{"allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","canonicalLink":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-fairness/","robotsTags":[],"language":"de","description":"Erfahren Sie, was KI-Fairness bedeutet, welche Fairness-Metriken wichtig sind, wo Konflikte liegen und wie Sie faire KI durch Governance operationalisieren.","title":"KI-Fairness: Metriken, Kriterien und Best Practices","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":hierarchyType":"page",":path":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-fairness","isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-fairness","language":"de","category":"general","pageName":"KI-Fairness: Prinzipien, Metriken und Operationalisierung","contentTags":[]},":mappedPath":"/de/artificial-intelligence/ai-governance/ai-fairness/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnCount":12,":items":{"experiencefragment-banner":{"id":"experiencefragment-cc28bdb9d0","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json"},"experiencefragment-header":{"id":"experiencefragment-fac0575b9f","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json","languageNavPath":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-fairness.languagenav.json"},"responsivegrid":{"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnCount":12,":items":{"flexible_column_cont":{"id":"flexible-column-container-d1832f1779","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-3ffdcb692e",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-dad26f83a5","items":[{"id":"breadcrumb-dad26f83a5-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-dad26f83a5-item-b569776521","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/"},"active":false,"current":false,"title":"KI-Governance",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-dad26f83a5-item-7af3d7bf6e","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-fairness/"},"active":true,"current":true,"title":"KI-Fairness",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-9fdb6ada25","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-9d977fb719",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-a02e9d82e7","additionalClasses":"hub-hero__headline","type":"heading1","lines":["KI-Fairness: Prinzipien, Metriken und Operationalisierung"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-511431bc40","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EKI-Fairness ist eine Reihe bewusster Entscheidungen darüber, welche Schäden von Bedeutung sind, wer sie möglicherweise trägt und welche Beweise belegen, dass sich das System verantwortungsvoll verhält. Dieser Artikel erklärt die wichtigsten Fairness-Metriken, warum sie manchmal in Konflikt geraten können und wie Teams Fairness von einem abstrakten Prinzip in eine regulierte, messbare Praxis verwandeln können.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-2f0a25db82",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-9004ea0896","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Biografie lesen"},"image":{"id":"image","isLcpImage":true,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?quality=85&preferwebp=true","alt":"Laurie MacPherson","lazyEnabled":true,"height":"800","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-9cc7b7d206","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Biografie lesen"},"image":{"id":"image","isLcpImage":false,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?quality=85&preferwebp=true","alt":"Gulnaz Sharipova","lazyEnabled":true,"height":"512","width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-143a21b8ca",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-923a5396a2","youtubeVideoId":"DPs8nz59kss","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-60fc1dd4b1","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-267b6db261",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-49ba743c9f","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThemen rund um KI-Governance:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-0c01939127","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003EKI-Compliance\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-content-governance/\"\u003EKI-Content-Governance\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003EKI-Ethik\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003EKI-Risikomanagement\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-safety/\"\u003EKI-Sicherheit\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003EKI-Nachverfolgbarkeit\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003EKI-Transparenz\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EAlgorithmischer Bias\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO 42001\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/model-card/\"\u003EModel Card\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/model-governance/\"\u003EModell-Governance\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003EVerantwortungsvolle KI\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-8a16d59043","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-6da52cd8a2","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EKI-FAIRNESS DEFINIERT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EKI-Fairness ist der Prozess der Entscheidung, wie ein KI-System Menschen behandeln soll, welche Schäden inakzeptabel sind und wie diese Ergebnisse gemessen werden. Da sich Fairness-Ziele je nach Anwendungsfall unterscheiden können und oft Kompromisse erfordern, ist Fairness weniger ein festes Attribut eines Modells als vielmehr eine Governance-Praxis, die bewusste Entscheidungen und eine kontinuierliche Aufsicht erfordert.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-38da7773b4","text":"\u003Cp\u003EEs gibt keine einzelne Einstellung, die ein Engineering-Team vor der Einführung aktivieren kann, um ein \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/\"\u003EKI-System\u003C/a\u003E in jeder Hinsicht gerecht zu machen. Was KI-Fairness tatsächlich erfordert, hängt davon ab, was das System tut. Beispielsweise muss ein Einstellungsmodell möglicherweise zeigen, dass qualifizierte Kandidat:innen aus verschiedenen Gruppen vergleichbare Aufstiegschancen haben, während ein Modell zur Ressourcenzuweisung berücksichtigen muss, dass die historischen Daten, aus denen es lernt, bereits durch ungleichen Zugang geprägt waren.