Anfrage bzgl. NLP und Toolkritik
Liebe alle, ein Kollege von mir hat mich für seine – ich glaube – Masterarbeit angefragt bezüglich Tipps und (Literatur)Hinweise im Bereich digitale Toolkritik insb. in Bezug auf NLP und da dachte ich mir, ich spiele das mal an die Experten (euch!) weiter: "Es geht mir natürlich vor allem um Tools für die natürliche Sprachverarbeitung, aber bin generell für Literaturtipps dankbar. Vielleicht auch etwas in Richtung Explainable AI. Es gibt aktuell noch keine konkrete Fragestellung. Im Grunde frage ich mich: Funktionieren die klassischen NLP Methoden mit meinem domänenspezfischen Datensatz? Kann ich die Daten korrekt klassifizieren bzw. clustern? Mir reicht es dabei nicht, wenn ich am Ende der Arbeit nur über ein positives oder negatives Ergebnis berichte. Also: "Ja klappt" oder "Nein, geht nicht". Die Toolkritik soll deshalb ein Teil der Arbeit sein, weil mir persönlich die Geisteswissenschaften sonst zu kurz kommen. Ich versuche die Tools und die Mathematik dahinter soweit zu verstehen, dass ich sie verständlich widergeben kann, um so anderen Wissenschaftler*innen einen einfacheren Einstieg zu geben. Möchte aber andererseits auch auf die Probleme dabei hinweisen. Von daher kann es gerne etwas philosophisch werden in diesem Teil der Arbeit 😊 Ich habe mich zu XAI noch nicht weiter informiert. Das war nur ein Impuls den mir mein Betreuer gegeben hatte. Aber ich denke, dass lässt sich wunderbar verknüpfen." Wenn ihr etwas für ihn habt, freut er sich bestimmt sehr! Ihr könnt diesbezüglich gerne mir antworten und leite das dann weiter, oder ihr schreibt ihm direkt: Timo.Schumacher@adwmainz.de. Danke und viele Grüße an euch alle, Jonathan
Lieber Jonathan, lieber Timo, liebe alle,
als allgemeine Grundlage kann ich folgende zwei Bücher empfehlen:
* T. Segaran: Programming Collective Intelligence. O’Reilly 2007.
* P. Bruce, A. Bruce: Practical Statistics for Data Scientists. O’Reilly 2017.
YouTube:
* Neural Networks: https://www.youtube.com/watch?v=aircAruvnKk&list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi
Ansonsten lohnt es sich vll auch zu schauen was Leute wie Rachel Thomas (FastAI; https://github.com/racheltho) zu dem Thema geschrieben/gesagt haben (da geht man nämlich doch auch über "reines Erklären" hinaus):
But for AI to be accepted on ethical grounds, it will require more than simply explaining the reason behind machine learning decisions, says Rachel Thomas, director of the University of San Francisco’s Center for Applied Data Ethics. [...] “But an explanation alone is not sufficient. There needs to be some sort of system for recourse as well, such as the ability to appeal decisions.” [...] “It’s called ‘fair-washing’, where people take an unfair system and post-hoc give a fairer justification for the decisions they have made,” she says. “If somebody misses out on a loan because of their gender, and then you could go back later and say, ‘oh no, this is because of their credit score’. You can always find an explanation that is less suspect. It is another reason why explainability, in itself, won’t be sufficient [to create ethical AI].”
https://www.computerweekly.com/feature/Grilling-the-answers-how-businesses-n...
BG Max
Max Grüntgens
Digitale Akademie
Projekt Propyläen. Forschungsplattform zu Goethes Biographica.
Akademie der Wissenschaften und der Literatur | Mainz
www.goethe-biographica.dehttp://www.goethe-biographica.de/
www.digitale-akademie.dehttp://www.digitale-akademie.de/
www.adwmainz.dehttp://www.adwmainz.de/
https://orcid.org/0000-0001-8736-9393
Anschrift:
Digitale Akademie im Frankfurter Goethe-Haus
Freies Deutsches Hochstift
Großer Hirschgraben 23-25
60311 Frankfurt am Main
Tel. +49 69 1 38 80 286
Fax. +49 69 1 38 80 222
________________________________
Von: Dhd-ag-theorie
participants (2)
-
Geiger, Jonathan
-
Grüntgens, Max