Es fühlt sich oft an, als würden Experten für maschinelles Lernen mit einem Hammer umherlaufen und alles als potenziene Schraube betrachten - sie haben ein System, das coole Dinge tut und Spaß macht, und sie suchen nach Dingen, die man damit nutzen kann. Aber was wäre, wenn wir das umdrehen und zuerst mit Menschen in verschiedenen Bereichen - Bildung, Gesundheit oder Wirtschaft zum Beispiel - zusammenarbeiten, um gesellschaftliche Probleme klar zu definieren, und dann Algorithmen entwerfen, die nützliche Schritte zur Lösung dieser Probleme bieten?
Rediet Abebe, eine Forscherin und Professorin für Informatik an der UC Berkeley, verbringt viel Zeit damit, darüber nachzudenken, wie maschinelles Lernen in der realen Welt funktioniert, und daran zu arbeiten, die Ergebnisse von maschinellen Lernprozessen handlungsrelevanter und gerechter zu gestalten.
Abebe schließt sich EFF's Cindy Cohn und Danny O’Brien an, um zu diskutieren, wie wir die Pipeline des maschinellen Lernens neu definieren - von der Schaffung eines vielfältigeren Pools von Computerwissenschaftlern bis hin zur Neuüberlegung, wie wir diese Technologie für die Verbesserung des Lebens der am stärksten marginalisierten und verletzlichen Menschen in der Gesellschaft einsetzen - um echte, positive Veränderungen im Leben der Menschen zu bewirken.
In dieser Folge lernen Sie Folgendes:
- Historische Probleme mit der offiziellen Armutsmessung in den USA
- Wie maschinelles Lernen (und wie es nicht) zu gerechteren Urteilen in unseren Strafgerichten führen kann
- Wie gerechte Datenfreigabe-Praktiken Nationen und Kulturen auf der ganzen Welt helfen könnten
- Die Überarbeitung der Variablen des maschinellen Lernens, um Ziele außer kommerziellen Gewinn zu maximieren.
Wenn Sie Feedback zu dieser Folge haben, schreiben Sie uns bitte eine E-Mail an podcast@eff.org. Besuchen Sie die Seite unterhttps://eff.org/pod208wo Sie Ressourcen finden – einschließlich Links zu wichtigen Rechtsfällen und Forschungsergebnissen, die in der Podcast-Folge diskutiert wurden, und eine vollständige Transkription des Audios.
Dieser Podcast wird unterstützt vom Alfred P. Sloan Foundation's Program in Public Understanding of Science and Technology.
Die Musik für "How to Fix the Internet" wurde uns von Reed Mathis und Nat Keefe von BeatMower zur Verfügung gestellt.
Dieser Podcast ist unter der Creative Commons Attribution 4.0 International Lizenz veröffentlicht und enthält folgende Musik, die ebenfalls unter Creative Commons Attribution 3.0 Unported lizenziert ist und von ihren Erstellern bereitgestellt wurde:
http://dig.ccmixter.org/files/djlang59/59729
Wahrscheinlich Sollten Sie Nicht (von J.Lang)
Klaus von Skill_Borrower - "Klaus von Skill_Borrower"
http://dig.ccmixter.org/files/airtone/58703 - "http://dig.ccmixter.org/files/airtone/58703"
commonGround von airtone - "commonGround von airtone"
http://dig.ccmixter.org/files/JeffSpeed68/56377 - "http://dig.ccmixter.org/files/JeffSpeed68/56377"
Smokey Eyes von Stefan Kartenberg - "Smokey Eyes von Stefan Kartenberg"
http://dig.ccmixter.org/files/NiGiD/62475 - "http://dig.ccmixter.org/files/NiGiD/62475"
Chrome Cactus von Martijn de Boer (NiGiD) - "Chrome Cactus von Martijn de Boer (NiGiD)"