Künstliche Intelligenz (KI) gewinnt in allen Bereichen zunehmend an Bedeutung und Popularität. Es ist jedoch nicht immer klar, ob ein spezifisches KI Modell für eine bestimmte Aufgabe geeignet ist. Mithilfe von Labeling sollen die Eigenschaften von KI Modellen verständlicher für Entscheidungsträger*innen und Endanwender*innen machen, ähnlich wie bei Energie-Labels für elektronische Geräte oder Nutri-Score-Labels für Lebensmittel. Analog zu diesen Beispielen sollen KI Labels die Nutzbarkeit dieser Technologie verbessern und Transparenz und Vertrauen fördern. Prototypisch informieren unsere Labels Nutzer*innen bereits jetzt über die Leistungsfähigkeit, Genauigkeit und den Ressourcenverbrauch von KI Modellen. In Zukunft sollen auch verstärkt Aspekte zu Sicherheit und ethischen Standards der KI untersucht werden, um fundierte Entscheidungen und einen verantwortungsbewussteren Einsatz von KI zu erleichtern.

Im Rahmen unserer Studie möchten wir mit Ihrer Unterstützung erforschen, wie und ob KI Labeling effektiv und benutzerfreundlich gestaltet werden kann. Was sollte ein Label beinhalten und welche Kriterien benötigt es, damit Sie diesem Label vertrauen?

• Fischer et al.: "Towards More Sustainable and Trustworthy Reporting in Machine Learning", Data Mining and Knowledge Discovery (2024).
• Wischnewski et al.: "In Seal We Trust? Investigating the Effect of Certifications on Perceived Trustworthiness of AI Systems", Human -Machine Communication (2024)
• Morik et al.: "Yes we care! - Certification for Machine Learning Methods Through the Care Label Framework", Frontiers in Artificial Intelligence (2022).