\u003C/p\u003E\n\u003Cp\u003EUm KI-Fairness zu erreichen, müssen Teams bestimmen, welche Schäden sie verhindern wollen, welche Bevölkerungsgruppen diese am ehesten tragen und welche Metriken für diesen speziellen Anwendungsfall sinnvoll sind. Gesetzliche Anforderungen können diese Auswahl einschränken, insbesondere in stark regulierten Branchen. Aber die zugrunde liegende Frage ist größer als die \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003EKI-Compliance\u003C/a\u003E: Hält die Behandlung von Menschen durch das System im jeweiligen Kontext einer ethischen Prüfung stand?\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-fairness":{"id":"title-v2-347ad9285d","additionalClasses":"anchor-title anchor-title--what-is-ai-fairness","type":"heading2","lines":["Was ist KI-Fairness?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-fairness_0":{"id":"text-c901fe5a04","text":"\u003Cp\u003EKI-Fairness ist die Praxis, KI-Systeme so zu entwerfen, zu bewerten und zu steuern, dass ihre Ergebnisse bestimmten Personengruppen nicht systematisch vermeidbare oder ungerechtfertigte Schäden zufügen. Diese Gruppen können durch gesetzlich geschützte Kategorien wie ethnische Zugehörigkeit, Geschlecht, Alter oder Behinderung definiert sein. Eine Fairness-Analyse kann jedoch auch andere Attribute berücksichtigen, die beeinflussen, wie Schäden in einem bestimmten Kontext verteilt sind, einschließlich sozioökonomischem Status, Standort, Sprache, Betreuungsverpflichtungen, Einwanderungsstatus, digitalem Zugang oder anderen Merkmalen, die die Erfahrung von Menschen mit einem System beeinflussen können.\u003C/p\u003E\n\u003Ch3\u003EFairness macht Auswirkungen auf Gruppenebene sichtbar\u003C/h3\u003E\n\u003Cp\u003EIn der Praxis bietet Fairness Teams eine Möglichkeit zu untersuchen, wie sich ein KI-System verhält, sobald seine Ausgaben nach Gruppe, Kontext oder nachgelagerten Auswirkungen aufgeschlüsselt werden. Dies ist besonders wichtig, da die aggregierte Modell-Performance ungleiche Schäden verbergen kann. Ein Klassifikator könnte beispielsweise ein übergeordnetes Genauigkeitsziel erreichen, während er für eine Gruppe mehr falsch-positive Ergebnisse liefert, oder ein Ranking-Modell könnte die durchschnittliche Konversion verbessern, während es gleichzeitig die Sichtbarkeit für ein bestimmtes Segment unbemerkt verringert.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/generative-ai/\"\u003EGenerative KI-Systeme\u003C/a\u003E verschärfen dies noch weiter – flüssige Antworten werden leicht mit gerechten verwechselt, selbst wenn die Antworten weniger vollständig, stärker stereotypisiert oder je nach Name, Dialekt oder Identitätsbezug eines:einer Nutzer:in im Tonfall messbar unterschiedlich sind.\u003C/p\u003E\n\u003Ch3\u003EFairness muss in ein messbares Kriterium übersetzt werden\u003C/h3\u003E\n\u003Cp\u003EUm Fairness zu operationalisieren, müssen Teams ein Fairness-Ziel in etwas Messbares übersetzen: eine Auswahlquote, eine Fehlerquote, eine Kalibrierungskurve, einen Schwellenwert für die Subgruppen-Performance oder ein anderes Kriterium, das mit dem Schaden verknüpft ist, den das System verursachen könnte.\u003C/p\u003E\n\u003Cp\u003EFairness ist schwer zu berechnen, da Teams ein ethisches Urteil in ein messbares Kriterium übersetzen und dann berücksichtigen müssen, dass verschiedene Fairness-Ziele – gleicher Zugang, gleiche Fehlerquoten, konsistente Risikobewertungen oder ähnliche Behandlung für ähnliche Personen – im selben System miteinander in Konflikt geraten können. Ein faires KI-System ist nicht einfach ein System ohne statistische Unterschiede zwischen Gruppen. In vielen realen Kontexten sind einige Variablen ungleich verteilt, weil die zugrunde liegende Population, die Chancenstruktur oder der historische Prozess ungleich sind.\u003C/p\u003E\n\u003Cp\u003EEin Modell, das jeden Unterschied auf Gruppenebene beseitigt, kann eine Art von Fairness-Problem schaffen, während ein Modell, das jeden beobachteten Unterschied beibehält, ein anderes aufrechterhalten kann. Die Frage ist nicht, ob jedes Ergebnis über alle Gruppen hinweg identisch ist, sondern ob Unterschiede bei Zugang, Fehlerquoten, Behandlung oder Repräsentation ethisch vertretbar sind.\u003C/p\u003E\n\u003Ch3\u003EFairness hängt vom gesamten System ab, nicht nur vom Modell\u003C/h3\u003E\n\u003Cp\u003EKI-Fairness hängt von den Trainingsdaten, der Modellarchitektur, dem Optimierungsziel, der Bereitstellungsumgebung und den Entscheidungen ab, die Menschen auf Basis der Modellausgabe treffen. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\"\u003EDas KI-Risikomanagement-Framework von NIST\u003C/a\u003E beschreibt vertrauenswürdige KI anhand von Merkmalen wie Validität, Zuverlässigkeit, \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-safety/\"\u003ESicherheit\u003C/a\u003E, Security, Resilienz, Rechenschaftspflicht, \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparenz\u003C/a\u003E, Erklärbarkeit, Datenschutz und Fairness und betont gleichzeitig, dass KI-Risiken Einzelpersonen, Unternehmen und die Gesellschaft betreffen können. Diese Formulierung ist nützlich, da sie Fairness als Teil einer umfassenderen Risiko- und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EKI-Governance\u003C/a\u003E-Disziplin betrachtet und nicht als eine enge technische Eigenschaft, die durch eine einzige Metrik gelöst werden kann.\u003C/p\u003E\n\u003Ch3\u003EFairness-Arbeit berücksichtigt verschiedene Arten von Schaden\u003C/h3\u003E\n\u003Cp\u003EFairness-Arbeit berücksichtigt in der Regel zwei breite Kategorien von Schaden: allokativen Schaden und repräsentativen Schaden.