Unmasking AI

1. La Mirada Codificada: Descubriendo el Sesgo en los Sistemas de IA

"Los valores predeterminados no son neutrales. A menudo reflejan la mirada codificada: las preferencias de aquellos que tienen el poder de elegir en qué temas enfocarse."

La mirada codificada se refiere a cómo las prioridades, preferencias y prejuicios de quienes crean tecnología pueden propagar daño a través de la discriminación y la eliminación. Joy Buolamwini descubrió este concepto mientras trabajaba en un proyecto de reconocimiento facial en el MIT, donde tuvo que usar una máscara blanca para que el sistema detectara su rostro. Esta experiencia la llevó a investigar el sesgo en los sistemas de IA, particularmente en las tecnologías de reconocimiento facial.

Hallazgos clave:

• Los sistemas de IA a menudo tienen un rendimiento deficiente en individuos de piel más oscura y mujeres
• Los conjuntos de datos de referencia utilizados para entrenar modelos de IA están frecuentemente sesgados hacia hombres de piel más clara
• Estos sesgos pueden llevar a consecuencias en el mundo real, desde arrestos falsos hasta oportunidades denegadas

La investigación de Buolamwini reveló que los sistemas de análisis facial de las principales empresas tecnológicas tenían disparidades significativas de precisión basadas en el tipo de piel y género, con tasas de error de hasta el 34.4% entre hombres de piel más clara y mujeres de piel más oscura.

2. De Proyecto Artístico a Movimiento Global: El Nacimiento de la Liga de Justicia Algorítmica

"No iba a contenerme. Un estudiante de posgrado enfrentándose a gigantes tecnológicos no era el camino típico, pero tampoco lo era codificar con una cara blanca para ser visto por una máquina."

La Liga de Justicia Algorítmica (AJL) surgió del proyecto de tesis de maestría de Buolamwini en el MIT. Lo que comenzó como una instalación artística explorando las limitaciones de la tecnología de reconocimiento facial evolucionó en un movimiento global por la responsabilidad y justicia algorítmica.

Misión de AJL:

• Concienciar sobre el impacto del sesgo en la IA
• Abogar por sistemas de IA más inclusivos y equitativos
• Desarrollar herramientas y metodologías para auditar sistemas de IA en busca de sesgos
• Involucrarse con legisladores y líderes de la industria para promover un desarrollo responsable de la IA

El trabajo de la organización ha influido en decisiones políticas, prácticas corporativas y el discurso público sobre la ética de la IA, demostrando el poder de combinar la investigación académica con el activismo y el arte.

3. Auditorías Algorítmicas: Exponiendo Defectos en Productos Comerciales de IA

"¿Incluso si mi proyecto de clase no funcionaba en mí? Mis compañeros de piel clara parecían disfrutar usándolo. Y, por supuesto, ciertamente podría haber una ventaja en no ser detectado por una máquina, considerando las consecuencias de las cámaras que rastrean a las personas y los peligros de la vigilancia masiva."

Las auditorías algorítmicas son evaluaciones sistemáticas de los sistemas de IA para identificar sesgos y disparidades de rendimiento entre diferentes grupos demográficos. El proyecto "Gender Shades" de Buolamwini fue una auditoría algorítmica pionera que expuso brechas significativas de precisión en los sistemas comerciales de clasificación de género.

Hallazgos clave de la auditoría Gender Shades:

• Todos los sistemas probados tuvieron el peor rendimiento en mujeres de piel más oscura
• La mayor brecha de precisión fue del 34.4% entre hombres de piel más clara y mujeres de piel más oscura
• La auditoría reveló que incluso los productos de IA de las principales empresas tecnológicas tenían sesgos sustanciales

El proyecto Gender Shades y auditorías posteriores han llevado a mejoras en los sistemas comerciales de IA y han aumentado la conciencia sobre la necesidad de conjuntos de datos de prueba diversos y métodos de evaluación rigurosos.

4. El Poder de las Auditorías Evocativas: Humanizando el Impacto de la IA

"¿Pueden las máquinas ver a mis reinas como yo las veo? ¿Pueden las máquinas ver a nuestras abuelas como las conocimos?"

Las auditorías evocativas utilizan la expresión artística y las narrativas personales para ilustrar el impacto humano del sesgo algorítmico. La pieza de palabra hablada de Buolamwini "AI, Ain't I A Woman?" es un ejemplo destacado, mostrando cómo los sistemas de IA clasificaron erróneamente imágenes de mujeres negras prominentes.

