Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Maria De-Arteaga
Candidata a Doctora, Machine Learning & Public Policy, Carnegie Mellon University
Co-fundadora, Early
“Colombia is on a trajectory to become a hub of AI in Latin America. AI is
still in its infancy (...) there are still opportunities for every major country.”
Andrew Ng
Hipótesis
Maria De-Arteaga, William Herlands, Daniel B. Neill, Artur Dubrawski, “Machine Learning for the Developing
World”, ACM Transactions on Management Information Systems, 2018.
Copyright @ 2019 Maria De Arteaga
ML4D NeurIPS Workshop
19
Copyright @ 2019 Maria De Arteaga
Un robot headhunter?
20
Copyright @ 2019 Maria De Arteaga
Computer Programmer
21
Slide created by Adam Kalai
Computer Programmer
22
Slide created by Adam Kalai
Computer Programmer
23
Slide created by Adam Kalai
Computer Programmer
BLACK FEMALE
24
Slide created by Adam Kalai
Computer Programmer
25
Slide created by Adam Kalai
26
Copyright @ 2019 Maria De Arteaga
Copyright © 2019 Maria De-Arteaga
Bias in Bios: A Case Study of Semantic Representation Bias in a High-Stakes Setting (FAT* 2019)
Maria De-Arteaga (CMU), Alexey Romanov (UMASS), Hanna Wallach (MSR), Jennifer Chayes (MSR), Christian Borgs (MSR), Alexandra
Chouldechova (CMU), Sahin Geyik (LinkedIn), Krishnaram Kenthapadi (LinkedIn), Adam Kalai (MSR)
“Xxx Xxx is a(n) (xxx) [title]...he/she…” title ∈ {common BLS SOC titles}
28
Copyright @ 2019 Maria De Arteaga
Estructura de aprendizaje
Representación
semántica:
1. Bag-of-words
Datos: 2. Word embedding Objetivo:
Biografías 3. Deep neural network Predecir Y = Ocupación
(GRU) with attention
29
Copyright @ 2019 Maria De Arteaga
Copyright © 2019 Maria De-Arteaga
El rol de los pronombres: ¿Cómo cambian las
predicciones si los pronombres cambian?
30
Copyright @ 2019 Maria De Arteaga
Copyright © 2019 Maria De-Arteaga
31
Copyright @ 2019 Maria De Arteaga
32
Copyright @ 2019 Maria De Arteaga
33
Copyright @ 2019 Maria De Arteaga
Más allá de los pronombres: la brecha de género en la
precisión del algoritmo
34
Copyright @ 2019 Maria De Arteaga
Más acertado
PRECISIÓN EN MUJERES – PRECISIÓN EN HOMBRES: para las mujeres
BRECHA DE GENERO
Más acertado
para los hombres
35
% MUJERES Copyright @ 2019 Maria De Arteaga
Amplifica Más acertado
PRECISIÓN EN MUJERES – PRECISIÓN EN HOMBRES: brechas de género para las mujeres
BRECHA DE GENERO
Más acertado
para los hombres
36
% MUJERES Copyright @ 2019 Maria De Arteaga
Amplifica
brechas de género Más acertado
para las mujeres
HOMBRES:
Más acertado
para los hombres
% MUJERES
HOMBRES:
Más acertado
para los hombres
% MUJERES
Injusticias
compuestas Si el imbalance inicial es resultado de injusticias sociales,
la predicción del modelo se basa, y amplifica, la injusticia.
[Hellman’18]
38
Copyright @ 2019 Maria De Arteaga
Copyright © 2019 Maria De-Arteaga
Amplificación de las brechas de género
Cirujanas
39
Copyright @ 2019 Maria De Arteaga
Amplificación de las brechas de género
Hombres:
71% recall
Cirujanas
Gracias!
mdeartea@andrew.cmu.edu
Copyright @ 2019 Maria De Arteaga