Entwicklung und Anwendung eines Machine Learning-Ansatzes

Projektziel

Moderne Sklaverei stellt ein gravierendes Problem dar, welches immer schwieriger zu erkennen ist, da Unternehmen zunehmend in komplexen, digital-vernetzen Geschäfts-Ökosystemen agieren. Das Projekt entwickelt eine Falldatenbank sowie einen innovativen Machine Learning-Ansatz zur Identifizierung und Klassifizierung von Risiken moderner Sklaverei sowie zur Muster-Erkennung bei Einflussfaktoren.

Projektbeschreibung

Kontext

Komplexität und Intransparenz nimmt im Zuge der digitalen Transformation und der durch zunehmende Vernetzung erweiterten Lieferketten stetig zu und erschwert somit die Aufdeckung und Verhinderung moderner Sklaverei. Ziel 8.7 der Nachhaltigkeitsziele der Vereinten Nationen fordert eine Abschaffung moderner Sklaverei, Ziel 8.8 zielt auf den Schutz von Arbeitsrechten und sicheren Arbeitsumgebungen ab, während auch nationale Gesetzgebung das Thema aufgreift (z.B. das deutsche Lieferkettensorgfaltspflichtengesetz). Innovative Technologieanwendungen haben das Potential, zu einem gerechteren Wirtschaftssystem sowie zur Emanzipation marginalisierter Gruppen beizutragen. Gerade in Zeiten multipler Krisenphänomene wie Pandemien, wirtschaftlicher Instabilität, politischer Krisen und Kriege wird die Notwendigkeit einer globalen Nachhaltigkeitstransformation deutlich, die zum Wohle der Menschheit und insbesondere vulnerabler Gruppen wie Arbeiter:innen gestaltet werden muss.

Fragestellung

Übergeordnetes Ziel des Vorhabens ist es, das komplexe Phänomen der modernen Sklaverei in erweiterten Lieferketten mit Hilfe moderner Methoden des maschinellen Lernens (Machine Learning) besser zu identifizieren und zu klassifizieren, wichtige Einflussfaktoren zu erkennen und damit insbesondere zivilgesellschaftliche Akteuren dabei zu unterstützen, entsprechend ihren Fähigkeiten und Möglichkeiten wirksame Gegenmaßnahmen zu ergreifen. Die große Vielfalt und Menge der im Zeitalter der digitalen Transformation verfügbaren Daten sowie die Komplexität des betrachteten Phänomens bieten gute Voraussetzungen für die Anwendung von Ansätzen der Künstlichen Intelligenz, insbesondere aus dem Bereich des maschinellen Lernens. Die Forschungsfrage lautet daher:

Wie kann ein auf Machine Learning basierendes Softwaresystem gestaltet werden, um Risiken moderner Sklaverei in erweiterten Lieferketten zu klassifizieren und wichtige Einflussfaktoren zu identifizieren?

Untersuchungsmethoden

Das Projekt erstellt zunächst eine umfassende und validierte Falldatenbank auf Grundlage einer mit Expert:innen abgestimmten Definition moderner Sklaverei. Unter Anwendung eines Nutzer:innen-integrativen Design Science-Vorgehens entwickelt das Vorhaben sodann einen Machine Learning-Ansatz, der auf bestehenden multidisziplinären Theorien, Methoden und Datenquellen zum Phänomen aufbaut. Der Ansatz wird als Software-Prototyp, zugeschnitten auf konkrete Praxisanforderungen, Nutzer:innen-integrativ und ethischen Grundsätzen folgend ausgestaltet und angewandt. Zivilgesellschaftliche Akteure sollen mit der Software interagieren und dabei Akteurskonstellationen bzw. -interaktionen in erweiterten Lieferketten gezielt überprüfen. Das System gibt Hinweise auf das Risiko moderner Sklaverei und weist auf mögliche Fehlerquellen und Unsicherheiten hin. Daneben bietet das System die Möglichkeit, Auswertungen auf aggregierten Abstraktionsebenen (z.B. Regionen oder Branchen) anzufordern und auszugeben.