Warum ist Fairness in der KI wichtig?

KI hat das Potenzial, große gesellschaftliche Fortschritte zu erzielen, aber sie kann auch bestehende Ungerechtigkeiten verschärfen, wenn sie falsch eingesetzt wird. Algorithmen lernen aus Daten – und wenn diese Daten Voreingenommenheiten enthalten, werden die Ergebnisse der KI ebenfalls voreingenommen sein. Zum Beispiel wurden bereits Fälle dokumentiert, in denen KI-Systeme Frauen bei Bewerbungsverfahren benachteiligt haben, weil historische Daten einen Bias zugunsten von Männern aufwiesen.

Fairness in der KI ist nicht nur eine ethische Frage, sondern auch eine rechtliche und wirtschaftliche. Unternehmen, die sich nicht um gerechte KI-Systeme bemühen, riskieren nicht nur ihren Ruf, sondern auch rechtliche Konsequenzen und den Verlust von Kundenvertrauen.

Herausforderungen bei der Umsetzung von Fairness

Die Sicherstellung von Fairness in KI-Systemen ist komplex. Einige der größten Herausforderungen sind:

1. Definition von Fairness: Fairness ist ein subjektives Konzept, das von kulturellen, sozialen und individuellen Werten abhängt. Es gibt keine einheitliche Definition, die alle Kontexte abdeckt.
2. Datenqualität: Viele KI-Systeme basieren auf historischen Daten, die Vorurteile oder Ungleichheiten widerspiegeln. Diese Verzerrungen zu erkennen und zu beheben, ist eine zentrale Aufgabe.
3. Transparenz: KI–Algorithmen sind oft komplex und schwer nachvollziehbar. Dies erschwert es, Verzerrungen zu identifizieren und zu korrigieren.
4. Konflikt zwischen Fairness und anderen Zielen: Fairness kann manchmal mit anderen Zielen wie Genauigkeit oder Effizienz in Konflikt stehen. Es ist wichtig, ein Gleichgewicht zu finden, das den verschiedenen Anforderungen gerecht wird.

Mögliche Lösungen

Trotz der Herausforderungen gibt es Ansätze, um Fairness in KI-Systemen zu fördern:

1. Vielfältige Datensätze: Es ist entscheidend, dass die Daten, die zur Schulung von KI verwendet werden, möglichst repräsentativ und frei von Verzerrungen sind. Dies kann durch gezielte Datensammlung und -bereinigung erreicht werden.
2. Algorithmische Fairness: Forschungen zur Entwicklung von Algorithmen, die Fairness als Kriterium berücksichtigen, nehmen zu. Solche Algorithmen können Ungleichgewichte erkennen und minimieren.
3. Transparenz und Erklärbarkeit: KI-Systeme müssen nachvollziehbar und erklärbar sein, damit ihre Entscheidungen hinterfragt und optimiert werden können.
4. Regulierung und ethische Standards: Regierungen und Organisationen sollten klare Richtlinien und Standards für den Einsatz von KI entwickeln, um Fairness zu gewährleisten. Initiativen wie die EU-Verordnung über künstliche Intelligenz (AI Act) (Darüber schreibe ich demnächst noch einen Beitrag) sind Schritte in die richtige Richtung.
5. Vielfältige Teams: Entwicklerteams sollten divers aufgestellt sein, um unterschiedliche Perspektiven und Erfahrungen einzubringen. Dies hilft, blinde Flecken zu vermeiden.

Ein gemeinsamer Weg in die Zukunft

Die Diskussion um Fairness in der KI ist ein gesellschaftliches Projekt, das Zusammenarbeit auf allen Ebenen erfordert. Regierungen, Unternehmen, Wissenschaftler und die Öffentlichkeit müssen gemeinsam daran arbeiten, Richtlinien und Technologien zu entwickeln, die eine gerechte und inklusive Zukunft ermöglichen.

Letztlich ist KI ein Spiegel unserer Gesellschaft. Wenn wir eine faire KI wollen, müssen wir auch die Strukturen und Vorurteile in unserer Gesellschaft hinterfragen und angehen. Nur dann können wir sicherstellen, dass die Technologie, die wir entwickeln, allen gleichermaßen zugutekommt.

Der Beitrag Fairness der KI – Wie können wir eine gerechte Zukunft gestalten? erschien zuerst auf CEOsBay.

Hier kommt der Begriff der „erklärbaren KI“ (englisch: Explainable AI, kurz XAI) ins Spiel. In diesem Blog-Beitrag werfen wir einen Blick darauf, warum erklärbare KI wichtig ist, welche Ansätze es gibt und wie sie die Zukunft der KI mitgestaltet.

Warum ist erklärbare KI wichtig?

KI-Modelle, insbesondere solche, die auf maschinellem Lernen basieren, arbeiten oft als sogenannte „Black Boxes“. Das bedeutet, dass sie Entscheidungen treffen, ohne dass für Menschen klar ersichtlich ist, wie diese zustande gekommen sind. Obwohl diese Systeme hochgradig effektiv sein können, birgt ihre Intransparenz Risiken:

1. Vertrauen und Akzeptanz: Menschen sind eher bereit, einer Technologie zu vertrauen, deren Entscheidungsprozesse sie verstehen.
2. Fehleridentifikation: Wenn eine KI fehlerhafte Entscheidungen trifft, ist es essenziell, die Ursachen nachvollziehen zu können, um diese Fehler zu beheben.
3. Ethische Verantwortung: Besonders in sensiblen Bereichen wie der Medizin oder der Strafjustiz müssen Entscheidungen begründbar sein, um Diskriminierung oder andere ethische Probleme zu vermeiden.
4. Regulatorische Anforderungen: Viele Branchen unterliegen strengen Vorschriften, die Transparenz und Nachvollziehbarkeit vorschreiben.

Ansätze der erklärbaren KI

Die Forschung an erklärbarer KI hat verschiedene Ansätze hervorgebracht, die darauf abzielen, die „Black Box“ zu öffnen:

1. Post-hoc-Ansätze: Diese Methoden versuchen, nachträglich Erklärungen für die Entscheidungen eines KI-Modells zu liefern. Beispiele sind:

• LIME (Local Interpretable Model-agnostic Explanations): Eine Technik, die lokale Erklärungen für einzelne Vorhersagen generiert. Siehe auch meinen Beitrag „LIME – Erklärbarkeit der KI – Was ist LIME und warum ist es wichtig?„
• SHAP (SHapley Additive exPlanations): Ein Ansatz, der den Einfluss einzelner Eingabefeatures auf die Modellentscheidung quantifiziert.

