TEDxBeaconStreet
Joy Buolamwini: How I'm fighting bias in algorithms
Joy Buolamwini: Come sto combattendo la parzialità algoritmica
Filmed:
Readability: 5.3
1,223,943 views
Joy Buolamwini, studentessa magistrale al MIT, stava lavorando sul software di riconoscimento facciale quando si è accorta di un problema: il software non riconosceva la sua faccia, poiché chi aveva programmato l'algoritmo non aveva pensato a come identificare un'ampia gamma di colori di pelle e di strutture facciali. Ora lei si è impegnata nella missione di combattere la parzialità nell'apprendimento automatico, un fenomeno che lei chiama "lo sguardo programmato". Questa è una conferenza che ci apre gli occhi sulla necessità di responsabilizzare il modo di codificare i programmi... visto che gli algoritmi coinvolgono sempre più aspetti della nostra vita.
Joy Buolamwini - Poet of code
Joy Buolamwini's research explores the intersection of social impact technology and inclusion. Full bio
Joy Buolamwini's research explores the intersection of social impact technology and inclusion. Full bio
Double-click the English transcript below to play the video.
00:13
Hello, I'm Joy, a poet of code,
0
1041
3134
Ciao, sono Joy, una poetessa
della programmazione,
della programmazione,
00:16
on a mission to stop
an unseen force that's rising,
an unseen force that's rising,
1
4199
4993
in missione per fermare
una crescente forza inattesa.
una crescente forza inattesa.
00:21
a force that I called "the coded gaze,"
2
9216
2856
Una forza che ho chiamato
"sguardo programmato",
"sguardo programmato",
00:24
my term for algorithmic bias.
3
12096
3309
la mia espressione
per la parzialità algoritmica.
per la parzialità algoritmica.
00:27
Algorithmic bias, like human bias,
results in unfairness.
results in unfairness.
4
15429
4300
La parzialità algoritmica,
come quella umana, produce ingiustizia.
come quella umana, produce ingiustizia.
00:31
However, algorithms, like viruses,
can spread bias on a massive scale
can spread bias on a massive scale
5
19753
6022
Tuttavia gli algoritmi, come i virus,
si possono diffondere su ampia scala
si possono diffondere su ampia scala
00:37
at a rapid pace.
6
25799
1582
in tempi rapidi.
00:39
Algorithmic bias can also lead
to exclusionary experiences
to exclusionary experiences
7
27943
4387
La parzialità algoritmica può anche
portare a esperienze di esclusione
portare a esperienze di esclusione
00:44
and discriminatory practices.
8
32354
2128
e pratiche discriminatorie.
00:46
Let me show you what I mean.
9
34506
2061
Vi mostro cosa voglio dire.
00:48
(Video) Joy Buolamwini: Hi, camera.
I've got a face.
I've got a face.
10
36980
2436
(Video) Joy Buolamwini: Ciao.
Ho una faccia.
Ho una faccia.
00:52
Can you see my face?
11
40162
1864
Puoi vedere la mia faccia?
00:54
No-glasses face?
12
42051
1625
Senza occhiali?
00:55
You can see her face.
13
43701
2214
Puoi vedere la sua faccia.
00:58
What about my face?
14
46237
2245
Che dici della mia faccia?
01:03
I've got a mask. Can you see my mask?
15
51890
3750
Ho qui una maschera.
Vedi la mia maschera?
Vedi la mia maschera?
01:08
Joy Buolamwini: So how did this happen?
16
56474
2365
Joy Buolamwini: Com'è successo?
01:10
Why am I sitting in front of a computer
17
58863
3141
Perché ero seduta davanti al computer
01:14
in a white mask,
18
62028
1424
con una maschera bianca,
01:15
trying to be detected by a cheap webcam?
19
63476
3650
tentando di essere individuata
da una webcam economica?
da una webcam economica?
