Inspire-se e nos ajude a tornar as recomendações práticas, porém urgentes, uma realidade!
< 1 >
Defender e adotar diretrizes que estabeleçam responsabilidade e transparência para a tomada de decisão algorítmica (ADM) nos setores público e privado.
Devemos garantir que o aprendizado de máquina não incorpore um sistema já tendencioso ao nosso futuro.
Ações de equidade algorítmica para corrigir preconceitos e barreiras da vida real que impedem que mulheres e meninas obtenham participação plena e direitos iguais.
As instituições públicas devem criar projetos pilotos e liderar: A Ação Afirmativa para Algoritmos deve ser aplicada quando as instituições públicas conduzirem a ADM. Os condutores devem confiar em pesquisas sociais antigas e novas que ofereçam incentivos sociais, bolsas e bolsas de estudo em espaços dos quais as mulheres tradicionalmente foram excluídas. Esta é uma agenda positiva que promove a promoção da igualdade e corrige a visibilidade, a qualidade e a influência das mulheres na proporção da população.
Los sectores públicos y privado deben incluir Evaluaciones de Impacto Algorítmico (AIA): Un marco de autoevaluación diseñado para respetar el derecho del público a saber cómo los sistemas de inteligencia artificial impactan sus vidas en relación a los principios de equidad y accountability.
Testes rigorosos ao longo do ciclo de vida da inteligência artificial: Os testes devem considerar as origens e o uso de dados de treinamento, testes, modelos, APIs e outros componentes ao longo do ciclo de vida de um produto. Deve também cobrir testes de pré-lançamento, auditoria independente, certificação e monitoramento constante para testar vieses e outros danos. O ADM deve melhorar a qualidade de vida e não controlar a experiência humana.
Marcos legais robustos para promover a prestação de contas: Isso inclui uma potencial expansão de capacidades para agências específicas no setor, ou a criação de novos termos de referência para supervisionar, auditar e monitorar sistemas de ADM para garantir a responsabilidade legal em sistemas público e privado.
Diretrizes de aquisições sensíveis a questões de gênero: As organizações em todos os níveis de governo devem desenvolver diretrizes de aquisição que considerem a eqüidade de gênero e tenham metas em números, além de descrever papéis e responsabilidades nas organizações para aplicar esses princípios.
Melhorar coletas de dados (dataset) - dados abertos desagregados por gênero e coletar dados inclusivos: Produzir ativamente conjuntos de dados desagregados por gênero, pois isso permite uma melhor compreensão das origens do viés na inteligência artificial, a fim de melhorar o desempenho dos sistemas de aprendizado de máquina. Também devem ser investidos controles para monitorar os processos de coleta e verificação de dados realizados por seres humanos, para que os dados não sejam coletados em detrimento de mulheres e outros grupos tradicionalmente excluídos. Por fim, é importante aplicar processos de coleta de dados mais inclusivos, que não se concentrem apenas na quantidade, mas também na qualidade dos conjuntos de dados.
< 2 >
Tomar medidas proativas claras para incluir uma variedade interseccional e um número igual de mulheres e meninas na criação, design e codificação da ADM.
Novas tecnologias oferecem novas oportunidades, incluindo a criação de estruturas genuinamente novas que exigem novas idéias e novas equipes. Os papéis de gênero que estão sendo removidos do mundo real estão sendo incorporados ao novo ADM com concepções antigas e estereotipadas e associações de gênero, raça e classe. É necessário um pensamento inovador e inclusivo. A imaginação e a habilidade podem ser fornecidas pelo maior recurso intelectual inexplorado do planeta - mulheres e meninas.
Equilíbrio de gênero na tomada de decisão com base em inteligência artificial: O equilíbrio de gênero na tomada de decisões deve ser colocado na agenda oficial de todos os envolvidos no financiamento, projeto, adoção e avaliação da ADM.
Equilíbrio de gênero nas equipes de design: Incluir uma gama robusta de feministas interseccionais no design dos sistemas ADM desencadeará maior inovação e criatividade, bem como a detecção e mitigação de vieses e efeitos prejudiciais em mulheres, meninas e grupos tradicionalmente excluídos.
Exigir que as empresas publiquem e relatem ativamente sua equidade de gênero nas equipes de design: Incentivar as empresas com equipes equilibradas e multidisciplinares.
Fundos de pesquisa: crie um fundo de pesquisa para explorar os impactos de gênero e inteligência artificial, aprendizado de máquina, preconceitos e equidade com uma abordagem multidisciplinar que vai além das perspectivas da ciência da computação e da engenharia para adicionar novas formas de pesquisa. incluir a alfabetização digital e estudar os efeitos políticos, econômicos e sociais da ADM na vida de mulheres e grupos tradicionalmente excluídos da criação de normas e tomada de decisões.
< 3 >
Cooperação internacional e uma abordagem à ADM e machine learning com base nos direitos humanos.
A correção em massa de dados distorcidos exigirá cooperação multilateral e internacional para garantir que não deixemos ninguém para trás.
Uma revisão de todas as agências das Nações Unidas sobre a aplicação dos padrões e leis existentes sobre Direitos Humanos em ADM, gênero e machine learning: isso pode guiar e provocar o pensamento criativo para uma abordagem baseada em direitos humanos que seja relevante na rápida E mudando a era digital.
Desenvolver um conjunto de métricas para inclusão digital: isso precisa ser acordado com urgência, medido em todo o mundo e detalhado com dados desagregados por sexo nos relatórios anuais de instituições como as Nações Unidas, o Fundo Monetário Internacional, a União Internacional de Telecomunicações, o Banco Mundial, outros bancos multilaterais de desenvolvimento e a OCDE.