1. Interpretable-by-design-Modelle: Diese Modelle sind von Anfang an so konzipiert, dass ihre Entscheidungsprozesse für Menschen verständlich sind. Beispiele sind Entscheidungsbäume oder lineare Regressionsmodelle, die klare, transparente Strukturen haben.
2. Visualisierungstools: Tools wie Heatmaps oder Aktivierungskarten helfen dabei, zu zeigen, welche Teile eines Bildes oder eines Datensatzes besonders relevant für eine Entscheidung waren. Diese sind besonders nützlich in der Bildverarbeitung.
3. Natürliche Sprache: Systeme, die ihre Entscheidungen in natürlicher Sprache erklären, können die Verständlichkeit für Laien verbessern. Ein Beispiel wäre ein KI-Modell, das sagt: „Ich habe diese Krankheit diagnostiziert, weil die Symptome X und Y typisch dafür sind.“ Siehe auch meinen Beitrag „Sprachmagie – NLP (Natural Language Processing)„

Herausforderungen und Grenzen

Obwohl erklärbare KI viele Vorteile bietet, gibt es auch Herausforderungen:

• Komplexität vs. Genauigkeit: Oft gibt es einen Zielkonflikt zwischen der Genauigkeit eines Modells und seiner Erklärbarkeit. Hochkomplexe Modelle wie neuronale Netze sind oft genauer, aber schwerer zu verstehen.
• Bias in Erklärungen: Auch Erklärungsansätze können voreingenommen sein und eine falsche Sicherheit vermitteln. Siehe auch meinen Beitrag „Automatisierungsverzerrungen (Bias) – Oder wie blindes Vertrauen in Technologie zu Fehlern führt„
• Benutzerfreundlichkeit: Nicht jede erklärbare Methode ist intuitiv verständlich, insbesondere für Laien.

Die Zukunft der erklärbaren KI

Erklärbare KI wird eine immer wichtigere Rolle spielen, da KI-Systeme zunehmend komplexer und allgegenwärtiger werden. Um Vertrauen und Akzeptanz in der Bevölkerung zu gewinnen, müssen Entwickler und Unternehmen erklärbare Ansätze in ihre Systeme integrieren. Gleichzeitig wird es entscheidend sein, ein Gleichgewicht zwischen Erklärbarkeit und Leistungsfähigkeit zu finden.

Ein möglicher Weg nach vorne sind hybride Modelle, die die Stärken von erklärbaren und leistungsstarken aber undurchsichtigen Modellen kombinieren. Ebenso wird die Zusammenarbeit zwischen Entwicklern, Regulierungsbehörden und Nutzern entscheidend sein, um klare Standards und Best Practices zu schaffen.

Fazit

Erklärbare KI ist weit mehr als nur ein technisches Detail – sie ist der Schlüssel zu einer verantwortungsvollen und nachhaltigen Nutzung von KI-Technologie. Transparenz und Nachvollziehbarkeit schaffen Vertrauen, reduzieren Risiken und ebnen den Weg für eine breite gesellschaftliche Akzeptanz. Während es noch Herausforderungen gibt, ist erklärbare KI zweifellos ein unverzichtbarer Bestandteil der Zukunft der KI.

Der Beitrag Erklärbare KI (XAI) – Schlüssel zu Vertrauen und Transparenz in der KI erschien zuerst auf CEOsBay.

In unserer zunehmend automatisierten Welt erleichtern uns Technologien den Alltag. Von Navigationssystemen über Rechtschreibprogramme bis hin zu KI-gestützten Diagnosetools. Automatisierte Systeme sind aus vielen Bereichen nicht mehr wegzudenken. Doch diese Abhängigkeit birgt auch Gefahren. Automatisierungsverzerrungen, auch bekannt als Automation Bias, können dazu führen, dass wir den Empfehlungen von Systemen blind vertrauen. Doch dies mit potenziell gravierenden Folgen.

Was sind Automatisierungsverzerrungen?

Automatisierungsverzerrungen beschreiben eine kognitive Verzerrung, bei der Menschen automatisierten Entscheidungen oder Vorschlägen mehr Vertrauen schenken als ihrem eigenen Urteil oder dem von anderen Menschen. Dies kann dazu führen, dass offensichtliche Fehler übersehen oder falsche Entscheidungen getroffen werden. Besonders, weil viele Nutzer die Automatisierung als fehlerfrei wahrnehmen.

Beispiele aus der Praxis

1. Medizinische Systeme:
   Ärzte und Ärztinnen, die sich auf KI-gestützte Diagnosetools verlassen, können frühe Symptome von Krankheiten übersehen, die das System nicht erkennt. Ein Beispiel: Ein System stuft eine Tumorgröße als unkritisch ein und der Arzt hinterfragt die Entscheidung nicht.
2. Verkehr und autonomes Fahren:
   Fahrer, die auf den Spurhalteassistenten vertrauen, reagieren oft zu spät, wenn dieser die Kontrolle verliert. Ein bekanntes Szenario sind Unfälle, bei denen der Fahrer keine manuellen Korrekturen vornimmt, weil er der Automatisierung blind vertraut.
3. Büro und Alltag:
   Ein Rechtschreibprüfungsprogramm schlägt Änderungen vor, die grammatikalisch falsch sind. Doch der Nutzer akzeptiert sie ungeprüft – ein kleiner Fehler, der in offiziellen Dokumenten zu großen Missverständnissen führen kann.

Warum entstehen Automatisierungsverzerrungen?

1. Vertrauen in Technologie:
   Automatisierte Systeme gelten als präzise, effizient und unvoreingenommen. Dieser Glaube führt dazu, dass Menschen diese oft unkritisch akzeptieren.
2. Bequemlichkeit:
   Automatisierung reduziert den kognitiven Aufwand. Es ist oft einfacher, die Empfehlung eines Systems zu übernehmen, als selbst eine Entscheidung zu treffen.
3. Fehlendes Wissen:
   Viele Nutzer verstehen nicht, wie automatisierte Systeme funktionieren oder wo ihre Grenzen liegen. Dies erschwert es, die Qualität der automatisierten Entscheidungen richtig einzuschätzen.
4. Überforderung:
   In komplexen Situationen, wie bei der Steuerung eines Flugzeugs oder der Analyse medizinischer Daten, verlassen sich Menschen auf Systeme, um die Belastung zu reduzieren.

Welche Risiken birgt diese Verzerrung?

Die Gefahren von Automatisierungsverzerrungen liegen auf der Hand:

• Fehlerhafte Entscheidungen: Vertrauen in fehlerhafte Systeme führt direkt zu Fehlentscheidungen.
• Mangelnde Kontrolle: Nutzer übersehen Warnsignale oder versäumen es, das System zu hinterfragen.
• Abhängigkeit: Menschen verlassen sich zunehmend auf Automatisierung, anstatt eigene Kompetenzen zu entwickeln.

In sicherheitskritischen Bereichen wie Medizin, Luftfahrt oder dem Straßenverkehr können diese Fehler erhebliche Konsequenzen haben. Bis hin zu lebensbedrohlichen Situationen.

Wie lassen sich Automatisierungsverzerrungen vermeiden?

1. Bewusstsein schaffen:
   Nutzer müssen verstehen, dass auch automatisierte Systeme Fehler machen können.
   Regelmäßige Schulungen und Sensibilisierungen sind entscheidend.
2. Klare Verantwortung:
   Systeme sollten als Unterstützung, nicht als Ersatz für menschliches Urteilsvermögen verstanden werden.
   Menschen müssen aktiv in Entscheidungsprozesse eingebunden bleiben.
3. Transparente Technologien:
   Automatisierte Systeme sollten so gestaltet sein, dass ihre Entscheidungswege nachvollziehbar und überprüfbar sind.
4. Fehlerkultur fördern:
   Eine Kultur, die es erlaubt, sowohl die Automatisierung als auch menschliche Entscheidungen zu hinterfragen, kann helfen, die Verzerrungen zu minimieren.