01:19
Well, when I'm not fighting the coded gaze
20
67150
2291
Quando non combatto
"lo sguardo programmato"
"lo sguardo programmato"
01:21
as a poet of code,
21
69465
1520
da poetessa
della programmazione,
della programmazione,
01:23
I'm a graduate student
at the MIT Media Lab,
at the MIT Media Lab,
22
71009
3272
sono una studentessa di laurea magistrale
al Media Lab del MIT,
al Media Lab del MIT,
01:26
and there I have the opportunity to work
on all sorts of whimsical projects,
on all sorts of whimsical projects,
23
74305
4917
dove ho avuto la opportunità di lavorare
su ogni tipo di progetto stravagante,
su ogni tipo di progetto stravagante,
01:31
including the Aspire Mirror,
24
79246
2027
incluso lo Specchio dei Desideri,
01:33
a project I did so I could project
digital masks onto my reflection.
digital masks onto my reflection.
25
81297
5134
un progetto che mi consente di proiettare
una maschera digitale sul mio riflesso.
una maschera digitale sul mio riflesso.
01:38
So in the morning, if I wanted
to feel powerful,
to feel powerful,
26
86455
2350
Così la mattina, se voglio sentirmi forte,
01:40
I could put on a lion.
27
88829
1434
posso indossare leone.
01:42
If I wanted to be uplifted,
I might have a quote.
I might have a quote.
28
90287
3496
Se volessi essere rialzata,
potrei avere un'altezza.
potrei avere un'altezza.
01:45
So I used generic
facial recognition software
facial recognition software
29
93807
2989
Ho utilizzzato un generico software
di riconoscimento facciale
di riconoscimento facciale
01:48
to build the system,
30
96820
1351
per costruire il sistema,
01:50
but found it was really hard to test it
unless I wore a white mask.
unless I wore a white mask.
31
98195
5103
ma ho trovato molto difficile provarlo
a meno di indossare una maschera bianca.
a meno di indossare una maschera bianca.
01:56
Unfortunately, I've run
into this issue before.
into this issue before.
32
104282
4346
Sfortunatamente,
ho già toccato questo tema.
ho già toccato questo tema.
02:00
When I was an undergraduate
at Georgia Tech studying computer science,
at Georgia Tech studying computer science,
33
108652
4303
Quando ero unastudentessa di Informatica
al Georgia Tech
al Georgia Tech
02:04
I used to work on social robots,
34
112979
2055
ero abituata a lavorare sui robot sociali,
02:07
and one of my tasks was to get a robot
to play peek-a-boo,
to play peek-a-boo,
35
115058
3777
e uno dei miei compiti era di far giocare
un robot a "booh! chi sono?",
un robot a "booh! chi sono?",
02:10
a simple turn-taking game
36
118859
1683
un semplice gioco a turni,
02:12
where partners cover their face
and then uncover it saying, "Peek-a-boo!"
and then uncover it saying, "Peek-a-boo!"
37
120566
4321
dove i compagni nascondono la faccia e
poi la scoprono dicendo "booh! chi sono?"
poi la scoprono dicendo "booh! chi sono?"
02:16
The problem is, peek-a-boo
doesn't really work if I can't see you,
doesn't really work if I can't see you,
38
124911
4429
Il problema è che il gioco non funziona
veramente se non vi vedo,
veramente se non vi vedo,
02:21
and my robot couldn't see me.
39
129364
2499
e il mio robot non mi poteva vedere.
02:23
But I borrowed my roommate's face
to get the project done,
to get the project done,
40
131887
3950
Allora mi sono fatta prestare il volto
della mia compagna di stanza,
della mia compagna di stanza,
02:27
submitted the assignment,
41
135861
1380
e ho consegnato il compito,
02:29
and figured, you know what,
somebody else will solve this problem.
somebody else will solve this problem.
42
137265
3753
e ho pensato che qualcun altro
risolvesse il problema.
risolvesse il problema.
02:33
Not too long after,
43
141669
2003
Non molto dopo,
02:35
I was in Hong Kong
for an entrepreneurship competition.
for an entrepreneurship competition.
44
143696
4159
ero a Hong Kong per una gara
sulla imprenditorialità.
sulla imprenditorialità.
02:40
The organizers decided
to take participants
to take participants
45
148339
2694
Gli organizzatori decisero
di scegliere i partecipanti
di scegliere i partecipanti
02:43
on a tour of local start-ups.
