Forskare deltar i AI for Good

Under konferensen AI for Good Global Summits Breakthrough Days presenterar doktorand Hannah Devinney och universitetslektor Henrik Björklund från Institutionen för datavetenskap tillsammans med Jenny Björklund, universitetslektor vid Uppsala universitet, ett projekt om ojämlikhet och stereotypa föreställningar som kan påverka maskininlärningsalgoritmer.

Hannah Devinney är även knuten till Umeå centrum för genusstudier.

– Vi får feedback, tips, och andra former av stöd på våra projektidéer från AI for Goods expertpanel samt andra som deltar i dessa workshops, säger Henrik Björklund.

Projektet som presenteras är ett samarbete mellan Umeå universitet och Uppsala universitet. Det är ett av endast nio projekt som får möjlighet att presentera sitt arbete under de så kallade Breakthrough Days under konferensen. Team från hela världen har skickat in sina projektidéer och efter ha blivit bedömda av några av de främsta experterna inom sina respektive områden har sammanlagt nio valts ut till final för att presentera sina projektförslag i en serie interaktiva workshops under Breakthrough Days-evenemanget.

Efter att ha fått återkoppling under sina presentationer får de nio projekten därefter presentera sina arbeten från konferensens huvudscen. För Umeå universitets och Uppsala universitets gemensamma projekt är det Hannah Devinney som står för presentationen, med stöd av Henrik Björklund och Jenny Björklund.

Presentation på huvudscenen är planerad till måndag 28 september, kl 17.00 – 18.30 (lokal tid för Sverige).

Gå till anmälningssida för att följa presentationen.

Projektet som presenteras av gruppen från Umeå och Uppsala har titeln “Topic Modeling for Detecting Bias in Language Data”. Projektet sammanför metoder från genusvetenskap, litteraturvetenskap och datavetenskap för att undersöka hur ojämlikhet och stereotypa föreställningar reproduceras i text, hur de tar sig in i maskininlärningsalgoritmer och hur de kan analyseras för att minimera ojämlikhet i dessa algoritmer.

Det övergripande målet är att bidra till skapandet av mer jämlika maskininlärningsmodeller.