Fazit

Automatisierungsverzerrungen sind ein wachsendes Problem in einer Welt, die zunehmend auf Technologie angewiesen ist. Während automatisierte Systeme viele Vorteile bieten, sollten wir nicht vergessen, dass sie keine perfekten Entscheidungsträger sind. Kritisches Denken, die Förderung von Wissen über technische Systeme und ein bewusster Umgang mit Automatisierung sind der Schlüssel, um diese Verzerrung zu minimieren und sicherzustellen, dass Technologie uns unterstützt, ohne uns zu ersetzen.

Der Beitrag Automatisierungsverzerrungen (Bias) – Oder wie blindes Vertrauen in Technologie zu Fehlern führt erschien zuerst auf CEOsBay.

Nun, seit dem Film sind einige Jahre vergangen und ich habe in der Zwischenzeit den ein oder anderen Helfer bzw. Zeitgenossen programmiert, gebaut oder einfach gekauft. Angefangen von Sunny, meinem persönlichen KI-Assistenten (Powered by NVIDIA) (Siehe meinen Beitrag „Intelligenter Home Assistant – Projekt Sunny„), über Google Home (Stark modifiziert), zu Microsoft’s AI Lösungen, bis hin zu Vector dem kleinen lustigen Kerlchen, der gerne kleine Würfel mit Barcodes transportiert.

Künstliche Intelligenz (KI), auch artifizielle Intelligenz (AI bzw. A.I.) bzw. Artificial Intelligence, in englischer Sprache, ist ein Teilgebiet der Informatik. Es umfasst alle Anstrengungen, deren Ziel es ist, Maschinen intelligent zu machen. Dabei versteht man unter Intelligenz die Eigenschaft, die ein Wesen befähigt, angemessen und vorausschauend in seiner Umgebung zu agieren. Dazu gehört die Fähigkeit, Sinneseindrücke wahrzunehmen und darauf zu reagieren, Informationen aufzunehmen, zu verarbeiten und als Wissen zu speichern, Sprache zu verstehen und zu erzeugen, Probleme zu lösen und Ziele zu erreichen.

Man kann die künstliche Intelligenz in verschiedene Teilgebiete aufteilen.

Diese sind:

• Computer Vision
• Robotik
• Mustererkennung, wozu auch Spracherkennung und Handschrifterkennung zählen
• Wissensmodellierung einschließlich Logischer Programmierung und Inferenzmaschinen
• Expertensysteme, Frage-Antwort-Systeme und Chatbots
• Maschinelles Lernen
• Künstliche neuronale Netze und Deep Learning
• Universelle Spieleprogramme.

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit von Maschinen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Dies kann beispielsweise das Erkennen von Sprache, das Verstehen von Bildern, das Lösen von Problemen und das Treffen von Entscheidungen umfassen.

KI-Algorithmen und -Systeme basieren auf einer Vielzahl von Technologien, darunter maschinelles Lernen, neuronale Netze, natürliche Sprachverarbeitung und Deep Learning. Diese Technologien ermöglichen es KI-Systemen, aus Erfahrungen und Daten zu lernen, ihre Fähigkeiten zu verbessern und Entscheidungen zu treffen, die auf den gelernten Mustern basieren.

Es gibt zwei Hauptarten von KI: schwache KI und starke KI. Schwache KI-Systeme sind auf spezifische Aufgaben beschränkt und können nur innerhalb des Bereichs operieren, für den sie entwickelt wurden. Beispiele für schwache KI-Systeme sind Spracherkennungsprogramme und Bilderkennungsprogramme. Starke KI-Systeme hingegen sind in der Lage, menschenähnliche Intelligenz auf einer Vielzahl von Gebieten zu demonstrieren. Dieses Niveau der KI ist jedoch offiziell bisher nicht erreicht worden und bleibt eine Herausforderung für Forscher auf dem Gebiet.

KI hat zahlreiche Anwendungen in vielen Branchen, einschließlich Medizin, Finanzen, Automobilindustrie, Bildung und vielen anderen. Einige Beispiele für KI-Anwendungen sind personalisierte Empfehlungssysteme, autonome Fahrzeuge, Chatbots, medizinische Diagnosesysteme und Prognosesysteme für die Wettervorhersage.

KI bietet große Vorteile für Unternehmen und Organisationen, insbesondere in Bezug auf Effizienz und Produktivität. Es gibt jedoch auch Bedenken hinsichtlich der Ethik und Sicherheit von KI, insbesondere in Bezug auf Datenschutz und Diskriminierung. Es ist wichtig, dass KI-Systeme transparent, verantwortungsbewusst und ethisch entworfen, implementiert und betrieben werden, um sicherzustellen, dass sie das Gemeinwohl unterstützen und nicht beeinträchtigen.

Kurze Zeitreise

Die Idee der künstlichen Intelligenz (KI) geht auf das frühe 20. Jahrhundert zurück, als der britische Mathematiker Alan Turing erstmals die Möglichkeit eines intelligenten Computers diskutierte. Turing schlug vor, dass ein Computer intelligent genug sein könnte, um menschenähnliche Gespräche zu führen.

In den 1950er Jahren begannen Wissenschaftler und Ingenieure, konkrete Forschung im Bereich der KI zu betreiben. Der amerikanische Mathematiker und Informatiker John McCarthy prägte den Begriff „künstliche Intelligenz“ und organisierte eine Konferenz, die als Geburtsstunde der modernen KI gilt. In den 60er Jahren hat man dann die ersten KI-Programme entwickelt, die einfache Probleme wie Schach spielen oder einfache mathematische Probleme lösen konnten.

In den 70er Jahren geriet die KI-Forschung jedoch in eine Krise. Die meisten KI-Systeme konnten nur sehr begrenzte Aufgaben ausführen und die Erwartungen an die Technologie waren zu hoch. Die KI-Forschung stagnierte bis in die 80er Jahre, als man neue Technologien wie neuronale Netze und maschinelles Lernen entwickelt hatte.

In den 90er Jahren begann man damit, KI-Systeme in verschiedenen Bereichen wie Spracherkennung, Bildverarbeitung und Robotik einzusetzen. Diese Anwendungen ermöglichten es der KI-Technologie, konkrete Ergebnisse zu liefern und die Aufmerksamkeit von Unternehmen und Investoren zu gewinnen.

Im 21. Jahrhundert hat sich die KI-Forschung und -Entwicklung rasant weiterentwickelt. Man verwendet KI-Systeme jetzt in vielen Branchen und Anwendungen. Von der Medizin bis zur Finanzindustrie, von autonomen Fahrzeugen bis hin zu intelligenten Assistenten. Es gibt jedoch auch Bedenken hinsichtlich der Ethik und Sicherheit von KI. Insbesondere in Bezug auf Datenschutz, Diskriminierung und Autonomie. Die KI-Forschung und -Entwicklung spielt eine wichtige Rolle in der Technologie- und Geschäftswelt und ist ein Bereich von großem Interesse für Wissenschaftler, Ingenieure und Unternehmer.

Wie lernt die künstliche Intelligenz?

Künstliche Intelligenz (KI) verwendet verschiedene Techniken des maschinellen Lernens, um aus Erfahrungen und Daten zu lernen. Das maschinelle Lernen basiert auf Algorithmen und mathematischen Modellen, die es dem System ermöglichen, Muster und Zusammenhänge in den Daten zu identifizieren und zu generalisieren. Das Lernen in KI-Systemen erfolgt in der Regel in drei Schritten: Datenvorbereitung, Trainingsphase und Anwendung.