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cb\u003EAllokativer Schaden\u003C/b\u003E tritt auf, wenn ein System den Zugang zu Ressourcen, Möglichkeiten oder Dienstleistungen beeinflusst, wie z. B. einen Kredit, ein Vorstellungsgespräch, einen medizinischen Prioritäts-Score oder eine Betrugsprüfung. Diese Systeme erfordern besondere Aufmerksamkeit für Auswahlquoten, Fehlerquoten, Schwellenwerte, Einspruchsverfahren und den nachgelagerten Workflow, der eine Modellausgabe in eine Entscheidung verwandelt.\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003ERepräsentativer Schaden\u003C/b\u003E tritt auf, wenn ein System Stereotypen verstärkt, Gruppen unsichtbar macht oder Menschen auf herabwürdigende oder ungenaue Weise darstellt. Diese Schäden sind besonders relevant für generative KI-Systeme, Empfehlungssysteme, Suchwerkzeuge und Klassifizierungssysteme, die prägen, wie Menschen, Gemeinschaften oder Identitäten beschrieben werden.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EBeide Arten von Schaden sind von Bedeutung, erfordern jedoch unterschiedliche Bewertungsmethoden, Governance-Kontrollen und Lösungswege.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_what-is-ai-fairness_0":{"id":"text-f859af413c","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EKURZER TIPP\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EBeginnen Sie nicht mit einer Fairness-Metrik – beginnen Sie mit dem Schaden. Die richtige Metrik hängt davon ab, was Sie verhindern möchten.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_core-fairness-criteria":{"id":"title-v2-9abf0ca9ee","additionalClasses":"anchor-title anchor-title--core-fairness-criteria","type":"heading2","lines":["Zentrale Fairness-Kriterien"],":type":"snowflake-site/components/title-v2"},"text_core-fairness-criteria_0":{"id":"text-05710ea972","text":"\u003Cp\u003EMetriken machen Fairness-Urteile konkret, indem sie zeigen, wie gut das Verhalten eines Systems mit dem für einen bestimmten Anwendungsfall ausgewählten Fairness-Ziel übereinstimmt. Teams müssen das Kriterium auswählen, das den Schaden, den sie verhindern möchten, am besten widerspiegelt, und dann den Kompromiss dokumentieren, den diese Wahl mit sich bringt.\u003C/p\u003E\n\u003Ch3\u003EGruppen-Fairness und demografische Parität\u003C/h3\u003E\n\u003Cp\u003EGruppen-Fairness fragt danach, ob Ergebnisse über Gruppen hinweg ähnlich verteilt sind. Eine gängige Version, die demografische Parität, misst, ob die positive Vorhersagequote über alle Gruppen hinweg gleich ist. In einem binären Klassifizierungs-Szenario wird demografische Parität erreicht, wenn die Auswahlquoten über alle Gruppen hinweg gleich sind, was bedeutet, dass die Wahrscheinlichkeit einer positiven Vorhersage nicht von der Zugehörigkeit zu einer sensiblen Gruppe abhängt.\u003C/p\u003E\n\u003Cp\u003EDieses Kriterium ist relativ einfach zu messen, da es sich auf die Modellausgabe und nicht auf die Ground Truth konzentriert. Ein Team könnte beispielsweise den Prozentsatz der Bewerber:innen aus verschiedenen demografischen Gruppen vergleichen, die eine positive Empfehlung von einem Screening-Modell erhalten. Wenn eine Gruppe positive Empfehlungen mit einer viel geringeren Quote erhält, besteht das Modell möglicherweise einen Test auf demografische Parität nicht.\u003C/p\u003E\n\u003Cp\u003EDemografische Parität kann nützlich sein, wenn das Fairness-Ziel gleicher Zugang ist, insbesondere wenn historische Labels unvollständig oder durch frühere Ungleichheit geprägt sind. Da sie jedoch Auswahlquoten anstelle von Fehlerquoten misst, kann sie nicht zeigen, ob das Modell qualifizierte Personen übersieht, mehr Personen aus einer Gruppe in eine unnötige Überprüfung schickt oder für eine Population, die in den Trainingsdaten unterrepräsentiert war, weniger zuverlässig funktioniert. In Anwendungsfällen, in denen das Ergebnis unabhängig validiert werden kann, müssen Teams die demografische Parität in der Regel mit anderen Metriken kombinieren, die die Genauigkeit und Fehlerverteilung über Gruppen hinweg untersuchen.\u003C/p\u003E\n\u003Ch3\u003EEqualized Odds und Chancengleichheit\u003C/h3\u003E\n\u003Cp\u003EEqualized Odds bewertet, ob Modellfehler über Gruppen hinweg ähnlich verteilt sind. Ein Modell erfüllt Equalized Odds, wenn die Raten der richtig-positiven und falsch-positiven Ergebnisse über alle Gruppen hinweg gleich sind. Chancengleichheit ist ein verwandtes, engeres Kriterium, das sich auf gleiche Raten richtig-positiver Ergebnisse konzentriert.\u003C/p\u003E\n\u003Cp\u003EDiese Formulierung ist nützlich, wenn der Schaden durch ungleiche Fehlermuster entsteht. In einem Betrugsmodell könnte beispielsweise eine höhere Falsch-Positiv-Rate für eine Gruppe bedeuten, dass mehr legitime Kund:innen fälschlicherweise blockiert oder zur Überprüfung geschickt werden. In einem medizinischen Triage-Modell könnte eine niedrigere Richtig-Positiv-Rate für eine Gruppe bedeuten, dass Patient:innen mit echtem Bedarf seltener identifiziert werden.\u003C/p\u003E\n\u003Cp\u003EDa Equalized Odds vom tatsächlichen Ergebnis abhängt, erhalten Teams ein klareres Bild davon, wer von korrekten Vorhersagen profitiert und wer die Last von Fehlern trägt. Der Kompromiss besteht darin, dass zuverlässige Labels erforderlich sind. Wenn die „Ground Truth“ einen früheren menschlichen Bias widerspiegelt, wie z. B. historisch ungleiche Diagnoseraten oder Kreditgenehmigungen, kann die Optimierung anhand dieses Labels die Ungleichheit aufrechterhalten, die die Fairness-Prüfung eigentlich aufdecken soll.\u003C/p\u003E\n\u003Ch3\u003EKalibrierung innerhalb von Gruppen\u003C/h3\u003E\n\u003Cp\u003EDie Kalibrierung fragt danach, ob vorhergesagte Wahrscheinlichkeiten über Gruppen hinweg dasselbe bedeuten. Wenn ein Modell beispielsweise einen Risikoscore von 0,8 zuweist, bedeutet die Kalibrierung innerhalb von Gruppen, dass dieser Score für jede Gruppe in etwa derselben beobachteten Wahrscheinlichkeit des Ergebnisses entsprechen sollte.\u003C/p\u003E\n\u003Cp\u003EDieses Kriterium ist besonders wichtig für das Risk Scoring, bei dem ein Score möglicherweise von nachgelagerten Teams interpretiert und nicht sofort in eine Ja-oder-Nein-Entscheidung umgewandelt wird. Wenn ein Risikoscore für eine Gruppe kalibriert ist, für eine andere jedoch nicht, kann derselbe Score je nach bewerteter Person in der Praxis eine unterschiedliche Bedeutung haben.