Welche Bias-Mitigation-Strategien gibt es?

Drei Ebenen

1. Pre-Processing.

2. In-Processing.

3. Post-Processing.

Pre-Processing

• Daten-Re-Sampling.

• Re-Weighting.

• Synthetic-Data für Minderheiten.

• Feature-Engineering (Proxy-Variablen entfernen).

• Aufwand: Daten-Vorbereitung.

In-Processing

• Algorithmic Constraints (Fairness als Loss-Component).

• Adversarial-Debiasing.

• Fair Representation Learning.

• Multi-Objective-Optimization.

• Aufwand: Modell-Architektur.

Post-Processing

1. Output-Schwellwerte pro Gruppe.

2. Re-Ranking.

3. Calibration pro Gruppe.

4. Reject-Option-Classification.

5. Aufwand: Output-Layer.

Tools

• Fairlearn (Microsoft) Open-Source.

• AIF360 (IBM) Open-Source.

• Aequitas.

• TensorFlow Fairness Indicators.

• What-If-Tool (Google).

Trade-Off

• Fairness vs Accuracy oft im Konflikt.

• Pro Use-Case bewusste Entscheidung.

• Mit Stakeholdern abstimmen.

• Dokumentation Pflicht.

• EU-AI-Act-Konformität.

Post-Deployment-Monitoring

1. Bias-Metriken in Production.

2. Drift-Detection.

3. Alarme bei Schwellwerten.

4. Quartalsweise Audit.

5. Re-Training bei Bias-Drift.

Anti-Patterns

• Bias nur einmal getestet.

• Eine Mitigation-Strategie überall.

• Trade-Off nicht dokumentiert.

• Post-Deployment-Monitoring fehlt.

• Mensch-im-Loop nicht eingebunden.