträglicher Erklärbarkeitsmethoden (post hoc, etwa Attributions-Heatmaps) sowie eines verpflichtenden Protokolls zur menschlichen Aufsicht (Human-in-the-Loop).

Ein Technologieunternehmen beschließt, sein eigenes Sprachmodell mit 70 Milliarden Parametern von Grund auf in einem Rechenzentrum zu trainieren, das an ein Netz mit einem Emissionsfaktor von 0,26 kg CO₂/kWh angeschlossen ist. Das Training benötigt 1,5 GWh elektrische Energie. Nach der Inbetriebnahme soll der Dienst täglich 20 Millionen Anfragen bearbeiten und in der Inferenzphase zusätzlich 0,5 GWh pro Monat verbrauchen.

1. a) Analysieren Sie die drei Phasen des Lebenszyklus dieses KI-Systems, die zu seinem ökologischen Fußabdruck beitragen, und begründen Sie, warum über ein Betriebsjahr die Wirkung der täglichen Inferenz die des anfänglichen Trainings deutlich übersteigen kann.
2. b) Berechnen Sie die allein in der Trainingsphase emittierte CO₂-Masse (in Tonnen) und vergleichen Sie sie mit den Emissionen des ersten vollen Inferenzjahres.
3. c) Entwerfen Sie drei technische Maßnahmen (auf der Ebene der Modellarchitektur, der Wiederverwendung von Gewichten und der Wahl der Infrastruktur), die den Energieverbrauch drastisch senken, ohne die Qualität der Antworten unvertretbar zu verschlechtern.

Das Sicherheitsdezernat einer Stadtverwaltung beauftragt ein Technikteam mit einem System des maschinellen Lernens, das „vorhersagt, welche Stadtteile im nächsten Jahr die meisten Straftaten erleben werden“, um die Streifen entsprechend zu verteilen. Das Modell wird mit dem georeferenzierten Register der Polizeiprotokolle und Festnahmen der letzten vier Jahre trainiert.

1. a) Argumentieren Sie kritisch, warum die Verwendung der Anzeigen- und Polizeieinsatzregister als Zielvariable (Target) eine systematische Messverzerrung gegenüber der tatsächlichen Kriminalitätsbelastung der Stadt einführt.
2. b) Modellieren Sie die Dynamik der Rückkopplungsschleife (sich selbst erfüllende Prophezeiung), die der Einsatz dieses Algorithmus auslösen wird: Sagen Sie voraus, wie sich die gesammelten Daten entwickeln, nachdem in der ersten Iteration mehr Streifen in die markierten Stadtteile geschickt wurden, und welche Wirkung das auf das erneute Training des Modells hat.
3. c) Entwerfen Sie einen alternativen Vorschlag für die Stadtverwaltung, der die Datenwissenschaft nicht für vorausschauende Strafverfolgung nutzt, sondern um Bedarf an vorbeugender Sozialarbeit, Investitionen in Straßenbeleuchtung oder die Stärkung öffentlicher Dienste in benachteiligten Gebieten zu erkennen.