\u003C/p\u003E\n\u003Cp\u003EDie Kalibrierung ist oft attraktiv, da sie eine konsistente Interpretation unterstützt, kann aber mit anderen Fairness-Zielen in Konflikt geraten. Ein Modell kann gut kalibriert sein und dennoch ungleiche Falsch-Positiv- oder Falsch-Negativ-Raten erzeugen, insbesondere wenn sich die Basisraten zwischen den Gruppen unterscheiden.\u003C/p\u003E\n\u003Ch3\u003EIndividuelle Fairness\u003C/h3\u003E\n\u003Cp\u003EIndividuelle Fairness fragt danach, ob ähnliche Individuen ähnliche Vorhersagen erhalten. Anstatt aggregierte Ergebnisse über Gruppen hinweg zu vergleichen, bewertet sie die Konsistenz auf Personenebene.\u003C/p\u003E\n\u003Cp\u003EEs ist jedoch schwierig, „ähnlich” zu definieren. Bei der Kreditvergabe könnte die Ähnlichkeit Einkommen, Schulden, Zahlungshistorie und Beschäftigungsstabilität umfassen. Im Gesundheitswesen könnte sie Symptome, Laborwerte, die medizinische Vorgeschichte und klinische Risikofaktoren einschließen. Diese Ähnlichkeitsmetrik ist kein neutrales technisches Detail – sie kodiert Urteile darüber, welche Unterschiede für die Entscheidung von Bedeutung sein sollten.\u003C/p\u003E\n\u003Cp\u003EIndividuelle Fairness kann Teams helfen, willkürliches oder inkonsistentes Modellverhalten zu erkennen, ist aber ohne eine gut begründete Ähnlichkeitsmetrik schwer zu operationalisieren. Sie erkennt möglicherweise auch keine Diskrepanzen auf Gruppenebene, wenn die Definition von Ähnlichkeit bereits strukturelle Ungleichheiten in den Daten widerspiegelt.\u003C/p\u003E\n\u003Ch3\u003EKontrafaktische Fairness\u003C/h3\u003E\n\u003Cp\u003EKontrafaktische Fairness fragt danach, ob eine Vorhersage gleich bleiben würde, wenn ein sensibles Attribut in einem kausalen Modell geändert würde, während die relevanten zugrunde liegenden Faktoren unverändert blieben. Einfach ausgedrückt wird getestet, ob das Attribut selbst die Vorhersage unzulässig beeinflusst.\u003C/p\u003E\n\u003Cp\u003EDieser Ansatz kann sehr wirkungsvoll sein, wenn Teams kausale Zusammenhänge anstelle von oberflächlichen Korrelationen verstehen müssen. Beispielsweise verwendet ein Modell ein sensibles Attribut vielleicht nicht direkt, stützt sich aber auf Proxy-Variablen, die ähnliche Informationen enthalten, wie etwa die Postleitzahl, die besuchte Schule oder dialektale Merkmale. Eine kontrafaktische Analyse kann Teams dabei helfen zu untersuchen, ob sich eine Entscheidung ändern würde, wenn ein sensibles oder fairnessrelevantes Attribut einer Person unter einer plausiblen kausalen Struktur anders wäre.\u003C/p\u003E\n\u003Cp\u003EDie Herausforderung besteht darin, dass kontrafaktische Fairness von kausalen Annahmen abhängt. Teams müssen entscheiden, welche Variablen legitim sind, welche als Proxys fungieren und wie das Attribut mit dem Rest des Systems zusammenhängt. Das macht sie für Anwendungsfälle mit hohem Risiko wertvoll, erschwert aber die Anwendung als einfache Dashboard-Metrik.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_core-fairness-criteria_0":{"id":"text-5cb1caf15a","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EVermeiden Sie es, Fairness als reine Checklisten-Metrik zu behandeln. Ein Modell kann ein Fairness-Kriterium erfüllen und dennoch an anderer Stelle ungleiche Ergebnisse erzeugen. Daher müssen Teams Fairness im Kontext des spezifischen Schadens bewerten, den sie verhindern wollen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_core-fairness-criteria_1":{"id":"text-f1c6e6faf2","text":"\u003Ch3\u003EWarum Fairness-Kriterien in Konflikt geraten können\u003C/h3\u003E\n\u003Cp\u003EKI-Fairness-Kriterien sind nicht austauschbar. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://arxiv.org/abs/1609.05807\"\u003EUntersuchungen von Kleinberg, Mullainathan und Raghavan\u003C/a\u003E haben gezeigt, dass mit Ausnahme von eingeschränkten Sonderfällen nicht alle wichtigen Fairness-Bedingungen für Risikoscores gleichzeitig erfüllt werden können. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.researchgate.net/publication/314153531_Fair_prediction_with_disparate_impact_A_study_of_bias_in_recidivism_prediction_instruments\"\u003EDie Arbeit von Chouldechova\u003C/a\u003E zeigte auf ähnliche Weise, dass bei unterschiedlichen Basisraten zwischen Gruppen die prädiktive Parität mit gleichen Falsch-Positiv- und Falsch-Negativ-Raten in Konflikt geraten kann.\u003C/p\u003E\n\u003Cp\u003EDieses Unmöglichkeitsergebnis ist eines der wichtigsten Konzepte der operativen KI-Fairness, da es bedeutet, dass die Fairness-Prüfung nicht nur eine reine Messaufgabe ist. Teams müssen das Fairness-Kriterium auswählen, das zum potenziellen Schaden passt, dokumentieren, warum dieses Kriterium gewählt wurde, und den Kompromiss für die Personen sichtbar machen, die für das System verantwortlich sind.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-to-operationalize-ai-fairness":{"id":"title-v2-38125c3cbe","additionalClasses":"anchor-title anchor-title--how-to-operationalize-ai-fairness","type":"heading2","lines":["So operationalisieren Sie KI-Fairness"],":type":"snowflake-site/components/title-v2"},"text_how-to-operationalize-ai-fairness_0":{"id":"text-5fe274450c","text":"\u003Cp\u003EKI-Fairness ist nur dann operativ, wenn ein Unternehmen ein Fairness-Urteil von einem \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003EKI-Ethik\u003C/a\u003E-Prinzip bis hin zu technischen Beweisen nachverfolgen kann. Dies erfordert, dass das Team den potenziellen Schaden definiert, den das System verursachen könnte, die Gruppen identifiziert, die diesen Schaden am ehesten erleiden, die Metrik auswählt, die zum Anwendungsfall passt, und dokumentiert, ab welchem Grad der Diskrepanz eine Überprüfung erforderlich ist.\u003C/p\u003E\n\u003Cp\u003EEine rechtliche Prüfung kann diesen Prozess prägen, insbesondere wenn sensible Attribute im Spiel sind. Das übergeordnete Ziel ist jedoch die ethische Verantwortlichkeit: Das Unternehmen sollte erklären können, warum die Art und Weise, wie das System Menschen behandelt, akzeptabel ist, wo dies nicht der Fall ist und wie es reagieren wird, wenn sich die Fairness im Laufe der Zeit ändert.