46
151057
2372
esaminando le start-up locali.
02:45
One of the start-ups had a social robot,
47
153453
2715
Una delle start-up aveva un robot sociale,
02:48
and they decided to do a demo.
48
156192
1912
e loro decisero di fare un demo.
02:50
The demo worked on everybody
until it got to me,
until it got to me,
49
158128
2980
Il demo funzionò finché non giunsero a me,
02:53
and you can probably guess it.
50
161132
1923
e forse indovinate perché.
02:55
It couldn't detect my face.
51
163079
2965
Non poteva individuare la mia faccia.
02:58
I asked the developers what was going on,
52
166068
2511
Ho chiesto agli sviluppatori
cosa stava succedendo,
cosa stava succedendo,
03:00
and it turned out we had used the same
generic facial recognition software.
generic facial recognition software.
53
168603
5533
e risultò che usavano lo stesso software
generico di riconoscimento facciale.
generico di riconoscimento facciale.
03:06
Halfway around the world,
54
174160
1650
Dall'altra parte del mondo,
03:07
I learned that algorithmic bias
can travel as quickly
can travel as quickly
55
175834
3852
ho imparato che la parzialità algoritmica
può viaggiare velocemente
può viaggiare velocemente
03:11
as it takes to download
some files off of the internet.
some files off of the internet.
56
179710
3170
visto che basta scaricare qualche file
da internet.
da internet.
03:15
So what's going on?
Why isn't my face being detected?
Why isn't my face being detected?
57
183745
3076
Cosa stava succedendo?
Perchè la mia faccia non era riconosciuta?
Perchè la mia faccia non era riconosciuta?
03:18
Well, we have to look
at how we give machines sight.
at how we give machines sight.
58
186845
3356
Dobbiamo vedere come
diamo la vista alle macchine.
diamo la vista alle macchine.
03:22
Computer vision uses
machine learning techniques
machine learning techniques
59
190225
3409
La visione tramite computer usa
tecniche di auto-apprendimento
tecniche di auto-apprendimento
03:25
to do facial recognition.
60
193658
1880
per il riconoscimento facciale.
03:27
So how this works is, you create
a training set with examples of faces.
a training set with examples of faces.
61
195562
3897
Come funziona: si creano esempi di facce
per l'apprendimento.
per l'apprendimento.
03:31
This is a face. This is a face.
This is not a face.
This is not a face.
62
199483
2818
Questa è una faccia. Anche questa.
Questa non è una faccia.
Questa non è una faccia.
03:34
And over time, you can teach a computer
how to recognize other faces.
how to recognize other faces.
63
202325
4519
Con il tempo, si può insegnare al computer
come riconoscere altre facce.
come riconoscere altre facce.
03:38
However, if the training sets
aren't really that diverse,
aren't really that diverse,
64
206868
3989
Ma se gli esempi per l'addestramento
non sono veramente diversi,
non sono veramente diversi,
03:42
any face that deviates too much
from the established norm
from the established norm
65
210881
3349
qualsiasi faccia che devia troppo
dalla norma stabilita
dalla norma stabilita
03:46
will be harder to detect,
66
214254
1649
sarà difficile da riconoscere,
03:47
which is what was happening to me.
67
215927
1963
che era quanto mi stava capitando.
03:49
But don't worry -- there's some good news.
68
217914
2382
Ma non vi preoccupate,
ci sono buone notizie.
ci sono buone notizie.
03:52
Training sets don't just
materialize out of nowhere.
materialize out of nowhere.
69
220320
2771
Gli esempi per l'addestramento
non nascono dal nulla.
non nascono dal nulla.
03:55
We actually can create them.
70
223115
1788
Siamo noi a crearli.
03:56
So there's an opportunity to create
full-spectrum training sets
full-spectrum training sets
71
224927
4176
C'è quindi la possibilità di creare gruppi
di esempi ad ampio spettro
di esempi ad ampio spettro
04:01
that reflect a richer
portrait of humanity.
portrait of humanity.
