Pozik gaude VivaTech 2021-en UNESCOren genero-alborapenaren erronkaren irabazle gisa iragartzeaz. Syntho: “bias in = bias out” eta sarrerako datuen desorekak konpontzea proposatzen dugu datu sintetiko adimentsuekin orekatuz. VivaTech-en, gure "datuak orekatzeko funtzio" berria erakutsi genuen, gure balio gehigarri berrietako bat datu sintetikoen ezaugarriak, horrek zure datuak hurrengo mailara eramaten ditu!
VivaTech 16eko ekainaren 19tik 2021ra antolatutako Europako hasierako eta teknologiako ekitaldirik handiena da. Aurten, erakundeak COVIDen ondorioz esperientzia hibridoa antolatu du, Parisen eta mundu osoan linean, eta berritzaileen komunitate are handiagoa biltzen du.
UNESCO Nazio Batuen Hezkuntza, Zientzia eta Kultura Erakundea da. UNESCOk adierazpen askatasunaren eta informazioaren sarbidearen alde egiten du, oinarrizko eskubidea eta demokraziarako eta garapenerako funtsezko baldintza gisa. Berrikuntza digitala duen ideien laborategi gisa, UNESCOk herrialdeei laguntzen die ideiak eta ezagutza partekatzeko doako fluxua bultzatzen duten politikak eta programak garatzen, munduko erronkei aurre egiteko eta guztientzako garapen iraunkorra bermatzeko.
Genero alborapenaren erronkak genero eten digitala murriztea du helburu AIren alborapena agerian utziz. AIk aldaera datu multzoekin elikatzen da, gure gizarteetan dagoen genero alborapena areagotuz. Ebidentziaren arabera, 2022. urterako, AI proiektuen% 85ek emaitza okerrak emango dituzte alborapenaren ondorioz, AI teknologia eta sektore gisa inklusiboagoa eta anitzagoa ez bada. Nola ziurtatu datu multzoak askotarikoagoak direla? UNESCOk genero eten digitala murriztea helburu duten irtenbide berritzaileen bila dabil AIren alborapena agerian utziz.
Unescok 2019an egindako txosten seminalak erakutsi zuen Alexa eta Siri bezalako AI bidezko ahots laguntzaile tresnek estereotipo kaltegarriak iraunarazten zituztela eta teknologia "feminizatutako" teknologiari zuzendutako gehiegikeria sexistak ere aurreikusi zituzten teknologiako enpresek.
Unescoren adibide honetan, datuetan alborapen jakin bat baldin badago, irteeran alborapenak eragingo ditu. Horregatik, gure baieztapena: 'bias in = bias out'. Adibide partekatuan, garatzaileek jadanik bazekiten datuen desoreka eta alborapen jakin batzuk. Orduan, nola gainditu?
Datu multzoa berriro orekatu behar dugu algoritmoetan diskriminazioa sor dezaketen datuen alborapen erronkak konpontzeko. Nola funtzionatzen du gure irtenbideak. Adibide honetan, datuetan alborapena eta desoreka daude. % 50 gizonezkoak eta% 50 emakumezkoak espero ditugun lekuan,% 33 emakumezkoak eta% 66 gizonezkoak soilik ikusten ditugu. Hori konpondu dezakegu emakumezkoen edo gizonezkoen datu erregistro sintetiko gehigarriak sortuz datu multzoa% 50 gizonezkoetara eta% 50 emakumezkoetara orekatzeko diskriminazioa eragin dezaketen datuetan alborapenak eta desorekak arintzeko. Horrela konpontzen ditugu datuen alborapenak. Arazoa bere sustraietatik konpontzen dugu. 'Bias in = data bias out' erronka konpontzen dugu.
Jarri harremanetan Synthorekin eta gure adituetako bat zurekin harremanetan jarriko da argiaren abiaduran datu sintetikoen balioa aztertzeko!