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_how-to-operationalize-ai-fairness_0":{"id":"quote-item-d7ca2e8a81","alignment":"left","layout":"simple","showQuoteIcon":false,"quote":"„KI-Fairness ist nur dann operativ umsetzbar, wenn eine Organisation eine Fairness-Bewertung von einem ethischen KI-Prinzip bis hin zu technischen Nachweisen nachverfolgen kann.“","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_how-to-operationalize-ai-fairness_1":{"id":"text-44b4619191","text":"\u003Ch3\u003EDefinieren Sie den Schaden, bevor Sie die Metrik auswählen\u003C/h3\u003E\n\u003Cp\u003EDie Arbeit an der Fairness sollte bereits vor dem Modelltraining beginnen. Teams müssen die Entscheidung definieren, die das System beeinflussen wird, den Schaden, den es verursachen könnte, die Gruppen, die diesen Schaden am ehesten erleiden, und das Fairness-Kriterium, das zum Anwendungsfall passt.\u003C/p\u003E\n\u003Cp\u003EDiese Definition sollte sich nicht auf eine feste Liste gesetzlich geschützter Attribute beschränken. Rechtliche Kategorien sind wichtig, aber ein KI-System kann erheblichen Schaden in Bereichen verursachen, die kontextbezogen, operativ oder schwerer gesetzlich zu erfassen sind. Ein Modell könnte Personen mit eingeschränktem digitalen Zugang, atypischen Erwerbsbiografien, ländlichen Wohnorten, unterbrochener Beschäftigung, geringerer Datensichtbarkeit oder Sprachmustern benachteiligen, die in den Trainingsdaten unterrepräsentiert sind. Diese lassen sich vielleicht nicht alle eindeutig einer Analyse geschützter Klassen zuordnen, können aber dennoch beeinflussen, ob das System Menschen fair behandelt.\u003C/p\u003E\n\u003Cp\u003EBeispielsweise kann sich ein Kreditvergabemodell auf Chancengleichheit konzentrieren, wenn das Hauptanliegen darin besteht, ob qualifizierte Bewerber:innen über alle Gruppen hinweg eine vergleichbare Chance auf Genehmigung haben. Ein Ressourcenzuweisungsmodell kann demografische Parität verwenden, wenn das Ziel darin besteht, den Zugang über Gruppen hinweg sicherzustellen, wenn historische Labels unvollständig oder mit einem Bias behaftet sind. Ein Risikoscoring-Modell kann der Kalibrierung Priorität einräumen, wenn menschliche Prüfer:innen Wahrscheinlichkeitsscores benötigen, die über verschiedene Populationen hinweg dasselbe bedeuten.\u003C/p\u003E\n\u003Cp\u003EIn dieser Phase sollte auch zwischen allokativem und repräsentativem Schaden unterschieden werden. Ein Modell, das darüber entscheidet, wer eine Leistung erhält, erfordert eine andere Fairness-Prüfung als ein Modell, das Kundenfeedback zusammenfasst, Bilder generiert oder Fragen von Mitarbeiter:innen beantwortet. Ersteres erfordert möglicherweise eine Fehleranalyse von Untergruppen und eine Überprüfung der Schwellenwerte. Letzteres erfordert möglicherweise Output-Audits auf Stereotypen, Auslassungen, toxische Assoziationen oder eine systematisch unterschiedliche Behandlung von Namen, Dialekten oder demografischen Referenzen.\u003C/p\u003E\n\u003Ch3\u003EÜberprüfen Sie die Daten auf Repräsentation, Proxys und Label-Bias\u003C/h3\u003E\n\u003Cp\u003EDie Datenvorbereitung sollte Prüfungen auf Repräsentationslücken, unvollständige Felder, Label-Qualität und Proxy-Variablen umfassen. Teams sollten zudem dokumentieren, woher die Daten stammen, wie sie erfasst wurden, was sie repräsentieren, was sie ausschließen und welche Verwendungszwecke unangemessen sind.\u003C/p\u003E\n\u003Cp\u003EDas \u003Ca href=\"https://arxiv.org/abs/1803.09010\" target=\"_blank\"\u003E„Datasheets for Datasets“-Framework\u003C/a\u003E wurde vorgeschlagen, um die Dataset-Transparenz zu verbessern, indem Motivation, Zusammensetzung, Erfassungsprozess, empfohlene Verwendungszwecke und weiterer Kontext dokumentiert werden, den Dataset-Nutzer:innen benötigen, um Einschränkungen und Risiken zu verstehen.\u003C/p\u003E\n\u003Cp\u003EIn Unternehmensumgebungen hilft dieses Framework den Governance-, Compliance- und Business-Stakeholdern zu verstehen, ob ein Dataset den Fairness-Anspruch unterstützen kann, der an das Modell gestellt wird.\u003C/p\u003E\n\u003Cp\u003EWenn sensible Attribute nicht verfügbar, unvollständig oder zu stark eingeschränkt sind, um sie auf breiter Basis offenzulegen, benötigen Teams dennoch eine kontrollierte Möglichkeit, Fairness-Bewertungen durchzuführen, ohne diese Spalten durch nicht genehmigte Pipelines zu leiten.\u003C/p\u003E\n\u003Ch3\u003EMitigationstechniken während der Modellentwicklung anwenden\u003C/h3\u003E\n\u003Cp\u003ESobald Teams das Fairness-Risiko verstehen, können sie vor, während oder nach dem Modelltraining Mitigationstechniken anwenden. Pre-Processing-Methoden passen die Trainingsdaten an, beispielsweise durch die Neugewichtung von Beispielen. In-Processing-Methoden fügen während des Trainings Fairness-Einschränkungen oder Adversarial Debiasing hinzu. Post-Processing-Methoden passen Vorhersagen oder Schwellenwerte an, nachdem das Modell trainiert wurde.\u003C/p\u003E\n\u003Cp\u003EKI-Tools wie \u003Ca href=\"https://fairlearn.org/\" target=\"_blank\"\u003EFairlearn\u003C/a\u003E und \u003Ca href=\"https://ai-fairness-360.org/\" target=\"_blank\"\u003EAI Fairness 360\u003C/a\u003E können diese Arbeit unterstützen. Fairlearn umfasst Bewertungs- und Mitigationsfunktionen für Fairness-Metriken wie demografische Parität, Equalized Odds und Chancengleichheit. AI Fairness 360 ist ein Open-Source-Toolkit, das entwickelt wurde, um Diskriminierung und Bias in Modellen für \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003Emaschinelles Lernen\u003C/a\u003E über den gesamten Lebenszyklus der KI-Anwendung hinweg zu untersuchen, zu melden und zu mindern.\u003C/p\u003E\n\u003Cp\u003EMitigationsmaßnahmen haben manchmal unbeabsichtigte Folgen. Beispielsweise könnte eine Schwellenwertanpassung, die die Chancengleichheit verbessert, die Kalibrierung beeinträchtigen. Teams sollten die Vorher-Nachher-Ergebnisse, den akzeptierten Kompromiss und den Grund dokumentieren, warum die gewählte Mitigation zum Anwendungsfall passt.