Impacto de las auditorías evocativas:

• Humanizar las consecuencias del sesgo en la IA
• Alcanzar audiencias más amplias más allá de los círculos académicos
• Inspirar acción y cambio de políticas

El video "AI, Ain't I A Woman?" se volvió viral y fue presentado en el documental "Coded Bias", ayudando a aumentar la conciencia pública sobre el sesgo en la IA y sus implicaciones en el mundo real.

5. Luchando contra la Eliminación: Amplificando Voces Marginadas en la Tecnología

"Estar en silencio sobre mis hallazgos no habría prevenido el daño, porque estos sistemas ya estaban en desarrollo. Hablar proporcionó una oportunidad para considerar caminos alternativos, incluyendo el no uso."

Combatir la eliminación en la IA y la tecnología implica amplificar activamente las voces marginadas y desafiar el statu quo. Las experiencias de Buolamwini con la eliminación mediática y el bloqueo académico destacan la importancia de perspectivas diversas en la investigación y desarrollo de IA.

Estrategias para luchar contra la eliminación:

• Colaborar con y apoyar a investigadores y profesionales subrepresentados
• Utilizar plataformas mediáticas para resaltar voces y experiencias diversas
• Desafiar a instituciones y empresas a abordar sesgos sistémicos

El trabajo de Buolamwini con el documental "Coded Bias" y sus esfuerzos de defensa han ayudado a llamar la atención sobre las contribuciones de mujeres y personas de color en la ética e investigación de la IA.

6. Más Allá de la Academia: Involucrando a Legisladores y al Público

"El Congreso hará algo al respecto."

Involucrarse con los legisladores es crucial para traducir los hallazgos de la investigación en cambios reales. Los testimonios de Buolamwini ante el Congreso y su trabajo con agencias gubernamentales demuestran el impacto que los investigadores pueden tener en las decisiones políticas.

Compromisos políticos clave:

• Testificó ante el Congreso sobre la tecnología de reconocimiento facial
• Contribuyó al desarrollo de la Carta de Derechos de la IA
• Apoyó esfuerzos locales para regular el uso del reconocimiento facial por parte de las fuerzas del orden

Estos esfuerzos han llevado a un mayor escrutinio de los sistemas de IA, propuestas de legislación y cambios de políticas en varios niveles de gobierno.

7. Los Costos de la Inclusión y la Exclusión en el Desarrollo de IA

"Hay costos de inclusión y costos de exclusión a considerar en el diseño y despliegue de sistemas de IA que deben contextualizarse."

Equilibrar la inclusión y la exclusión en el desarrollo de IA requiere una consideración cuidadosa de los beneficios y daños potenciales. Si bien los conjuntos de datos diversos pueden mejorar el rendimiento de la IA, también pueden permitir una vigilancia y control más generalizados.

Consideraciones:

• Mejorar la precisión de la IA puede mejorar aplicaciones beneficiosas (por ejemplo, diagnósticos médicos)
• Un reconocimiento facial más preciso también podría permitir la vigilancia masiva
• Excluir a ciertos grupos de los conjuntos de datos puede proteger la privacidad pero llevar a un bajo rendimiento para esos grupos

Buolamwini aboga por un enfoque matizado que considere las implicaciones sociales más amplias de los sistemas de IA, en lugar de centrarse únicamente en las métricas de rendimiento técnico.

8. Hacia la Justicia Algorítmica: De la Investigación al Cambio en el Mundo Real

"Necesitamos leyes. A lo largo de los años se ha introducido legislación sobre responsabilidad algorítmica, tecnologías biométricas remotas y privacidad de datos. Con la creciente conciencia sobre el impacto de la IA en nuestras vidas, necesitamos saber que nuestras instituciones gubernamentales protegerán nuestros derechos civiles independientemente de cómo evolucione la tecnología."

La justicia algorítmica requiere un enfoque multifacético que combine investigación, defensa, cambio de políticas y participación pública. El viaje de Buolamwini de estudiante de posgrado a influyente ética de la IA ilustra el potencial de los individuos para impulsar un cambio sistémico.

Componentes clave de la lucha por la justicia algorítmica:

• Investigación rigurosa y auditorías de sistemas de IA
• Campañas de educación y concienciación pública
• Colaboración con legisladores y líderes de la industria
• Apoyo a esfuerzos de base y organización comunitaria

La publicación de la Carta de Derechos de la IA y la creciente conciencia pública sobre los problemas de ética de la IA demuestran progreso, pero se necesita vigilancia y defensa continuas para garantizar que los sistemas de IA se desarrollen y desplieguen de manera que respeten los derechos humanos y promuevan la equidad.

Última actualización: July 30, 2024