1. Datenvorbereitung

In der Datenvorbereitung werden die Daten, auf denen das KI-System trainiert werden soll, vorbereitet und in ein Format gebracht, das von den Algorithmen und Modellen verarbeitet werden kann. Dies beinhaltet in der Regel das Sammeln, Reinigen, Strukturieren und Labeln von Daten.

2. Trainingsphase:

In der Trainingsphase wird das KI-System auf der Grundlage der vorbereiteten Daten trainiert. Das System wird mit Daten und deren zugehörigen Labels oder Zielen versorgt. Das System nutzt dann mathematische Algorithmen und Modelle, um Muster und Zusammenhänge in den Daten zu identifizieren und diese Muster in eine allgemeine Regel oder Funktion zu überführen. Während des Trainingsprozesses passt das System seine Modelle und Algorithmen an, um die Genauigkeit und Leistung des Systems zu verbessern.

3. Anwendung:

Nach Abschluss des Trainings kann das KI-System angewendet werden, um neue Daten zu analysieren und Vorhersagen oder Entscheidungen zu treffen. Das System kann auf verschiedene Weise eingesetzt werden, z.B. zur Vorhersage von zukünftigen Ereignissen, zur Identifizierung von Mustern in Daten, zur Entscheidungsfindung oder zur Automatisierung von Aufgaben.

Arten der künstlichen Intelligenz

Es gibt verschiedene Arten von maschinellem Lernen, darunter überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Überwachtes Lernen wird verwendet, wenn das System mit gelabelten Daten trainiert wird, um Vorhersagen oder Entscheidungen zu treffen. Unüberwachtes Lernen wird verwendet, wenn das System mit unlabeled Daten trainiert wird, um Muster und Zusammenhänge in den Daten zu identifizieren. Bestärkendes Lernen wird verwendet, um ein System zu trainieren, indem es durch Versuch und Irrtum lernt, indem es Belohnungen oder Strafen für seine Aktionen erhält.

Insgesamt hängt das Lernen der künstlichen Intelligenz von den Daten ab, auf denen das System trainiert wird und von den verwendeten Algorithmen und Modellen. Die Genauigkeit und Effektivität des Lernens hängen auch von der Qualität der Daten ab, die für das Training verwendet werden, sowie von der Fähigkeit des Systems, Muster und Zusammenhänge in den Daten zu identifizieren und auf neue Situationen zu generalisieren.

Fazit

Künstliche Intelligenz (KI) hat das Potenzial, die Art und Weise zu verändern, wie wir leben und arbeiten. Durch maschinelles Lernen und fortgeschrittene Algorithmen können KI-Systeme menschenähnliche Intelligenz auf eine Vielzahl von Aufgaben anwenden, von der Bilderkennung bis hin zur Entscheidungsfindung.

KI bietet zahlreiche Vorteile in verschiedenen Branchen und Anwendungen, von der Verbesserung der medizinischen Diagnostik bis hin zur Automatisierung von Arbeitsabläufen. Unternehmen und Organisationen können von der Effizienz und Produktivität profitieren, die KI-Systeme bieten können.

Es gibt jedoch auch Bedenken und Herausforderungen im Zusammenhang mit KI, insbesondere in Bezug auf Datenschutz, Sicherheit, Ethik und Diskriminierung. Es ist wichtig, dass KI-Systeme transparent und verantwortungsbewusst entwickelt, implementiert und betrieben werden, um sicherzustellen, dass sie das Gemeinwohl unterstützen und nicht beeinträchtigen.

Die KI-Entwicklung spielt voraussichtlich auch weiterhin eine wichtige Rolle in der Technologie- und Geschäftswelt und man kann durchaus damit rechnen-, dass die Technologie in den kommenden Jahren noch weitere Verbesserungen erfährt und neue Anwendungsgebiete erschließt. Es ist wichtig, dass wir uns auf eine verantwortungsvolle und ethische Nutzung von KI konzentrieren, um sicherzustellen, dass wir die Vorteile nutzen und gleichzeitig sicherstellen, dass wir die Risiken und Herausforderungen im Zusammenhang mit dieser fortschrittlichen Technologie verstehen und berücksichtigen.

Der Beitrag Künstliche Intelligenz – Zukunft gestalten und menschliches Potenzial mit innovativen Technologien entfesseln erschien zuerst auf CEOsBay.

Kurze Zeitreise und die Entstehung von Community of Practice

Die Entstehung des Begriffs Community of Practice geht zurück auf das Jahr 1991. Geprägt durch die beiden Sozialwissenschaftler Jean Lave und Étienne Wenger. Sie stellten das Lernen in den Kontext sozialer Beziehungen. Dabei zeigten sie, dass für den Wissenserwerb – neben Strukturen oder Modellen – insbesondere die Teilnahme an einer Gemeinschaft entscheidend ist, in der man das Wissen konstruiert.

1998 erweiterte Etienne Wenger das Konzept für die Organisationsentwicklung und bestimmte damit einen neuen Entwicklungsschwerpunkt. Wenger hat mehr oder weniger die theoretische Grundlegung des Konzeptes beschrieben und generelle Verständnisgrundlagen des Konzeptes dargelegt. Aber auch außerhalb von Organisationen finden sich Communities of Practice. Besonders trifft man auf CoP’s bei internetgestützten Arbeitsgemeinschaften. Die Community of Practice wird heute in enger Verbindung zu Online-Communities und zum Wissensmanagement gesehen und stellt eine wichtige Möglichkeit zur Bildung sozialen Kapitals dar. Der Begriff des Wissensmanagements ist dabei von den beiden Herrschaften kritisch gesehen. Laut Lave, Wenger und anderen Sozialwissenschaftlern ist das Management von Wissen grundsätzlich nicht möglich. Wissen ließe sich ebenso wie die Bildung von Communities of Practice nicht „allein“ durch eine top-down Anordnung oder durch systematische Einrichtungsprozesse implementieren. Sozialwissenschaftler scheinen die Begriffe des „Gardening“ und „Nurturing“ zu bevorzugen.

Struktur

Eine Community of Practice besitzt in der Regel eine Struktur, in der Personen nicht via Festlegung eine bestimmte Rolle erhalten, sondern aufgrund ihrer Tätigkeit und der Akzeptanz bzw. Ablehnung durch andere Mitglieder eine Rolle erwerben. Mit „Festlegung“ ist in diesem Fall die Vorgabe durch Führungskräfte, Organisationsdiagramme oder andere „formale Vorgaben“ gemeint.

Den Begriff der Rolle, der besonders im deutschsprachigen Raum eine längere Tradition hat, verwenden die Sozialwissenschaftler dabei ungern. Sie sprechen von „Identität“, die sich ausbildet, und von Aufgabenverteilungen, die man untereinander aushandelt. So entwickeln sich auf Basis der Kommunikationsprozesse aktive und weniger aktive Mitglieder, Moderatoren und Experten. Diese Moderatoren darf man sich nicht als starr vergebene Positionen innerhalb des Geflechts der Community of Practice vorstellen. Es handelt sich hierbei auch um situativ ausgehandelte Funktionen und Aufgaben innerhalb der Community. Ebenso können sich Untergruppen bilden oder man bindet externe Personen als Gäste ein.