\u003C/p\u003E\n\u003Ch3\u003ESubgruppen-Performance anhand des gewählten Kriteriums bewerten\u003C/h3\u003E\n\u003Cp\u003EDa die allgemeine Genauigkeit, Präzision, der Recall oder der F1-Score eines Modells Disparitäten zwischen Gruppen verbergen können, sollte die Modellbewertung die aggregierte Performance und die Subgruppen-Performance ausweisen.\u003C/p\u003E\n\u003Cp\u003EDie Fairness-Bewertung sollte das Kriterium verwenden, das bei der Problemdefinition ausgewählt wurde. Wenn sich das Team für Equalized Odds entschieden hat, sollte die Bewertung die Raten der richtig-positiven und falsch-positiven Ergebnisse zwischen den Gruppen vergleichen. Wenn es sich für die Kalibrierung entschieden hat, sollte es testen, ob die vorhergesagten Wahrscheinlichkeiten den beobachteten Ergebnissen innerhalb jeder Gruppe entsprechen. Wenn es sich für demografische Parität entschieden hat, sollte es die Auswahlquoten vergleichen und erklären, warum dieses Kriterium für den Anwendungsfall geeignet ist.\u003C/p\u003E\n\u003Cp\u003EDies erfordert, die Metrik mit dem potenziellen Schaden in Verbindung zu bringen. Ein Dashboard, das demografische Parität, Equalized Odds und Kalibrierung ausweist, ohne zu erklären, welches Kriterium für die Freigabe zur Einführung maßgeblich ist, kann Fairness messbar erscheinen lassen, während die eigentliche Entscheidung ungelöst bleibt.\u003C/p\u003E\n\u003Ch3\u003EFairness-Ergebnisse in Model Cards dokumentieren\u003C/h3\u003E\n\u003Cp\u003EFairness-Ergebnisse sollten in einer Form festgehalten werden, die Modellnutzer:innen, Prüfer:innen und Governance-Teams verstehen können. Zu diesem Zweck werden \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/model-card/\"\u003EModel Cards\u003C/a\u003E verwendet. Eine Model Card erfasst den vorgesehenen Verwendungszweck des Modells, Bewertungsdaten, Performance-Eigenschaften, Einschränkungen und Subgruppen-Ergebnisse.\u003C/p\u003E\n\u003Cp\u003EFür Unternehmens-Teams sollte eine Model Card angeben, welche Attribute berücksichtigt wurden, welches Fairness-Kriterium ausgewählt wurde, wie die Subgruppen-Performance gemessen wurde, welche Einschränkungen bestehen bleiben und wer das Modell zur Nutzung freigegeben hat. Sie sollte zudem auf die Datendokumentation, den Trainingslauf, die Bewertungsergebnisse und den Monitoring-Plan verweisen.\u003C/p\u003E\n\u003Ch3\u003EFairness nach dem Deployment überwachen\u003C/h3\u003E\n\u003Cp\u003EFairness kann nach dem Deployment driften. Die Population, die das System nutzt, kann sich ändern, Eingabedaten können sich verschieben, vorgelagerte Datenpipelines können Felder hinzufügen oder entfernen, oder das Modell wird möglicherweise in einem anderen Workflow verwendet als dem, der ursprünglich überprüft wurde.\u003C/p\u003E\n\u003Cp\u003EDas Post-Launch-Monitoring sollte die Subgruppen-Performance, Data Drift und Outcome Drift verfolgen. Wenn ein Modell für Entscheidungen mit hoher Tragweite verwendet wird, sollten Teams vor dem Deployment Überprüfungsschwellenwerte und Eskalationspfade definieren. Beispielsweise könnte eine Fairness-Überprüfung ausgelöst werden, wenn eine Falsch-Negativ-Rate einen genehmigten Disparitäts-Schwellenwert überschreitet, wenn eine Gruppe in den eingehenden Daten unterrepräsentiert ist oder wenn die Empfehlung eines Modells bei verschiedenen Gruppen in wesentlich unterschiedlichem Maße außer Kraft gesetzt wird.\u003C/p\u003E\n\u003Cp\u003EMonitoring erfordert auch klare Verantwortlichkeiten. Ein Dashboard ohne eine:n verantwortliche:n Prüfer:in schafft keine Governance. Teams benötigen einen Rhythmus für die Überprüfung von Fairness-Metriken, einen Prozess zur Untersuchung von Verstößen und einen Entscheidungspfad für Retraining, Schwellenwertanpassungen, Workflow-Änderungen oder die Außerbetriebnahme von Modellen.\u003C/p\u003E\n\u003Ch3\u003EGovernance für Fairness-Entscheidungen etablieren\u003C/h3\u003E\n\u003Cp\u003EKI-Fairness erfordert Governance. Teams müssen entscheiden, welche Schäden am wichtigsten sind, welche Attribute für die Bewertung verwendet werden können, wer auf sensible Daten zugreifen darf, welche Metrik für die Freigabe zur Einführung maßgeblich ist und welches Maß an Disparität behoben werden muss.\u003C/p\u003E\n\u003Cp\u003ELegal- und Compliance-Teams sollten einbezogen werden, aber sie sollten nicht die alleinigen Verantwortlichen für Fairness sein. Ein rechtlich zulässiges System kann dennoch Ergebnisse liefern, die das Unternehmen gegenüber Kund:innen, Mitarbeitenden, Aufsichtsbehörden oder der Öffentlichkeit nicht verteidigen möchte. Ebenso kann eine Fairness-Überprüfung, die rechtliche Einschränkungen ignoriert, Risiken in den Bereichen Datenschutz, Arbeitsrecht, Kreditvergabe oder Bürgerrechte schaffen. Das Betriebsmodell benötigt beides: eine rechtliche Prüfung zur Definition von Verpflichtungen und ethische Governance, um zu entscheiden, ob die Behandlung von Menschen durch das System im jeweiligen Kontext akzeptabel ist.\u003C/p\u003E\n\u003Cp\u003EEin Fairness-Überprüfungsprozess kann Model Owner, Data Stewards sowie Stakeholder aus den Bereichen Legal, Compliance, Security, Risk und Business umfassen. Die Überprüfung sollte spezifischen Assets und Entscheidungen Verantwortlichkeiten zuweisen: dem Trainings-Dataset, den sensiblen oder fairnessrelevanten Attributen, der ausgewählten Fairness-Metrik, der Model Card, dem Monitoring-Dashboard und den genehmigten Richtlinienausnahmen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-fairness-with-snowflake":{"id":"title-v2-5ec463fdbc","additionalClasses":"anchor-title anchor-title--ai-fairness-with-snowflake","type":"heading2","lines":["KI-Fairness mit Snowflake"],":type":"snowflake-site/components/title-v2"},"text_ai-fairness-with-snowflake_0":{"id":"text-8977a6f0c4","text":"\u003Cp\u003EKI-Fairness hängt ebenso sehr von kontrollierten Daten ab wie vom Modellverhalten. Teams müssen die Subgruppen-Performance bewerten, sensible Attribute schützen, nachverfolgen, welche Datasets zu einem Modell beigetragen haben, und Beweise für Audits und Überprüfungen aufbewahren. Dies ist eine Herausforderung, wenn sich für die Fairness relevante Attribute durch voneinander getrennte Notebooks, Feature Stores, Tabellenkalkulationen und Evaluierungstools mit unterschiedlichen Zugriffsregeln bewegen.