Eine konsistente, nachvollziehbare Einordnung von KI-Methoden ist Grundvoraussetzung für eine wirksame Normung. Die jüngste Veröffentlichung des MIT zur Methode Information Contrastive Learning (I-Con) bietet hier einen vielversprechenden Zugang:
Kernaussage: Mehr als 20 gängige ML-Verfahren – von Spam-Filtern bis zu Deep Learning-Modellen – lassen sich durch eine einzige mathematische Struktur verbinden.
Das bietet das Modell für die Normung:
Transparenz über Wirkweise und Lernmechanismen verschiedener Algorithmen
Erweiterbarkeit für neue Verfahren (z. B. Lückenanalogie zum Periodensystem)
Transferfähigkeit: Methoden aus einem Bereich können gezielt auf andere übertragen werden
Nutzen für Normungsarbeit im ANP-Kontext:
Vergleichbarkeit und Einordnung von KI-Systemen nach Lernstrategie, Datenabhängigkeit und Zweck
Unterstützung bei der Klassifikation gemäß AI Act (Art. 6 + Anhang III)
Grundlage für konsistente Schulungsinhalte, Auditkriterien und Dokumentationspflichten
🧩 Quelle: Generative AI Newsletter, 23.04.2025 – MIT I-Con Framework, ICLR 2025