Aus eigener Erfahrung, beispielsweise im Open Source Space, kann ich sagen, dass zwar in der Öffentlichkeitsarbeit ein gewisses Bild einer Hierarchie erkennbar ist, doch innerhalb einer Arbeitsgruppe Rollen weitestgehend irrelevant sind. Dies liegt zum einen daran, dass man es meist mit sehr facettenreichen und gebildeten Personen zu tun hat und zum anderen daran, dass in diesem Umfeld das Lernen und die Wissensvermittlung im Vordergrund stehen.

Phasen

Fünf Phasen charakterisieren die Entwicklung einer Community of Practice.

1. Die erste Phase (Potential/Potenzial) ist durch eine oder mehrere Personen gekennzeichnet, die sich einer bestimmten Thematik annehmen.
2. Die zweite Phase (Coalescing/Vereinigung) ist geprägt durch die Bildung einer Grundstruktur, in der man Ziele, Aufgaben und Kommunikationswege skiziiert.
3. In der dritten Phase (Maturing/Reifung) beginnt die eigentliche Arbeit der Gemeinschaft. Der Wissensaufbau und Austausch. Mit zunehmender Aktivität steigt in der Regel auch die Zahl der Mitglieder. Fortlaufend werden Ziele, Aufgaben und Kommunikationswege bewertet und an die Bedürfnisse der Mitglieder durch die Mitglieder selbst angepasst.
4. Als vierte Phase (Stewardship/Verantwortung) wenn für die Mehrzahl der Mitglieder ein akzeptabler Stand erreicht ist und kein Bedarf für weitere Aktivitäten erkennbar sind. In diesem Fall sinkt die Anzahl der eingepflegten Informationen im Vergleich zu jener der entnommenen Informationen.
5. In der fünften und letzten Phase (Transformation/Umwandlung) verliert die Gemeinschaft zunehmend an Gewicht als zentraler Informationsknotenpunkt, weil man auf andere Quellen ausweicht oder die Thematik selbst an Bedeutung verliert.

Diese Phasen können, aber müssen nicht auf diese Art und Weise auftreten bzw. durchlaufen. Diesen Phasenablauf haben Wenger, Snyder und McDermott aus verschiedenen Fällen generalisiert, um so ein „Gerüst“ für den jeweiligen Unterstützungsbedarf für das Florieren der Community zugrunde zu legen.

Die Pflege von Community of Practice

Design for evolution

Stetige Veränderung ist notwendig: Anpassung an neue Mitglieder, Einführung neuer Mitglieder, Veränderung von Ressourcenlagen, Veränderung von Diskurstraditionen, Veränderung von Problemlagen von Mitgliedern, Veränderungen in der Struktur der CoP.

Open a dialogue between inside and outside perspectives

Der Austausch mit der Umgebung und die aktive Aushandlung von Bedeutung in der „Arena“ der CoP bilden den Hauptantriebsgrund, warum Menschen sich zu CoPs zusammenschließen.

Invite different levels of participation

Von Kernaktivisten allein wird keine CoP getragen. Man muss sich auch um den Nachwuchs für Positionen innerhalb der CoP kümmern. Der Einbezug von anderen „Zonen“ in der CoP trägt auch zur Pluralität der Blickwinkel auf ein spezifisches Problem bei.

Develop both public and private community spaces

Auch wenn die CoP oftmals selbst im „Organizational Underlife“ angesiedelt ist, so gibt es auch hier Bereiche, in denen sich Untergruppen treffen, in denen man Themen abseits der eigentlichen Agenda diskutiert, in denen man auch persönliche Problemlagen und Differenzen ansprechen kann, ohne vor das „Plenum“ der CoP zu treten. Spannungen bleiben unter Umständen bestehen, wenn man solche Probleme nicht abseits der „offiziellen Bühne“ diskutiert bzw. diskutieren kann. Oftmals bilden solche Nebenschauplätze auch die Geburtsstätte für nachfolgende Themen einer CoP, die diese dann aufrechterhält, wenn auch in vielleicht geänderter Konstellation.

Focus on value

Die Sicherstellung von Qualität ist auch für CoPs wichtig. Das betrifft sowohl die Pflege der CoPs auf einem Meta-Niveau als auch die Beiträge zum „Situated Negotiation of Meaning“.

Combine familiarity and excitement

Auch CoPs leben von tragenden Strukturen aus mehr routinisierten Praktiken und frischem Wind.

Create a rhythm for the community

Auch der Puls verschiedener Aktivitäten trägt zum Fortbestand und zu einem guten Arbeitsklima innerhalb der CoP bei.

Vorteile für das Individuum durch Community of Practice

Bei Community of Practice-Meetings geht es primär darum, Informationen und Fragen zu bestimmten Problemen aus dem professionellen Alltag zu besprechen und gemeinsam Lösungen zu finden. Die gegenseitige Unterstützung und Zusammenarbeit zwischen den Mitgliedern stehen damit im Vordergrund. Der große Vorteil liegt darin, dass Personen miteinander interagieren, die sonst im Alltag meist nicht miteinander arbeiten. Bei CoP-Meetings hat man die Möglichkeit individuelle Erfahrungen miteinander zu teilen, um daraus wiederum neue Möglichkeiten zu kreieren und bestimmte Herausforderungen zu meistern. Einzig durch die Interaktion von unterschiedlichen Netzwerken können neue Ideen entstehen, wobei jede Partei ihre eigenen Sichtweisen teilt, die Einfluss auf die Entscheidungen der anderen hat und dadurch ein Lerneffekt entsteht. Arbeiten und Lernen gehören im professionellen Kontext stets zusammen. Eine Community of Practice fördert diese Zusammenkunft von Arbeit und Lernen.

Vorteile für die Community

Communities profitieren von Community of Practice dahin gehend, dass das Team sich selbstständig und selbstorganisiert weiterentwickelt, ohne, dass Führungspersonen oder Verantwortliche kostspielige Ausgaben für Fortbildungen oder Ähnliches ausgeben müssen. 

Voraussetzungen hierfür sind natürlich, die verfügbare Zeit und die Ressourcen für die eingesetzte Hard- und Software bzw. je nachdem, in welchem Umfeld und mit welcher Zielsetzung man unterwegs ist. Die in den Meetings neu erlangten Kenntnisse wirken sich direkt auf die Leistungen im täglichen Leben aus.

Fazit

In meiner Wahrnehmung bzw. in meinem Verständnis, gehe ich davon aus, dass bei der Themenverarbeitung durch einige Sozialwissenschaftler im „Community of Practice“ von einer physischen Präsenz der Teilnehmenden die Rede ist. Zumal die Literatur, die ich gelesen habe, noch aus den frühen 90’ern ist. Jedoch habe ich diese Art von CoP’s primär online kennenlernen dürfen. Dementsprechend habe ich an Meetings virtuell bzw. remote teilgenommen, was seit den Anfängen der Coronapandemie immer häufiger stattgefunden hat und auch im konventionellen Geschäftsleben mehr und mehr ankommt. Besonders im Blockchain Space hat sich diese Methode sehr stark etabliert. Folglich konnte ich die genannten 5 Phasen mehrfach, sowohl mit einem positiven als auch mit einem negativen Verlauf wiedererkennen. Alles in allem sehe ich es von Vorteil, sich mit diesem Thema auseinanderzusetzen. So erhält man eine etwas differenzierte Sicht auf die Zusammenarbeit innerhalb und außerhalb von Communities und kann bewusst mit diversen Herausforderungen umgehen.

