Expeditions in Experiential AI Series: Just Machine Learning
Ciclo de seminarios organizado por el Institute for Experiential AI: Expeditions in Experiential AI and the Distinguished Lecturer Series, coordinado por el Dr. Ricardo Baeza-Yates.
RESUMEN
La evaluación de riesgo es una tarea popular cuando el aprendizaje automático se utiliza para la toma de decisiones automatizada. Por ejemplo, el riesgo de Jack de caer en incumplimiento de pago de un préstamo es 8, el de Jill es 2; el riesgo de reincidencia de Ed es 9, el de Peter es 1. Sabemos que esta definición de tarea viene acompañada de resultados de imposibilidad para la equidad grupal, donde no se pueden satisfacer simultáneamente medidas probabilísticas deseables de equidad. Destacaré hallazgos recientes en relación con estos resultados de imposibilidad. A continuación, presentaré trabajo sobre cómo el aprendizaje automático puede utilizarse para generar datos aspiracionales (es decir, datos libres de los sesgos de los datos del mundo real). Estos datos son útiles para reconocer y detectar fuentes de inequidad en modelos de aprendizaje automático, más allá de los datos sesgados. Si el tiempo lo permite, discutiré pasos para medir nuestras sociedades imbuidas algorítmicamente.
EXPOSITORA
Tina Eliassi-Rad es Profesora de Ciencias de la Computación en Northeastern University en Boston, MA. También es miembro del cuerpo académico central del Network Science Institute de Northeastern. Antes de unirse a Northeastern, Tina fue Profesora Asociada de Ciencias de la Computación en Rutgers University; y antes de eso fue Miembro del Personal Técnico e Investigadora Principal en Lawrence Livermore National Laboratory. Tina obtuvo su Ph.D. en Ciencias de la Computación (con un minor en Estadística Matemática) en la University of Wisconsin-Madison. Su investigación se sitúa en la intersección de la minería de datos, el aprendizaje automático y la ciencia de redes. Cuenta con más de 100 publicaciones arbitradas (incluyendo algunos premios a mejor artículo y menciones honrosas); y ha dictado más de 200 charlas por invitación y 14 tutoriales. El trabajo de Tina se ha aplicado a la búsqueda personalizada en la World-Wide Web, índices estadísticos de datos de simulaciones científicas a gran escala, detección de fraude, segmentación de publicidad móvil, conciencia situacional cibernética y ética en el aprendizaje automático. Sus algoritmos se han incorporado en sistemas utilizados por el gobierno y la industria (por ejemplo, IBM System G Graph Analytics), así como en software de código abierto (por ejemplo, Stanford Network Analysis Project). En 2017, Tina se desempeñó como co-presidenta del programa de la ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (también conocida como KDD, la conferencia principal en minería de datos) y como co-presidenta del programa de la International Conference on Network Science (también conocida como NetSci, la conferencia principal en ciencia de redes). En 2020, se desempeñó como co-presidenta del programa de la International Conference on Computational Social Science (también conocida como IC2S2, la conferencia principal en ciencia social computacional). Tina recibió un Outstanding Mentor Award de la Office of Science del US Department of Energy en 2010; se convirtió en Fellow de la ISI Foundation en Turín, Italia, en 2019; y fue nombrada una de las 100 Brilliant Women in AI Ethics para 2021. También en 2021, fue seleccionada como académica externa en el Santa Fe Institute y en el Vermont Complex Systems Center.