1 Einleitung
2 Theoretischer Hintergrund
2.1 Sprachassistenten in der Kundeninteraktion
2.2 Sozio-technische Fairnessperspektive von Künstlicher Intelligenz
3 Methodisches Vorgehen
3.1 Datenerhebung
3.2 Datenanalyse
Zitat | „Bildet das Sub-set an Daten, die ich habe, wirklich die Grundgesamtheit ab, die ich haben will?“ (Interviewpartner 09) | ||
---|---|---|---|
Schritt | 1 | Kodierung | Übereinstimmung Daten mit Grundgesamtheit und damit Fairnessambitionen prüfen |
2 | Kategorie | Maßnahme Datenexploration | |
3 | Thema | Handlungsfeld Daten |
4 Ergebnisse
4.1 Framework „Handlungsfelder für eine sozio-technische Fairness von Sprachassistenten“
Handlungsfelder | Maßnahmen | Details |
---|---|---|
Fairnessambition | Identifizieren von gesellschaftlichen Erwartungen an sozio-technische Fairness für Sprachassistenten | Berücksichtigen etablierter Fairnesskonzepte (Equality, Equity, Need), kultureller Gegebenheiten oder politischer Leitlinien, welche gesellschaftliche Erwartungen beeinflussen können |
Definieren von sozio-technische Fairnessambitionen für Unternehmen und Anwendungsfälle | Berücksichtigen von Abweichungen zwischen unternehmensinternen und -externen Anwendungen für Sprachassistenten kommen | |
Anerkennen, dass definierte Ambitionen von gesellschaftlichen Erwartungen abweichen können | ||
Berücksichtigen von rechtlichen Leitlinien | ||
Daten | Verstehen der Herkunft und Beschaffenheit der Daten durch Datenexploration | Vorzugsweise Verwenden von unternehmenseigenen Daten, welche dem Unternehmen vertraut sind |
Identifizieren von Ausreißern, Lücken, sensiblen Daten oder Untergruppen | ||
Verändern des Datensatzes durch Datenmutation basierend auf der Datenexploration und im Einklang mit der Fairnessambition | Bereinigen etwaiger Daten in Einklang mit den Fairnessambitionen | |
Sicherstellen der Repräsentativität (bspw. Sprachprofile) entsprechend den Nutzern, die Unternehmen mit dem Sprachassistenten adressieren möchten | ||
Algorithmen | Verstehen des Verhaltens und der Beschaffenheit des Modells durch Modellexploration | Verstehen, wie das Modell trainiert wurde und abgleichen, ob das Verhalten mit den Fairnessambitionen einhergeht |
Berücksichtigen, dass es je nach Technologie Abweichungen gibt, inwiefern das Modellverhalten Nachvollziehbarkeit bietet | ||
Veränderungen durch Modellmanipulation vornehmen | Anpassen des Modells in Einklang mit den Fairnessambitionen | |
Kontinuierliche Überwachung des Modells über die Zeit hinweg | Überwachen des Modells und der Resultate über die Zeit hinweg verbunden mit Anpassungen in Einklang mit den Fairnessambitionen | |
Schnittstellendesign | Gestaltung des Sprachassistenten unter Berücksichtigung anthropomorpher Aspekte | Berücksichtigen, dass Elemente wie Stimme, Tonalität oder Geschwindigkeit einen Einfluss auf die soziale Fairness haben |
Anerkennen, dass sich ein freundlicher und respektvoller Umgang positiv auf die Fairness auswirken kann | ||
Sicherstellen der Inklusion von Sprachassistenten gegenüber der Nutzerzielgruppe | Sicherstellen, dass die definierte Zielgruppe verstanden wird (bspw. Dialekte) | |
Ausgeben von Informationen entsprechend den Nutzerpräferenzen (bspw. Geschwindigkeit) | ||
Sicherstellen, dass Endgeräte und damit verbunden die Kommunikation inklusiv sind | ||
Prozessdesign | Festlegen des Niveaus an Nutzerautonomie und Proaktivität des Sprachassistenten | Berücksichtigen, dass die Präferenzen von Nutzern bzgl. der Autonomie und Proaktivität über Nutzer hinweg variieren können |
Sicherstellen von Transparenz gegenüber Nutzern | Erzeugen von Transparenz über die Art und Weise, wie Sprachassistenten handeln | |
Erzeugen von Transparenz darüber, dass Nutzer mit technischen Sprachassistenten interagieren und nicht mit Menschen | ||
Anbieten von alternativen Kommunikationskanälen | Sicherstellen, dass Nutzer die Möglichkeit haben, auf alternative Kommunikationskanäle auszuweichen |