Der Beitrag Community of Practice – Kraft des gemeinsamen Lernens und Wachsens erschien zuerst auf CEOsBay.

Kurze Zeitreise

Kali Linux ist ein Debian-basiertes Betriebssystem, das ursprünglich von Offensive Security entwickelt wurde. Es hat seinen Ursprung in BackTrack Linux. Einem anderen beliebten Penetrationstesting-Betriebssystem, welches 2006 Mati Aharoni und Max Moser ins Leben gerufen haben. BackTrack Linux kombinierte die besten Werkzeuge aus verschiedenen Linux-Distributionen. Man konzentrierte sich damit ebenfalls auf die Sicherheit und bot sie in einem einzigen Paket an. 2013 wurde BackTrack eingestellt und durch Kali Linux ersetzt, das heute als Standard für IT-Sicherheitsanwendungen und -lösungen gilt.

Hauptmerkmale

Kali Linux ist speziell für IT-Sicherheitszwecke entwickelt. Es verfügt über eine Fülle von vorinstallierten Tools und Anwendungen, die für verschiedene Aufgaben wie Penetrationstests, forensische Analysen, Reverse Engineering und vieles mehr nützlich sind. Einige der Hauptmerkmale von Kali Linux sind:

• Umfangreiche Werkzeugsammlung: Kali Linux bietet über 600 vorinstallierte Tools, die auf verschiedene Sicherheitsbereiche abzielen. Zu diesen Tools gehören Nmap, Wireshark, Metasploit Framework, Burp Suite, Aircrack-ng und viele mehr.
• Regelmäßige Updates: Es wird ständig aktualisiert, um sicherzustellen, dass es über die neuesten Sicherheitspatches und Tools verfügt. Benutzer können sich auf eine aktive Community und eine engagierte Entwicklergruppe verlassen. Denn diese ist stets bemüht, die beste Erfahrung zu bieten.
• Anpassungsfähigkeit: Es ist hochgradig anpassbar und man kann es auf einer Vielzahl von Geräten sowie Plattformen installieren. Einschließlich Desktops, Laptops, Raspberry Pi’s, BeagleBone Black und sogar auf Smartphones (Mithilfe von Kali NetHunter) 😉
• Live-Boot-Option: Man kann es direkt von einem USB-Stick oder einer DVD booten, ohne es auf dem Zielcomputer zu installieren.
• Multilingual: Es unterstützt mehrere Sprachen, was den Zugang und die Zusammenarbeit für Benutzer aus verschiedenen Ländern erleichtert.

Anwendungsfälle

Kali Linux wird hauptsächlich von Sicherheitsfachleuten, Pentestern, Netzwerkadministratoren und Cybersecurity-Enthusiasten genutzt. Einige der häufigsten Anwendungsfälle für Kali Linux sind:

• Penetrationstests: Es ist ein hervorragendes Werkzeug für Penetrationstests, bei denen man Schwachstellen in Netzwerken, Anwendungen und Systemen identifizieren kann. Mit den vorinstallierten Tools können IT-Sicherheitsexperten sicherheitsrelevante Tests durchführen, um potenzielle Angriffsvektoren zu entdecken und entsprechende Abwehrmaßnahmen zu ergreifen.
• Forensische Analysen: Es enthält auch eine Reihe von Tools für forensische Analysen und Untersuchungen, die man in Fällen von Datenverlust, Cyberkriminalität oder Sicherheitsverletzungen einsetzen kann. Solche Tools ermöglichen es Sicherheitsexperten, digitale Spuren und Beweise zu finden, um Cyberkriminelle zur Rechenschaft zu ziehen und zukünftige Angriffe zu verhindern.
• Reverse Engineering: Kali Linux enthält Tools wie Ghidra, IDA Pro und Radare2, die man für Reverse Engineering und Malware-Analysen verwenden kann. Reverse Engineering kann dazu beitragen, die Funktionsweise von Malware oder Software zu verstehen und Sicherheitslücken zu identifizieren.
• Webanwendungssicherheit: Es bietet eine Vielzahl von Tools zur Analyse von Webanwendungen, wie beispielsweise Burp Suite, OWASP ZAP und SQLMap. Diese Tools ermöglichen das Auffinden von Schwachstellen in Webanwendungen, das Testen von Sicherheitsmechanismen und das Aufdecken von Datenlecks.
• Drahtlose Netzwerksicherheit: Mit Kali Linux können Sicherheitsexperten auch drahtlose Netzwerke überwachen und analysieren. Tools wie Aircrack-ng, Wireshark und Kismet helfen dabei, Schwachstellen in WLANs aufzudecken und Gegenmaßnahmen zu entwickeln.

Fazit

Kali Linux ist eine mächtige und vielseitige Linux-Distribution, speziell für IT-Sicherheitsexperten. Mit einer umfangreichen Sammlung von Tools und Anwendungen ermöglicht es eine gründliche Untersuchung und Analyse von Netzwerken, Anwendungen und Systemen. Dies bietet sich an, um Schwachstellen zu identifizieren und Sicherheitsmaßnahmen zu ergreifen. Obwohl Kali Linux in erster Linie für Fachleute konzipiert ist, können auch IT-Enthusiasten und Neulinge im Bereich der Cybersicherheit von diesem Betriebssystem profitieren. Es ist ausgezeichnet um die eigenen Fähigkeiten zu erweitern und um Systeme besser zu schützen. Dennoch ist es wichtig, die Verantwortung und rechtlichen Rahmenbedingungen bei der Nutzung von Kali Linux und seinen Tools zu beachten, um ausschließlich im Rahmen legaler und ethischer Grenzen zu agieren.

Der Beitrag Kali Linux – Die ultimative Waffe für Cybersicherheit erschien zuerst auf CEOsBay.

Was ist Open Source Software?

Open Source Software wird in der Regel dezentral, innerhalb einer Kollaboration entwickelt und stützt sich auf Peer-Review. Eine von Fachkollegen begutachtete Veröffentlichung wird als Peer(s) und Community-Produktion bezeichnet. Die Software ist nicht selten kostenlos bzw. günstiger, flexibler und langlebiger als proprietäre Produkte. Vor allem, weil sie nicht von einem einzelnen Programmierer oder Unternehmen, sondern in und durch Communities entwickelt wird. In der Regel verstehen die diese Personen etwas von ihrem Handwerk.

Open Source hat sich in der jüngeren Vergangenheit zu einer Bewegung geformt. Geradezu zu einer neuen Art des Arbeitens und des Lifestyles, die über die reine Softwareproduktion hinausgeht. Sie nutzt die Werte, sowie das dezentrale Produktionsmodell der Open Source Software, um neue Wege zu finden, Probleme in Communities, diversen Branchen und des Alltags zu lösen.

Kriterien für Open Source

Doch allein der freie Zugang zum Quellcode reicht nicht aus, damit eine Software als Open-Source-Software deklariert werden kann. Folgende Kriterien müssen ebenfalls erfüllt sein:

Freie Weiterverbreitung – Die Lizenz muss es jedermann erlauben, die Software weiterzugeben oder als Teil einer Sammlung zu verkaufen. Man darf keine Lizenzgebühren verlangen.