\u003C/p\u003E\n\u003Cp\u003EDie \u003Ca href=\"https://www.snowflake.com/de/why-snowflake/what-is-data-cloud/\"\u003ESnowflake AI Data Cloud\u003C/a\u003E bietet Teams eine verwaltete Grundlage, um Fairness nah an den Daten zu operationalisieren. Anstatt sensible Attribute zur Evaluierung in nicht verwaltete Workflows zu kopieren, können Teams Zugriff, Maskierung, Lineage und Auditierbarkeit auf derselben Plattform verwalten, die auch Data Engineering, Analytics, KI und Applications unterstützt.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E unterstützt Governance-Funktionen, einschließlich der Durchsetzung von Richtlinien für den Zeilenzugriff und die Datenmaskierung. Für Fairness-Programme bedeutet dies, dass sensible Attribute als Teil des Datenbestands klassifiziert und verwaltet werden können, anstatt als Ad-hoc-Evaluierungsfelder in einem separaten Workflow behandelt zu werden. Richtlinien für Tag-based Masking ermöglichen es, eine Maskierungsrichtlinie für ein Tag festzulegen, sodass getaggte Spalten automatisch geschützt werden können, wenn die Richtliniensignatur und der Datentyp der Spalte übereinstimmen. Dies bietet Governance-Teams einen Mechanismus, um den Schutz an das Attribut selbst zu binden, anstatt sich nur auf die manuelle Anwendung von Richtlinien Tabelle für Tabelle zu verlassen.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/features/cortex/\"\u003ESnowflake Cortex AI\u003C/a\u003E kann auch Governance-gestützte KI-Entwicklungs- und Evaluierungs-Workflows innerhalb von Snowflake unterstützen. Cortex Guard bietet Sicherheitsvorkehrungen für Snowflake Cortex AI, indem es unsichere oder schädliche LLM-Antworten herausfiltert und so Fairness-Kontrollen ergänzt, die Modellevaluierung, Data Governance und Subgruppen-Performance adressieren. Darüber hinaus spiegelt die \u003Ca href=\"https://www.snowflake.com/de/blog/ISO-IEC-42001-AI-certification/\"\u003EISO/IEC 42001-Zertifizierung von Snowflake\u003C/a\u003E das Engagement des Unternehmens für Praktiken der \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003Everantwortungsvollen KI\u003C/a\u003E wider.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-fairness-is-a-practice":{"id":"title-v2-b9e95c358f","additionalClasses":"anchor-title anchor-title--ai-fairness-is-a-practice","type":"heading2","lines":["KI-Fairness ist eine Praxis"],":type":"snowflake-site/components/title-v2"},"text_ai-fairness-is-a-practice_0":{"id":"text-b171b4b24e","text":"\u003Cp\u003EKI-Fairness ist eine Praxis – eine, die von Teams verlangt, explizite Entscheidungen darüber zu treffen, welche Schäden von Bedeutung sind, wessen Erfahrung zählt und welcher Beweisstandard ausreichend ist. Diese Entscheidungen sind ebenso technischer wie ethischer und organisatorischer Natur und müssen an einer Stelle im Unternehmen angesiedelt sein, die über genügend Befugnisse verfügt, um auf der Grundlage der gewonnenen Erkenntnisse zu handeln.\u003C/p\u003E\n\u003Cp\u003EDa kein System alle Fairness-Kriterien gleichzeitig erfüllen kann, nimmt jedes Deployment implizit einen Kompromiss in Kauf. Die Frage ist, ob dieser Kompromiss bewusst und unter Einbeziehung der richtigen Personen getroffen wurde oder ob er sich standardmäßig ergeben hat. Governance existiert, um diesen Unterschied sichtbar zu machen. Fairness-Programme, die sich im Laufe der Zeit bewähren, basieren auf Überwachungsrhythmen, dokumentierten Eskalationspfaden und klaren Verantwortlichkeiten für den Fall, dass sich die Metriken verändern.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_ai-fairness-is-a-practice_0":{"id":"text-abea862c93","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EKI-Fairness ist keine einzelne Metrik oder ein Modell-Feature – es ist die Praxis, zu entscheiden, welche Schäden von Bedeutung sind, die Fairness-Kriterien auszuwählen, die zum Anwendungsfall passen, und die Ergebnisse im Laufe der Zeit kontinuierlich zu überwachen. Da verschiedene Fairness-Ziele miteinander in Konflikt geraten können, benötigen Unternehmen Governance-Prozesse, die Kompromisse explizit, messbar und nachvollziehbar machen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-ai-fairness","text_what-is-ai-fairness_0","callout_what-is-ai-fairness_0","title_core-fairness-criteria","text_core-fairness-criteria_0","callout_core-fairness-criteria_0","text_core-fairness-criteria_1","title_how-to-operationalize-ai-fairness","text_how-to-operationalize-ai-fairness_0","quote_how-to-operationalize-ai-fairness_0","text_how-to-operationalize-ai-fairness_1","title_ai-fairness-with-snowflake","text_ai-fairness-with-snowflake_0","title_ai-fairness-is-a-practice","text_ai-fairness-is-a-practice_0","callout_ai-fairness-is-a-practice_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-a2c850f21a",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-e512656af2","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-73db36382f","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-ai-fairness\"\u003EWas ist KI-Fairness?\u003C/li\u003E\u003Cli data-anchor=\"core-fairness-criteria\"\u003EZentrale Fairness-Kriterien\u003C/li\u003E\u003Cli data-anchor=\"how-to-operationalize-ai-fairness\"\u003ESo operationalisieren Sie KI-Fairness\u003C/li\u003E\u003Cli data-anchor=\"ai-fairness-with-snowflake\"\u003EKI-Fairness mit Snowflake\u003C/li\u003E\u003Cli data-anchor=\"ai-fairness-is-a-practice\"\u003EKI-Fairness ist eine Praxis\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container"},"flexible_column_cont_1786318617":{"id":"flexible-column-container-21f0fbb956","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-bf6fb85913","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-3917da8689","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigsten Fragen zu KI-Fairness – beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-258a3ab892","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Wie unterscheidet sich KI-Fairness von algorithmischem Bias?","richText":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EAlgorithmischer Bias\u003C/a\u003E ist ein Muster in Daten, Modellverhalten oder Ergebnissen, das zu ungleichen oder schädlichen Resultaten führen kann. KI-Fairness ist der ethische Standard und Governance-Prozess, mit dem entschieden wird, welche Diskrepanzen von Bedeutung sind, wie sie gemessen werden sollten und was das Unternehmen dagegen tun sollte. Bias ist etwas, das Teams erkennen und abmildern; Fairness ist der Standard, den sie zu erreichen versuchen.