Abordar los prejuicios en nuestros sistemas de inteligencia artificial es uno de los desafíos más urgentes de la era actual. ¿Por qué? Porque las consecuencias de los sesgos en estos sistemas son, en el mejor de los casos, problemáticas y, en el peor,   . mortales  Después de casi 2 décadas de experiencia como ingeniero profesional, veo la inteligencia artificial como un espejo frente a la humanidad. Después de todo, los sistemas de IA aprenden de los datos generados por las decisiones humanas, por lo que simplemente nos reflejan los sesgos de nuestra propia sociedad codificados y amplificados en nuestra tecnología.  En un   , un ingeniero de Google notó que el sistema de reconocimiento de imágenes de la compañía estaba etiquetando a las personas negras como "gorilas". Cuando estos sistemas, por ejemplo, se usan para entrenar   , su incapacidad para identificar con precisión a los humanos con tonos de piel más oscuros puede tener resultados potencialmente mortales. ejemplo infame de 2015 los vehículos autónomos de Tesla  Aunque aterradores, estos ejemplos no deberían significar que tenemos que perder toda esperanza en el mayor desarrollo de la tecnología habilitada para IA. De hecho, hay muchas herramientas que los equipos de ingeniería pueden usar para identificar y eliminar sesgos en sus datos y modelos algorítmicos para evitar resultados injustos y desastrosos.  Sin embargo, la clave comienza con tener diversidad dentro de los miembros de los propios equipos encargados de construir los sistemas de IA que dan forma a nuestro presente y futuro.  La creación de equipos de IA con representación diversa de raza, género, orientación sexual, edad, condiciones económicas y más, genera sistemas de IA más precisos y éticos. Cuantas más personas de diferentes orígenes tenga trabajando con datos, más probable será que el equipo pueda detectar sesgos antes de que sea demasiado tarde. La diversidad también impulsa un pensamiento más creativo y mejora su capacidad para escalar a mercados más grandes y más amplios.  Cómo contratar un equipo de IA más diverso  Tal como están las cosas, las empresas tecnológicas carecen gravemente de diversidad. Un   encontró que menos del 5% de la fuerza laboral en las principales empresas de tecnología eran negros o latinos. Mientras tanto, la población de EE. UU. está compuesta por un 13,4% de negros y un 18,4% de latinos. estudio de 2019 realizado por AI Now Institute  Las explicaciones de estas brechas se pueden atribuir a una multitud de factores, incluidas las barreras históricas y estructurales que enfrentan los estudiantes de minorías y los posibles candidatos laborales.  Los datos muestran que hasta el 80 % de los estudiantes negros, latinos, indígenas, de primera generación y de bajos ingresos que comienzan una carrera en informática abandonan su programa.  Usando estos datos, elegimos intervenir en un punto clave a lo largo de la trayectoria de un estudiante, al principio de sus años universitarios, y crear una programación para respaldar su inversión continua en ciencias de la computación y el éxito final en la obtención de un título, así como la entrada en pasantías competitivas y completa. -Tiempo de funciones técnicas de software.  Es fundamental que las pasantías pagas que desarrollen habilidades prácticas, conexiones y confianza se desarrollen al principio y durante todo el viaje de aprendizaje de un estudiante.  El objetivo de estas pasantías tempranas, que están diseñadas especialmente para jóvenes en ascenso, es brindar a muchos estudiantes subrepresentados experiencia técnica y apoyo al principio de sus carreras universitarias antes de que decidan abandonar o cambiar de especialidad.  Por ejemplo, el programa Summer Internship for Tech Excellence   para estudiantes de CS subrepresentados ya ha tenido éxito con casi el 86% de los graduados de 2021 que han obtenido oportunidades de pasantías remuneradas en el tercer año. Otro programa previo a la pasantía llamado   está comenzando con su primera cohorte de 25 pre-pasantes en junio. (SITE) Futureforce Tech Launchpad  Estas empresas y más son algunos de los líderes que darán forma al futuro de la inteligencia artificial en el que nos adentramos, por lo que es esencial que empleen la diversidad en sus equipos de productos.  Pero incluso si una empresa no está trabajando directamente en IA, es probable que la esté   , lo que significa que probablemente haya exclusiones integradas continuamente en el software que se utiliza para evaluar el talento potencial. utilizando para contratar  Esto solo demuestra aún más la necesidad de más puentes centrados en el ser humano, que fomenten las relaciones y brinden tutoría, entre los candidatos de ingeniería sólidos con poca representación y los profesionales de la tecnología que trabajan.  La IA está en todas partes. Y a menos que empecemos a reclutar intencionalmente equipos más diversos para diseñarlo y construirlo, continuaremos viendo efectos problemáticos y peligrosos de esta tecnología en nuestro mundo.  Sin embargo, a través de alianzas intersectoriales, que reúnen a universidades, empresas de tecnología y otras organizaciones sin fines de lucro, podemos reinventar la tubería hacia la fuerza laboral tecnológica y tal vez comenzar a ver un mundo más equitativo reflejado en nosotros a través del espejo de la inteligencia artificial que construimos. .

Google

Tesla

Read My Stories

Este audio es producido en el idioma original de la historia!

Por qué una mayor diversidad en los roles competitivos de IA requiere la reinvención de la cartera de pasantías

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps