Eyes Off My Data: Appendix
Zusammenfassung
Kurz
Der Anhang erläutert, wie PAI demografische Datenerhebung und algorithmische Fairness untersucht, und beschreibt Apples freiwillige, laut Bericht datenschutzgeschützte Statistik zu digitalen Ausweisen als Fallbeispiel. Er sammelt zudem Gesprächsfragen und benennt organisatorische, rechtliche und gesellschaftliche Risiken, darunter Fehlklassifikation, Zweckänderung und verstärkte Überwachung; konkrete Ergebnisse der Gespräche oder unabhängige Wirksamkeitsnachweise werden nicht vorgelegt.
Mittel
Der Anhang der Partnership on AI behandelt demografische Datenerhebung für Fairnessprüfungen algorithmischer Systeme. PAI zufolge untersucht das Team seit 2020, wie Kategorien, Governance und Beteiligung gestaltet werden können, damit solche Prüfungen dem öffentlichen Interesse dienen und unterschiedliche Gruppen angemessen berücksichtigen.
Als Beispiel beschreibt der Text Apples digitale Ausweise in Wallet: Nutzende können freiwillig Angaben wie Altersgruppe oder Geschlecht teilen, damit Unterschiede bei Einrichtung und staatlicher Genehmigung untersucht werden. Die Auswertung erfolge laut Bericht über föderierte Statistiken mit Differential Privacy; Einzelinformationen sollten Apple und dem ausstellenden Staat nicht zugänglich sein. Das Verfahren sei Teil einer größeren Fairnessstrategie mit Nutzertests und Gesprächen mit Beteiligten.
PAI führte moderierte Fachgespräche zu inklusiver Datenerhebung sowie zum Verhältnis von Datenschutz und Fairness. Der Anhang listet Diskussionsfragen, nennt aber keine konkreten Gesprächsergebnisse. Ein Glossar und eine Risikotabelle erläutern unter anderem Fehlklassifikation, unpassende Kategorien, Zweckänderung, rechtliche Hürden und Überwachung. Besonders marginalisierte Gruppen könnten durch fehlerhafte Repräsentation oder zusätzliche Datenerhebung Schaden nehmen. Der Text ist eine Darstellung von Ansatz und Risiken; er enthält keine unabhängigen Wirksamkeitsnachweise für das Apple-Verfahren.
Ausführlich lesen
Der Quelltext enthält Anhänge zu einem Bericht über demografische Datenerhebung und algorithmische Fairness. Er beschreibt die Arbeit des Programmbereichs Fairness, Transparenz und Rechenschaftspflicht der Partnership on AI (PAI), ein Fallbeispiel zu digitalen Ausweisen in Apple Wallet, Fragen aus moderierten Fachgesprächen, ein Glossar sowie eine Übersicht über Risiken. Die Aussagen stammen aus dem bereitgestellten Anhang; eine unabhängige Prüfung der beschriebenen Verfahren oder Ergebnisse ist darin nicht enthalten.
PAI zufolge untersucht das Team seit 2020, welche demografischen Daten und Governance-Regeln nötig sind, damit Fairnessprüfungen algorithmischer Systeme dem öffentlichen Interesse dienen. Dabei betrachtet es sowohl organisatorische Abläufe als auch Fragen von Gleichberechtigung und Teilhabe. Die Arbeit soll verdeutlichen, wie Kategorisierung und die Umwandlung menschlicher Merkmale in Daten Organisationen bei Fairnessbemühungen beeinflussen und wie partizipative Datenerhebung sowie kontextgerechte Auswahl von Prüfverfahren gestaltet werden könnten.
Als Fallbeispiel schildert der Text Apples Funktion „IDs in Wallet“, die 2022 eingeführt worden sei. Bei der Einrichtung müssen Nutzende mehrere Identitätsprüfungen durchlaufen; der ausstellende Bundesstaat prüft und genehmigt den Antrag. Apple bittet am Ende des Ablaufs optional um ausgewählte demografische Angaben, etwa Altersgruppe oder Geschlecht, um mögliche Unterschiede bei Einrichtung und Genehmigung zwischen Gruppen zu untersuchen. Laut Darstellung werden diese Daten mit föderierten Statistiken und Differential Privacy ausgewertet. Apple und die zuständige Behörde sollen dabei keine Informationen auf Einzelpersonenebene erhalten; personenbezogene Daten würden in diesem Verfahren nicht erhoben, gespeichert oder verwendet. Eine Abwahl sei jederzeit möglich. Der Text ordnet dieses Verfahren als einen Teil einer umfassenderen Fairnessstrategie ein, zu der auch Nutzertests, Gespräche mit Behörden und Anbietern sowie weitere interne Ansätze gehörten.
PAI beschreibt moderierte, halbstrukturierte Kleingruppengespräche mit Fachleuten. Die Diskussionen sollten soziale und technische Perspektiven verbinden und zusätzliche Fragen über ein vorgegebenes Interviewprotokoll hinaus zulassen. Themen waren unter anderem, wer demografische Kategorien festlegen sollte, wie Einwilligung und Teilhabe gestaltet werden können und wie Datenschutz und Genauigkeit für verschiedene Gruppen zusammenwirken. Auch mögliche Schwachstellen, Datenschutzbudgets, Abfragen und Aufbewahrungsfristen wurden thematisiert. Der Anhang dokumentiert Fragen, berichtet aber keine konkreten Antworten oder empirischen Resultate dieser Zusammenkünfte.