\u003C/p\u003E"},{"title":"Ist KI-Fairness eine gesetzliche Anforderung?","richText":"\u003Cp\u003EKI-Fairness überschneidet sich mit der Einhaltung gesetzlicher Vorschriften, geht aber über das Gesetz hinaus. Vorschriften können Diskriminierung in bestimmten Kontexten verbieten, geschützte Kategorien definieren oder bestimmte Formen von \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003ERisikomanagement\u003C/a\u003E, Dokumentation oder menschlicher Aufsicht vorschreiben. Fairness stellt eine weiter gefasste ethische Frage: ob ein KI-System Chancen, Fehler, Belastungen oder Repräsentation auf eine Weise verteilt, die das Unternehmen rechtfertigen kann.\u003C/p\u003E"},{"title":"Kann ein KI-Modell vollkommen fair sein?","richText":"\u003Cp\u003ENicht in einem universellen mathematischen Sinn. Verschiedene Fairness-Kriterien können miteinander in Konflikt geraten, insbesondere wenn Gruppen unterschiedliche Basisraten aufweisen oder wenn Labels historische Ungleichheiten widerspiegeln. Das Ziel ist nicht, jede Fairness-Definition auf einmal zu erfüllen, sondern das Kriterium auszuwählen, das zum Anwendungsfall passt, und den Kompromiss zu dokumentieren.\u003C/p\u003E"},{"title":"Was sind die gängigsten Metriken für KI-Fairness?","richText":"\u003Cp\u003EZu den gängigen Fairness-Metriken gehören demografische Parität, Equalized Odds, Chancengleichheit, Kalibrierung innerhalb von Gruppen, individuelle Fairness und kontrafaktische Fairness. Jede Metrik beantwortet eine andere Frage, z. B. ob Gruppen positive Vorhersagen mit der gleichen Rate erhalten, ob Fehlerquoten gleich sind oder ob vorhergesagte Wahrscheinlichkeiten über Gruppen hinweg dasselbe bedeuten.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-5b37d88b07","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-8ddb8af12b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-47a02013df","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-2fa3169355","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-6f68c6e8a9","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/people-data-ai-governance/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Blog lesen"},"headline":{"id":"title","type":"heading5","lines":["AI-Ready Governance for People Data"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-757e9bbff9","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/ml-explanation-framework/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Blog lesen"},"headline":{"id":"title","type":"heading5","lines":["Machine Learning Models Require the Right Explanation Framework — and It’s Easy to Get Wrong"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-d7dc30f4e0","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"headline":{"id":"title","type":"heading5","lines":["Der ROI von generativer KI und KI-Agenten 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-da975ce260","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/mmds-ai-governance-framework-agentic-enterprise/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Blog lesen"},"headline":{"id":"title","type":"heading5","lines":["Governing the Agentic Enterprise: What Marketing Leaders Need to Know Now"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-04c88fe76d","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-0cbcdc87e1",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-91ddfe079b","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-bc3c7f309b","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EDetaillierte Einblicke in jeden Aspekt der künstlichen Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-422b7feccb","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-58edd1dcbf",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-a46cfa30bd","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["KI-Ethik"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDie Prinzipien und Praktiken, um KI-Systeme verantwortungsvoll, fair und transparent zu entwickeln und zu nutzen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-40fc65d6bb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-02b46ce95d","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["KI-Nachverfolgbarkeit"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/artificial-intelligence/ai-governance/ai-traceability/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDie Fähigkeit, die Daten, Entscheidungen und Lineage eines KI-Systems nachzuverfolgen, damit Ergebnisse geprüft und erklärt werden können.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-f6008b4205",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-a9a1a102b4","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["KI-Transparenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EFür Stakeholder sichtbar machen, wie ein KI-System funktioniert, welche Daten es nutzt und wie es zu Entscheidungen gelangt.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_2"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-be74ab0f2c","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_topics_row2"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-ecb98fcf70",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-88ea84c9e7","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor_597730182":{"id":"markup-editor-dc90b0ec71","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor":{"id":"markup-editor-68fbd87e01","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();","isGSAPEnabled":true,":type":"snowflake-site/components/markup-editor"},"experiencefragment-footer":{"id":"experiencefragment-dca6708d54","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json"},"experiencefragment":{"id":"experiencefragment-026a91d60a","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"locale":"de"}