Στην πραγματικότητα μια έκθεση του Παγκόσμιου Οικονομικού Φόρουμ του 2020 διαπίστωσε ότι περίπου το ένα τέταρτο των επαγγελματιών τεχνητής νοημοσύνης ήταν γυναίκες. Με αυτόν τον αποκλεισμό μεγάλης κλίμακας υπάρχει κίνδυνος οπισθοδρόμησης.
«Ορισμένοι κανονισμοί,όπως η δεοντολογία της ΤΝ έχουν τεθεί σε ισχύ, αλλά πρέπει να είμαστε πιο αυστηροί στην αναθεώρηση των δεδομένων στα οποία εργαζόμαστε και στον έλεγχο ότι όλες οι ομάδες εκπροσωπούνται καλά στα σύνολα δεδομένων μας» λέει η Arjeta Peshtani,μηχανικός μηχανικής μάθησης.
Η αντιμετώπιση λοιπόν του έμφυλου χάσματος στην ΤΝ απαιτεί πολυδιάστατη προσέγγιση:
Ποικιλομορφία στις ομάδες ανάπτυξης των συστημάτων τεχνητής νοημοσύνης σε ότι αφορά το φύλο, την καταγωγή, τον πολιτισμό και τις προσωπικές εμπειρίες των ανθρώπων που εργάζονται σε αυτά τα συστήματα.
Δεδομένα που αντικατοπτρίζουν την ποικιλομορφία: Οι αλγόριθμοι της ΤΝ εκπαιδεύονται με βάση τα δεδομένα. Είναι σημαντικό να διασφαλίσουμε ότι αυτά τα δεδομένα αντικατοπτρίζουν την ποικιλομορφία.Αυτό μπορεί να επιτευχθεί με τη συλλογή δεδομένων από διάφορες πηγές και με την ανάλυση των δεδομένων για την ανίχνευση προκαταλήψεων.
Διαφάνεια και ευθύνη: Οι οργανισμοί που αναπτύσσουν συστήματα ΤΝ πρέπει να είναι διαφανείς σχετικά με τις μεθόδους και τους αλγόριθμους που χρησιμοποιούν και να αναλαμβάνουν την ευθύνη για τυχόν ανισότητες που προκύπτουν και να εργάζονται για την αντιμετώπιση τους
Εκπαίδευση και ευαισθητοποίηση: Είναι σημαντικό να εκπαιδευτούμε σχετικά με τις προκλήσεις και τους κινδύνους της έμφυλης ανισότητας στην ΤΝ.Αυτό μπορεί να γίνει μέσω εκπαιδευτικών προγραμμάτων, ενημερωτικών εκστρατειών και συζητήσεων στην κοινότητα.
Καθώς προχωρούμε στην εποχή της ΤΝ είναι απαραίτητο να αντιμετωπίσουμε την έμφυλη ανισότητα με σοβαρότητα και αποφασιστικότητα.
Ας εργαστούμε από κοινού για να δημιουργήσουμε ένα μέλλον όπου η Τεχνητή Νοημοσύνη θα είναι όχι μόνο ισχυρή και έξυπνη αλλά και δίκαιη και ισότιμη για ολ@ .
(Η φωτογραφία είναι προϊόν ΤΝ)