72
229127
3824
che riflettono un più ricco
ritratto dell'umanità.
ritratto dell'umanità.
04:04
Now you've seen in my examples
73
232975
2221
Avete ora visto nei miei esempi
04:07
how social robots
74
235220
1768
come tramite i robot sociali
04:09
was how I found out about exclusion
with algorithmic bias.
with algorithmic bias.
75
237012
4611
ho scopertoa l'esclusione
dovuta alla parzialità algoritmica.
dovuta alla parzialità algoritmica.
04:13
But algorithmic bias can also lead
to discriminatory practices.
to discriminatory practices.
76
241647
4815
Ma la parzialità algoritmica può condurre
anche a pratiche discriminatorie.
anche a pratiche discriminatorie.
04:19
Across the US,
77
247437
1453
Negli USA,
04:20
police departments are starting to use
facial recognition software
facial recognition software
78
248914
4198
i dipartimenti di polizia iniziano a usare
software di riconoscimento facciale
software di riconoscimento facciale
04:25
in their crime-fighting arsenal.
79
253136
2459
nel loro arsenale di battaglia al crimine.
04:27
Georgetown Law published a report
80
255619
2013
Georgetown Law ha pubblicato un rapporto
04:29
showing that one in two adults
in the US -- that's 117 million people --
in the US -- that's 117 million people --
81
257656
6763
che mostra come uno su due adulti in USA,
cioè 117 milioni di persone,
cioè 117 milioni di persone,
04:36
have their faces
in facial recognition networks.
in facial recognition networks.
82
264443
3534
ha la sua faccia nelle reti
per il riconoscimento facciale.
per il riconoscimento facciale.
04:40
Police departments can currently look
at these networks unregulated,
at these networks unregulated,
83
268001
4552
I dipartimenti di polizia possono ora
utilizzare queste reti non regolamentate,
utilizzare queste reti non regolamentate,
04:44
using algorithms that have not
been audited for accuracy.
been audited for accuracy.
84
272577
4286
che usano algoritmi non verificati
sulla loro accuratezza.
sulla loro accuratezza.
04:48
Yet we know facial recognition
is not fail proof,
is not fail proof,
85
276887
3864
Certo si sa che il riconoscimento
facciale non è a prova di errore,
facciale non è a prova di errore,
04:52
and labeling faces consistently
remains a challenge.
remains a challenge.
86
280775
4179
ed etichettare le facce coerentemente
rimane una sfida.
rimane una sfida.
04:56
You might have seen this on Facebook.
87
284978
1762
Si può vedere ciò anche su Facebook.
04:58
My friends and I laugh all the time
when we see other people
when we see other people
88
286764
2988
I miei amici ed io ridiamo quando
vediamo altre persone
vediamo altre persone
05:01
mislabeled in our photos.
89
289776
2458
etichettate male nelle nostre foto.
05:04
But misidentifying a suspected criminal
is no laughing matter,
is no laughing matter,
90
292258
5591
Ma identificare male un sospetto criminale
non è una cosa da riderci su,
non è una cosa da riderci su,
05:09
nor is breaching civil liberties.
91
297873
2827
neppure violare le nostre libertà civili.
05:12
Machine learning is being used
for facial recognition,
for facial recognition,
92
300724
3205
Si usa l'apprendimento automatico
per il riconoscimento facciale,
per il riconoscimento facciale,
05:15
but it's also extending beyond the realm
of computer vision.
of computer vision.
93
303953
4505
ma si sta estendendo oltre il campo
della visione via computer.
della visione via computer.
05:21
In her book, "Weapons
of Math Destruction,"
of Math Destruction,"
94
309266
4016
Nel suo libro,
"Armi per la Distruzione Matematica",
"Armi per la Distruzione Matematica",
05:25
data scientist Cathy O'Neil
talks about the rising new WMDs --
talks about the rising new WMDs --
95
313306
6681
la scienzata sui dati Cathy O'Neil
ci parla dei crescenti nuovi WMD,
ci parla dei crescenti nuovi WMD,
05:32
widespread, mysterious
and destructive algorithms
and destructive algorithms
96
320011
4353
algoritmi diffusi,
misteriosi e distruttivi
misteriosi e distruttivi
05:36
that are increasingly being used
to make decisions
to make decisions
97
324388
2964
che sono sempre più usati
per prendere decisioni
per prendere decisioni
05:39
that impact more aspects of our lives.
