Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Ignite – El problema del sesgo de género en la Inteligencia Artificial

124 views

Published on

Existen diversas soluciones para entrenar algoritmos de IA sin perpetuar sesgos de género, en muchas ocasiones se ha hablado de la importancia de aumentar el número de mujeres que participan en áreas relacionadas con la ciencia y tecnología.
Por Miriam Villa

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Ignite – El problema del sesgo de género en la Inteligencia Artificial

  1. 1. ADA LOVELACE DAY
  2. 2. INTELIGENCIA ARTIFICIAL
  3. 3. INTELIGENCIA ARTIFICIAL
  4. 4. INTELIGENCIA ARTIFICIAL
  5. 5. ¿Qué quiero hacer? Recopilación de datos Entrenamiento del algoritmo con los datos Limpieza de datos Evaluación del modelo obtenido Predicción de resultados Aprendizaje Automático: Visión General ?
  6. 6. ¿Qué quiero hacer? Recopilación de datos Entrenamiento del algoritmo con los datos Limpieza de datos Evaluación del modelo obtenido Predicción de resultados Aprendizaje Automático: Visión General ?
  7. 7. ¿Cuál es el problema? Los algoritmos pueden heredar o incluso perpetuar los sesgos humanos en su toma de decisiones cuando se basan en datos que contienen decisiones humanas sesgadas.
  8. 8. ¿Cuál es el problema? Los algoritmos pueden heredar o incluso perpetuar los sesgos humanos en su toma de decisiones cuando se basan en datos que contienen decisiones humanas sesgadas.
  9. 9. Herramientas de reclutamiento Sesgo de Género en los Sistemas de IA
  10. 10. La herramienta de contratación experimental utilizaba inteligencia artificial para dar puntajes (1 a 5 estrellas) a los candidatos de trabajo.
  11. 11. Después de un tiempo, la compañía se dio cuenta de que su nuevo sistema no calificaba a los candidatos para trabajos de desarrollador de software y otros puestos técnicos de una manera neutral en cuanto al género.
  12. 12. Los modelos de computadora fueron entrenados para examinar a los solicitantes observando patrones en currículums enviados a la compañía durante un período de 10 años.
  13. 13. Los modelos de computadora fueron entrenados para examinar a los solicitantes observando patrones en currículums enviados a la compañía durante un período de 10 años.
  14. 14. Dos pasos para mejorar la diversidad de género
  15. 15. Investigación para entender la imparcialidad en el contexto de la toma de decisiones automatizada.
  16. 16. Investigación para entender la imparcialidad en el contexto de la toma de decisiones automatizada.
  17. 17. Proporcionar visibilidad a las mujeres existentes en el campo para que su trabajo tenga impacto.
  18. 18. Proporcionar visibilidad a las mujeres existentes en el campo para que su trabajo tenga impacto.
  19. 19. Proporcionar visibilidad a las mujeres existentes en el campo para que su trabajo tenga impacto.
  20. 20. Proporcionar visibilidad a las mujeres existentes en el campo para que su trabajo tenga impacto.
  21. 21. ADA LOVELACE DAY DEV DAY 4 WOMEN 2019

×