In den letzten Jahren hat sich Künstliche Intelligenz (KI), insbesondere Deep Learning, als Technologietreiber in der Industrie erwiesen. Während sie jedoch bestehende und neuartige Technologien vorantreibt, Prozesse automatisiert und Menschen in wichtigen Bereichen wie der Arzneimittelforschung unterstützt, wirft sie, wie andere neue bahnbrechende Technologien zuvor, viele Bedenken auf. In diesem Fall beispielsweise KI Modelle, die stereotypische und abwertende Inhalte sowie geschlechts- und rassistische Vorurteile produzieren. Da KI-Technologien in den kommenden Jahren mehr und mehr in unser Leben eindringen werden, müssen diese Bedenken ausgeräumt werden. In dieser Arbeit werden aktuelle datengesteuerte Ansätze untersucht, die oft durch ihr selbstüberwachtes Training auf großen, verrauschten Webdaten anschließlich anstößiger Daten, unter degeneriertem und voreingenommenem Verhalten leiden. Während dies bereits bekannt ist, werden wir Versprechungen beziehungsweise Vorteile von tiefen Modellen untersuchen, welche durch die Bereitstellung dieser spezifischen, potenziell ungeeigneten Daten erworben werden. Dabei stellen wir die ersten Ansätze zum Lernen von Ethik aus Daten vor. Unsere Ergebnisse deuten darauf hin, dass ein KI-System, das eine verbesserte Repräsentation von Daten erlernt und in der Lage ist, diese besser zu verstehen und zu produzieren, in diesem Prozess auch genaueres gesellschaftliches Wissen erwirbt, in diesem Fall historische kulturelle Assoziationen, um menschenähnliche "richtige" und "falsche" Entscheidungen zu treffen. Darüber hinaus stellen wir auf der Grundlage dieser Erkenntnisse die wohl "zirkuläre" Frage, ob eine Maschine uns dabei helfen kann, die damit verbundenen Bedenken zu mindern. Vor allem zeigen wir, wie wichtig ihre Fähigkeit ist, zwischen "richtig" und "falsch" zu unterscheiden, und wie dessen Einsatz die verbundenen Risiken im Zusammenhang mit groß angelegten KI Modellen selbst mindern kann. Wir heben jedoch auch die Rolle der Mensch-Maschine-Interaktion hervor, um die Eigenschaften von KI-Systemen zu erforschen und zu verbessern, einschließlich ihrer Fehler und Vorzüge. Außerdem zeigen wir wie menschliches Feedback basierend auf Erklärungen Deep-Learning-basierte Modelle mit unseren Grundsätzen in Einklang bringen kann. Wir stellen diese Algorithmen und die dazugehörigen Ergebnisse vor und liefern damit wichtige Erkenntnisse für das Ziel, menschliche Werte in KI-Systeme einzubringen, welches, zusammenfassend, auf lange Sicht nicht unüberwindbar sein dürfte.