Das Glossar erläutert Begriffe wie Fehlklassifikation, ungenaue Repräsentation, demografische Schlussfolgerung, informierte Einwilligung, sichere Aggregation und statistische Parität. Es macht Unterschiede zwischen statistischen und gesellschaftlichen Minderheiten kenntlich und beschreibt Fairness auch als sozial-technische Frage. Die Übersicht zu Herausforderungen gruppiert Risiken in organisatorische Bedenken, rechtliche Hindernisse sowie Schäden für Einzelpersonen und Gemeinschaften. Genannt werden etwa Kosten- und Reputationsdruck, Unsicherheit bei der Kategorienwahl, Konflikte zwischen Datenerhebung und Rechtsvorgaben, Datenschutzverletzungen, Zweckänderungen, stereotype oder unpassende Kategorien und eine Ausweitung von Überwachung. Der Text betont, dass marginalisierte Gruppen besonders betroffen sein können und dass rein formale Fairnessmessungen soziale und historische Ungleichheiten übersehen können. Insgesamt stellt der Anhang Fragen, Begriffe, ein Unternehmensbeispiel und Risikokategorien bereit; er liefert hier jedoch keine vergleichenden Messdaten, Wirksamkeitsnachweise oder vollständige Auswertung der Gespräche.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Einordnung stützt sich nur auf den Bericht. Lunas Stufen für SF-P1 (4) und SF-E1 (4) liegen zu hoch, da der Anhang diese Fragen kaum berührt; für SF-P3 wäre Stufe 2 statt 3 passender. Die Anteilsangaben (42 %, 38 %, 71 %) lassen sich aus dem Bericht nicht ableiten.
Im Bericht, aber nicht in der Zusammenfassung
- Nutzende können die Freigabe ihrer Demografiedaten jederzeit widerrufen
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-M5 Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
- clef 100 %kein Bezug
- Luna 34 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 22 %Hintergrund, keine Belege
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 37 %Hintergrund, keine Belege
- JEV 34 %gleiches Oberthema, hilft nicht
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 48 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 38 %Hintergrund, keine Belege
- JEV 39 %Hintergrund, keine Belege
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 46 %gleiches Oberthema, hilft nicht
- drex 56 %gleiches Oberthema, hilft nicht
- d3-ultra
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 42 %einzelne zitierbare Belege
- JEV 24 %Hintergrund, keine Belege
- amos 36 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- Haiku-Prüfung kein Bezug
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 55 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 57 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 71 %Hintergrund, keine Belege
- JEV 24 %einzelne zitierbare Belege
- amos 29 %gleiches Oberthema, hilft nicht
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung nur am Rande erwähnt
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 69 %Hintergrund, keine Belege
- JEV 45 %Hintergrund, keine Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 73 %gleiches Oberthema, hilft nicht
- d3-ultra
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 46 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 32 %Hintergrund, keine Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 63 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 66 %Hintergrund, keine Belege
- JEV 39 %einzelne zitierbare Belege
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 34 %gleiches Oberthema, hilft nicht
- d3-ultra
Agenten und vernetzte Systeme
- SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
- clef 100 %kein Bezug
- Luna 36 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- clef 100 %kein Bezug
- Luna 49 %Hintergrund, keine Belege
- JEV 38 %gleiches Oberthema, hilft nicht
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra
Modelle teilen und schützen
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 40 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 48 %gleiches Oberthema, hilft nicht
- drex 60 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 33 %Hintergrund, keine Belege
- JEV 23 %Hintergrund, keine Belege
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra
Offenlegung und Rechenschaft
- SF-O1 Wie können Mitarbeitende Sicherheitsbedenken melden, ohne alles zu riskieren?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 52 %Hintergrund, keine Belege
- JEV 37 %einzelne zitierbare Belege
- amos 36 %gleiches Oberthema, hilft nicht
- SubQ 63 %gleiches Oberthema, hilft nicht
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 38 %einzelne zitierbare Belege
- JEV 45 %einzelne zitierbare Belege
- amos 27 %nur am Rande erwähnt
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung nur am Rande erwähnt
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 58 %Hintergrund, keine Belege
- JEV 42 %einzelne zitierbare Belege
- amos 30 %gleiches Oberthema, hilft nicht
- SubQ 56 %gleiches Oberthema, hilft nicht
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
- clef 100 %kein Bezug
- Luna 41 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 71 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 57 %gleiches Oberthema, hilft nicht
- drex 56 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 41 %Hintergrund, keine Belege
- JEV 48 %einzelne zitierbare Belege
- amos 26 %Hintergrund, keine Belege
- SubQ 41 %gleiches Oberthema, hilft nicht
- drex 27 %Hintergrund, keine Belege
- d3-ultra
Wirtschaft und Haftung
- SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra
Weitere Berichte zu diesen Fragen
- Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
- Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- Alle Berichte im Archiv