Muitas vezes, parece que especialistas em aprendizado de máquina estão correndo com um martelo, vendo tudo como um prego potencial - eles têm um sistema que faz coisas legais e é divertido de trabalhar, e vão em busca de coisas para usar isso. Mas e se virarmos isso de cabeça para baixo e começarmos a trabalhar com pessoas em diversas áreas - educação, saúde ou economia, por exemplo - para definir claramente problemas sociais, e depois projetar algoritmos que forneçam etapas úteis para resolvê-los?
Rediet Abebe, uma pesquisadora e professora de ciência da computação na UC Berkeley, passa muito tempo pensando em como o aprendizado de máquina funciona no mundo real, e trabalhando para tornar os resultados dos processos de aprendizado de máquina mais acionáveis e mais equitativos.
Abebe se junta a Cindy Cohn e Danny O’Brien do EFF para discutir como redefinimos a linha de produção de aprendizado de máquina - desde criar uma piscina mais diversificada de cientistas da computação até repensar como aplicamos essa tecnologia para o bem-estar da sociedade mais marginalizada e vulnerável - para fazer mudanças positivas e reais na vida das pessoas.
Neste episódio, você aprenderá sobre:
- Problemas históricos com a medição oficial de pobreza nos Estados Unidos
- Como o aprendizado de máquina pode (e não pode) levar a sentenças mais justas em nossas cortes criminais
- Como práticas de compartilhamento de dados equitativas poderiam ajudar nações e culturas ao redor do mundo
- Reconsiderando as variáveis do aprendizado de máquina para maximizar objetivos além do lucro comercial.
Se você tiver algum feedback sobre este episódio, por favor, envie um e-mail para podcast@eff.org. Visite a página do site em:https://eff.org/pod208onde você encontrará recursos - incluindo links para casos legais importantes e pesquisas discutidas no podcast e uma transcrição completa do áudio.
Este podcast é apoiado pela Alfred P. Sloan Foundation's Program in Public Understanding of Science and Technology.
A música para "Como Consertar a Internet" foi criada para nós por Reed Mathis e Nat Keefe do BeatMower.
Este podcast é licenciado sob Creative Commons Attribution 4.0 International, e inclui a seguinte música licenciada sob Creative Commons Attribution 3.0 Unported por seus criadores:
http://dig.ccmixter.org/files/djlang59/59729
Provavelmente Não Deveria por J.Lang
http://dig.ccmixter.org/files/Skill_Borrower/41751 - "Um Empréstimo de Habilidade"
Klaus by Skill_Borrower - "Klaus"
http://dig.ccmixter.org/files/airtone/58703 - "Terreno Comum"
commonGround by airtone - "Terreno Comum"
http://dig.ccmixter.org/files/JeffSpeed68/56377 - "Olhos Fumaça"
Smokey Eyes by Stefan Kartenberg - "Olhos Fumaça"
http://dig.ccmixter.org/files/NiGiD/62475 - "Cacto Chrome"
Chrome Cactus by Martijn de Boer (NiGiD) - "Cacto Chrome"