A menudo parece que los expertos en aprendizaje automático corren con un martillo, mirando todo como un clavo potencial - tienen un sistema que hace cosas geniales y es divertido de trabajar, y van en busca de cosas para usarle. Pero, ¿y si damos la vuelta a eso y empezamos trabajando con personas en diversos campos - educación, salud o economía, por ejemplo - para definir claramente los problemas sociales, y luego diseñamos algoritmos que proporcionen pasos útiles para resolverlos?
Rediet Abebe, una investigadora y profesora de ciencias de la computación en la UC Berkeley, pasa mucho tiempo pensando en cómo funciona el aprendizaje automático en el mundo real, y trabajando para hacer que los resultados de los procesos de aprendizaje automático sean más accionables y más equitativos.
Abebe se une a Cindy Cohn y Danny O’Brien del EFF para discutir cómo redefinimos la tubería de aprendizaje automático - desde crear una piscina más diversa de científicos informáticos hasta replantearnos cómo aplicamos esta tecnología para el mejoramiento de los más marginados y vulnerables de la sociedad - para lograr un cambio positivo y real en las vidas de las personas.
En este episodio aprenderás sobre:
- Los problemas históricos con la medición oficial de la pobreza en EE. UU.
- Cómo el aprendizaje automático puede (y no puede) conducir a veredictos más justos en nuestras cortes criminales
- Cómo las prácticas de compartir datos equitativas podrían ayudar a naciones y culturas alrededor del mundo
- Reconsiderar las variables del aprendizaje automático para maximizar objetivos más allá de la ganancia comercial.
Si tiene algún comentario sobre este episodio, envíe un correo electrónico a podcast@eff.org. Visite la página del sitio enhttps://eff.org/pod208donde encontrará recursos, incluyendo enlaces a importantes casos legales y estudios de investigación discutidos en el podcast y una transcripción completa del audio.
Este podcast es apoyado por el Programa de Comprensión Pública de Ciencia y Tecnología de la Fundación Alfred P. Sloan.
La música para "Cómo arreglar Internet" fue creada para nosotros por Reed Mathis y Nat Keefe de BeatMower.
Este podcast está licenciado bajo Creative Commons Atribución 4.0 Internacional, e incluye la siguiente música licenciada bajo Creative Commons Atribución 3.0 No Comercial por sus creadores:
http://dig.ccmixter.org/files/djlang59/59729
Probablemente no debería por J.Lang
Klaus por Skill_Borrower - "Klaus por Skill_Borrower"
http://dig.ccmixter.org/files/airtone/58703 - "http://dig.ccmixter.org/archivos/airtone/58703"
commonGround por airtone - "commonGround por airtone"
Smokey Eyes por Stefan Kartenberg - "Smokey Eyes por Stefan Kartenberg"
http://dig.ccmixter.org/files/NiGiD/62475 - "http://dig.ccmixter.org/archivos/NiGiD/62475"
Chrome Cactus por Martijn de Boer (NiGiD) - "Chrome Cactus por Martijn de Boer (NiGiD)"