Das Transparenz-Interface (TI) ist ein Hilfsmittel, das zu einer informierten Nutzungsentscheidung befähigt. Es bietet vor und während der Nutzung verständliche Informationen zur Funktionsweise und den Hintergründen eines KI-Systems. Da Menschen in verschiedenen Rollen und Situationen unterschiedliche Bedürfnisse an Informationen und Erklärungen haben können, sollen die Informationen in verschiedenen Stufen des Informationsumfangs zur Verfügung stehen. Die primären Adressat:innen für das Transparenz-Interface sind Endnutzer:innen von KI-Software, sowie KIC-Operator:innen, wobei letztere, je nach Rollenzuschnitt, auch Zugriff auf die Betriebsanleitung (Art. 13 EU KI-VO) haben können. Beim Transparenz-Interface handelt es sich um eine wissenschaftlich erprobte Struktur der Informationsvermittlung für Nutzer:innen von KI-Systemen. Diese Struktur und die dazugehörigen Leitfragen stellen wir Ihnen zur Verfügung, die Texte können an geeigneter Stelle in ihr System eingebaut werden.
- Bereitstellung von Informationen in verschiedenen Detailstufen, um unterschiedlichen Informationsbedürfnissen gerecht zu werden
- Basiert auf einem breiten Verständnis von erklärbarer KI (XAI) (Adadi & Berrada 2018),
- Hilft KI-Ergebnisse besser zu interpretieren, indem Modelleigenschaften den Nutzer:innen transparent gemacht werden (Arrieta et al. 2020).
- Dient als globale Erklärung des Systems (im Gegensatz zu lokalen Erklärungen einzelner Ergebnisse) (Schwalbe & Finzel 2023)
- Zielt auf Transparenz und Verständlichkeit für verschiedene Nutzer:innengruppen ab
- Adadi, A. & Berrada, M. (2018). Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). IEEE Access, 6, 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052
- Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., Francisco Herrera, Herrera, F. & Herrera, F. S. (2020). Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
- Schwalbe, G. & Finzel, B. (2023). A comprehensive taxonomy for explainable artificial intelligence: a systematic survey of surveys on methods and concepts. Data Mining and Knowledge Discovery. Vorab-Onlinepublikation. https://doi.org/10.1007/s10618-022-00867-8