Zugang zum Quellcode – Die Software muss im Quelltext in verständlicher Form verfügbar sein.

Zulässigkeit von abgeleiteten Werken – Die Lizenz muss Modifikationen und Weiterentwicklungen zulassen und deren Weitergabe unter denselben Bedingungen erlauben wie die Original-Software.

Integrität des Quellcodes des Autors – Zwar muss die Lizenz die Weitergabe von Software mit verändertem Quellcode zulassen, darf aber verlangen, dass abgeleitete Werke einen anderen Namen oder eine andere Versionsnummer tragen müssen.

Keine Diskriminierung von Personen oder Gruppen – Die Lizenz darf keine Personen oder Personengruppen benachteiligen.

Keine Nutzungseinschränkung – Die Lizenz darf die Nutzung der Software nicht für bestimmte Zwecke oder Tätigkeitsbereiche ausschließen, etwa den Einsatz in Unternehmen.

Allgemeingültigkeit der Lizenz bei Weitergabe – Die Lizenz muss für alle gelten, an die die Software weitergegeben wird. Es dürfen keine zusätzlichen Lizenzen vergeben werden.

Produktneutralität der Lizenz – Die Lizenz darf nicht davon abhängen, ob die Software ein Bestandteil einer bestimmten Distribution ist. Sie muss auch dann gelten, wenn das Programm eigenständig verwendet oder zusammen mit anderer Software weiterverbreitet wird.

Keine Einschränkung anderer Software – Die Lizenz darf keine Einschränkungen für andere Software enthalten, die zusammen mit der lizenzierten Software weitergegeben wird.

Technologieneutralität – Die Lizenz darf die Weitergabe der Software nicht auf eine bestimmte Technologie beschränken.

Wie ist Open Source entstanden?

In den Anfängen der Informatik, etwa in den 50er bzw. 60er Jahren, tauschten Wissenschaftler, Programmierer und Entwickler Software aus, um voneinander zu lernen und um die Informatik weiterzuentwickeln. Zu den frühen Beispielen für die freie Weitergabe von Quellcode gehören auch die von IBM herausgegebenen Quelltexte seiner Betriebssysteme und anderer Programme sowie die SHARE-Benutzergruppe, die sich bildete, um den Austausch von Software zu erleichtern.

Ab den 60er Jahren nutzten ARPANET-Forscher ein offenes „Request for Comments“-Verfahren (RFC), um Rückmeldungen zu frühen Telekommunikationsnetzprotokollen zu fördern. Dies führte 1969 zur Entstehung des frühen Internets. Die gemeinsame Nutzung von Quellcode im Internet begann, als das Internet noch relativ primitiv war, mit Software, die über UUCP, Usenet, IRC (Werde ich demnächst auch mal thematisieren. Denn damit ging es auch bei mir los 😉 ) und Gopher verbreitet wurde. BSD zum Beispiel wurde auch zuerst durch Beiträge in comp.os.linux im Usenet verbreitet, wo auch die Entwicklung diskutiert wurde. Linux folgte diesem Modell.

Zwischen den 70er und 80er Jahren wurde der Open-Source-Gedanke schließlich von der Kommerzialisierung der Software verdrängt. Akademiker entwickelten jedoch weiterhin häufig Software in Zusammenarbeit. Beispiele hierfür sind Donald Knuth 1979 mit dem TeX-Satzsystem und Richard Stallman 1983 mit dem GNU-Betriebssystem.

1997 veröffentlichte Eric Raymond () das Buch „The Cathedral and the Bazaar“ (Dies ist gleichzeitig eine Buchempfehlung und stellt eine Bildungslücke dar, falls bisher noch nicht gelesen! Besonders, wenn man in der IT tätig ist!), eine reflektierende Analyse der Hacker-Gemeinschaft und der Grundsätze freier Software. Das Whitepaper fand Anfang 1998 große Beachtung. Es war ein wesentlicher Faktor, der die Netscape Communications Corporation dazu veranlasste, ihre beliebte Internet-Suite Netscape Communicator als freie Software zu deklarieren und zu veröffentlichen. Die Netscape Communications Corporation war ein unabhängiges amerikanisches Unternehmen, für Computerdienstleistungen mit Hauptsitz in Mountain View, Kalifornien, und anschließend in Dulles, Virginia. Dieser Quellcode wird später zur Grundlage von SeaMonkey, Mozilla Firefox, Thunderbird und KompoZer, die heute noch im Einsatz sind.

Das Vorgehen von Netscape veranlasste wiederum Eric Raymond und andere dazu, sich mit der Frage zu beschäftigen, wie man die Ideen der Free Software Foundation und die von ihr erkannten Vorteile, für die kommerzielle Softwareindustrie nutzbar machen kann. Sie kamen zu dem Entschluss, dass der soziale Aktivismus der FSF, für Unternehmen wie Netscape nicht attraktiv war. Also suchten sie nach einer Möglichkeit, der Freien-Software-Bewegung einen neuen Namen zu geben. Dies sollte das geschäftliche Potenzial des Austausches und der Zusammenarbeit an Software-Quellcode voll ausschöpfen.

Dies war die Geburtsstunde des Bergriffs „Open Source„. Die Definition wurde bald darauf von Bruce Perens, einem amerikanischen Programmierer und Verfechter der Bewegung für freie Software definiert, manifestiert und veröffentlicht. Der Verleger Tim O’Reilly machte unter Anderem den Begriff Open Source relativ schnell populär. Und Linus Torvalds, ein finnisch-US-amerikanischer Informatiker sowie Software-Entwickler, der bis heute als Initiator und als treibende Kraft bei der Entwicklung des Linux-Kernels gilt. Der Kernel bzw. die Arbeitsmethodik wird von vielen anderen genau so weitergeführt. Die Entwicklung wird übrigens bis heute noch von ihm koordiniert.

Im Februar 1998 die Gründung der OSI (Open Source Initiative). Sie sollte die Verwendung des neuen Begriffs fördern und die Open-Source-Prinzipien propagieren. Was in Anbetracht der gegenwertigen Situation auch ganz gut gelungen ist. Vor allem wenn man bedenkt, wie viele große Konzerne damals zu Open Source Software Stellung bezogen haben. Und wie sie heute selbst Open Source Software nutzen. Dazu aber nachfolgend mehr.

Zur gleichen Zeit sahen sich kommerzielle Softwarehersteller zunehmend durch das Konzept der frei verteilten und erhältlichen Software und des allgemeinen Zugangs zum Quellcode einer Anwendung bedroht. Der Microsoft-Manager Jim Allchin, ein amerikanischer Informatiker und ehemalige Führungskraft bei Microsoft, erklärte 2001 öffentlich: „Open Source ist ein Zerstörer geistigen Eigentums. Ich kann mir nichts Schlimmeres für das Softwaregeschäft und das Geschäft mit dem geistigen Eigentum vorstellen.“ Oder Steve Ballmer (CEO von Microsoft von 2000 bis 2014), der 2001, bei einem Interview, Linux als Krebs bezeichnete.

Open Source Software heute

Freie und quelloffene Software hat Anfangs eine Rolle außerhalb des Mainstreams eine Rolle gespielt. Also eher in der privaten Softwareentwicklung. Größere Unternehmen wie Microsoft, Google, Facebook, IBM, Oracle usw. hatten begonnen, offizielle Open Source „Plattformen“ im Internet aufzubauen. Damit haben sich die ehemaligen „Gegner“ auf die ein oder andere Art der Bewegung für freie und quelloffene Software angeschlossen.

