VorwortEinleitungAnwendungsbereichNormative VerweisungenBegriffeFairnessDiskriminierungKünstliche IntelligenzKIKI-SystemBiasRegulatorische AspekteAllgemeinesKI-VerordnungBaFinFairnesskonzepte und -metrikenGrundlagenIndividuelle FairnessmaßeGruppenfairnessmaßeAssurance Cases als Methode zur Ermittlung eines angemessenen Verständnisses von FairnessAnwendungsfall: Grundgerüst für anwendungs- und situationsspezifische Messungen und Begründungen im Kontext der Finanzdienstleistungen in der PraxisEinsatz von Künstlicher Intelligenz im SanktionsscreeningProblembeschreibungAllgemeinesSanktionen & SanktionsscreeningNotwendigkeit der KIWarum Fairness eine Rolle spieltEinsatz von KI im SanktionsscreeningMöglichkeiten („pre-clearing“, „post-clearing“, „network analysis“)Beschreibung des Anwendungsfalls „Post-Alert-Clearing“Post-Alert Clearing ohne Einsatz von KIPost-Alert Clearing mit Einsatz von KIPraktische Ansätze zur Messung von Fairness von KI-Modellen im Rahmen des FinanzsanktionsscreeningsAllgemeinesDefinition von Fairness in existierenden AnwendungenGenerelle Überlegungen im Rahmen der existierenden FairnessmessungBeispielhafte Messmethoden von FairnessSicherstellung von FairnessAnwendung Assurance Case und Beispiele geeigneter FairnessmaßeEinsatz von Künstlicher Intelligenz in der KreditwürdigkeitsprüfungAllgemeinesAnwendung von KI in der Kreditwürdigkeitsprüfung für KleinkrediteMessung und Bewertung von Fairness von KI-Modellen im Rahmen der Kreditwürdigkeitsprüfung für KleinkrediteDiskussion und Auswahl geeigneter Metriken für die Messung von FairnessProzedurale AnsätzeAnwendung Assurance Case und geeignete FairnessmaßeAssurance Case des Anwendungsfalls Sanktionsscreening (informativ)LegendeAssurance Case des Anwendungsfalls SanktionsscreeningLiteraturhinweise