Dadurch hat sich die Sichtweise auf Open-Source-Software grundlegend geändert. Hinzu kommt, dass auch von denen Konzernen viel Kapital und Resourcen in die Entwicklung von Open Source Software fließen. Zu den Mitwirkenden, Geldgebern und gemeinnützigen Organisationen an Open-Source-Projekten gehören unter anderem die Linux Foundation, die WordPress Foundation, Creative Commons, das Android Open Source Project und die Mozilla Foundation. Auch Epic Games hat in den letzten Jahren nicht wenig Geld in Blender und dessen Weiterentwicklung gesteckt. Doch das Thema Blender werde ich in den kommenden Wochen auch in Angriff nehmen und in einem Beitrag festhalten.

Beliebte Open Source Software „Lizenzen“

MIT License©: MIT License ist eine freie Softwarelizenz. Nutzern ist es erlaubt, den Originalcode mit sehr wenigen Einschränkungen zu verändern.
GNU General Public© (GPL): GNU ist eine Reihe von Lizenzen für freie Software. Es gibt Endbenutzern die Möglichkeit, Software auszuführen, zu untersuchen, weiterzugeben und zu verändern.
BSD: Die BSD Lizenz hat weniger Beschränkungen für Entwickler. Es erlaubt den Nutzern, den Code zu verwenden und zu verändern, ohne die Änderungen weitergeben zu müssen.
Ubuntu®: Ubuntu ist eine Linux-Distribution, die aus freier und Open-Source-Software besteht. Es wird primär in den Bereichen Desktop, Cloud und IoT veröffentlicht.
Red Hat: Eine Open-Source-Softwareplattform und ein IBM-Derivat, das eine Vielzahl von Produktivitätsanwendungen für Unternehmen bietet.
Blender: Blender ist eine freie, mit der GPL lizenzierte 3D-Grafiksuite, mit der sich 3D-Körper modellieren, texturieren und animieren lassen. Die Inhalte finden in Grafiken, Animationen und Software Anwendung. Geschaffene Bildsynthesen können mithilfe des integrierten Compositors und Videoschnittprogramms nachbearbeitet werden. Programmiersprachen, die zum Einsatz kommen sind C und C++. Python wird als Skriptsprache verwendet.
Mozilla: Die Mozilla Public License ist eine freie und quelloffene schwache Copyleft-Lizenz. Für die meiste Software der Mozilla Foundation wie Firefox und Thunderbird. Die MPL-Lizenz ist von Mozilla und die Entwicklung bzw. Pflege, findet In-House statt.
SUSE: SUSE Linux basiert auf einem Open-Source-Linux-Kernel und wird mit System- und Anwendungssoftware vertrieben.
LibreOffice: Ein Open-Source-Büroprogramm, das den Microsoft Office-Programmen ähnelt.
Apache®: Die Apache License ist eine freie Softwarelizenz. Sie erlaubt den Nutzern, die Software für jeden Zweck zu verwenden, zu verändern und zu verbreiten.
Berkeley Software Distribution: Ist ein Betriebssystem, das auf Research Unix basiert. Die Computer Systems Research Group an der University of California, Berkeley, entwickelt und kümmert sich um den Vertrieb.
MySQL™: MySQL ist ein Open-Source-Datenbankverwaltungssystem mit zwei separaten Lizenzen – der MySQL Standard Edition und der MySQL Enterprise Edition.

Nachteile von Open Source Software

Obwohl Open Source Software und die Lizenzen enorm zum Wachstum der Softwareentwicklung und der Entwicklung der internationalen IT-Landschaft beigetragen haben, wird ihre weite Verbreitung nicht von Wenigen als negativ erachtet. Dies wird auf die fehlende Regulierung zurückgeführt, die zu zahlreichen juristischen Problemen führen kann. Auch bezüglich der Definition, was als Open Source und was Closed Source deklariert werden kann, stellt einen wesentlichen Problemfaktor dar.

Um diesen Umständen entgegenzuwirken hat die Open-Source-Gemeinschaft Klassifizierungsschemata eingeführt, die in der Regel auf Copyleft-Bestimmungen (Um ein Programm unter das Copyleft zu stellen, wird es zuerst unter ein Copyright gestellt; danach werden als Rechtsmittel Vertriebsbestimmungen hinzugefügt, die es allen erlauben, den Quellcode des Programms oder jedes davon abgeleiteten Programms zu verwenden, zu ändern und weiter zu verteilen) beruhen, um geeignete Anwendungsfälle für das Open-Source-Softwareentwicklungsmodell zu bestimmen.

Das US-Bundesberufungsgericht, entschied darüber hinaus, dass OSS-Lizenzen rechtsverbindliche Anforderungen für die Nutzung von urheberrechtlich geschütztem Material enthalten müssen. Findet durch einen Benutzer ein Regelverstoß gegen diese offenen Standards statt, verliert er seine Lizenz und verstößt damit gegen die Norm für Urheberrechtsverletzungen, ähnlich wie bei der unbefugten Nutzung einer proprietären Lizenz. Die Folgen dafür können gravierend sein.

Übrigens: Open Source vs. freie Software

“Open Source” und “Freie Software” bezeichnen im Wesentlichen das Gleiche. Der Begriff “Freie Software” ist lediglich etwas älter (1985) und stammt von der Free Software Foundation. Der Gedanke der frei zugänglichen Software ist gleich, nur die Motivation dahinter ist verschieden. Bei Open Source ist es der praktische Nutzen, der durch die gemeinsame Weiterentwicklung von Software entsteht. Bei der freien Software ist es die Ideologie dahinter und der Nutzen für den Anwender.

Fazit

Ich bin davon überzeugt, dass das Wissen der Menschheit der Welt gehört und durch das Wissen auch die Vermittlung von Bildung besser vonstattengehen kann. So dient das Wissen auch der Fähigkeitsvermittlung, bei der eine Gesamtheit der Fähigkeiten zum Tragen kommt. Bildung wiederum hat auch eine moralische Funktion.

Daher kann durch Bildung die Voraussetzung dafür geschaffen werden, dass Menschen eher Verantwortung für sich selbst, sowie für andere in ihrem Umfeld und ihrer Umwelt übernehmen. Kurz: Mithilfe von Wissen und Bildung kann ein Mensch eher zwischen Gut und Böse unterscheiden. Ohne Wissen und Bildung funktioniert keine moderne Software oder Demokratie. Und dies sind nun einmal die Schlüssel für ein gutes Miteinander, zu Arbeit und Beruf in unserer heutigen Zeit.

Deshalb muss sowohl Wissen als auch die Bildung kostenlos zugänglich gemacht werden – Damit auch Quellcodes von Software. Dies alles mag zwar auf dem ersten Blick etwas verzerrt wirken, doch wenn man bedenkt, dass viele Menschen ihr Wissen heutzutage fast ausschließlich aus dem Internet bzw. von den digitalen Medien beziehen, kann es meiner Meinung nach durchaus Sinn machen. Aber ich lasse mich auch gerne jederzeit eines Besseren belehren 😉

Der Beitrag Open Source – Wissen teilen und vermehren erschien zuerst auf CEOsBay.