98
327376
3177
che influiscono su molti aspetti
delle nostre vite.
delle nostre vite.
05:42
So who gets hired or fired?
99
330577
1870
Così, chi viene assunto o licenziato?
05:44
Do you get that loan?
Do you get insurance?
Do you get insurance?
100
332471
2112
Ottenete quel mutuo?
E la assicurazione?
E la assicurazione?
05:46
Are you admitted into the college
you wanted to get into?
you wanted to get into?
101
334607
3503
Siete ammessi al college
al quale volete andare?
al quale volete andare?
05:50
Do you and I pay the same price
for the same product
for the same product
102
338134
3509
Voi ed io paghiamo lo stesso prezzo
per lo stesso prodotto
per lo stesso prodotto
05:53
purchased on the same platform?
103
341667
2442
comprato sulla stessa piattaforma?
[e-commerce]
[e-commerce]
05:56
Law enforcement is also starting
to use machine learning
to use machine learning
104
344133
3759
Le forze dell'ordine stanno iniziando
a usare l'apprendimento automatico
a usare l'apprendimento automatico
05:59
for predictive policing.
105
347916
2289
per compiti di "polizia predittiva".
06:02
Some judges use machine-generated
risk scores to determine
risk scores to determine
106
350229
3494
Alcuni giudici usano valutazioni
di rischio automatiche per determinare
di rischio automatiche per determinare
06:05
how long an individual
is going to spend in prison.
is going to spend in prison.
107
353747
4402
quanto tempo una persona
deve passare in prigione.
deve passare in prigione.
06:10
So we really have to think
about these decisions.
about these decisions.
108
358173
2454
Veramente dobbiamo riflettere
su queste decisioni.
su queste decisioni.
06:12
Are they fair?
109
360651
1182
Sono giuste?
06:13
And we've seen that algorithmic bias
110
361857
2890
Abbiamo visto che
la parzialità algoritmica
la parzialità algoritmica
06:16
doesn't necessarily always
lead to fair outcomes.
lead to fair outcomes.
111
364771
3374
non necessariamente porta
a esiti giusti.
a esiti giusti.
06:20
So what can we do about it?
112
368169
1964
Cosa possiamo fare per questo?
06:22
Well, we can start thinking about
how we create more inclusive code
how we create more inclusive code
113
370157
3680
Possiamo iniziare a riflettere su come
possiamo creare codice più inclusivo
possiamo creare codice più inclusivo
06:25
and employ inclusive coding practices.
114
373861
2990
e impiegare criteri di codifica inclusivi.
06:28
It really starts with people.
115
376875
2309
In effetti si parte dalle persone.
06:31
So who codes matters.
116
379708
1961
Con chi è interessato al codice.
06:33
Are we creating full-spectrum teams
with diverse individuals
with diverse individuals
117
381693
4119
Stiamo veramente creando squadre
ad ampio spettro, con diversi individui
ad ampio spettro, con diversi individui
06:37
who can check each other's blind spots?
118
385836
2411
che possano verificare
i punti oscuri dell'altro?
i punti oscuri dell'altro?
06:40
On the technical side,
how we code matters.
how we code matters.
119
388271
3545
Da un punto di vista tecnico,
il modo in cui codifichiamo è importante.
il modo in cui codifichiamo è importante.
06:43
Are we factoring in fairness
as we're developing systems?
as we're developing systems?
120
391840
3651
Stiamo puntando sulla imparzialità
quando sviluppiamo i sistemi?
quando sviluppiamo i sistemi?
06:47
And finally, why we code matters.
121
395515
2913
E alla fine, perché
ci interessa la codifica.
ci interessa la codifica.
06:50
We've used tools of computational creation
to unlock immense wealth.
to unlock immense wealth.
122
398785
5083
Usiamo strumenti di sviluppo elaborativo
per liberare immense ricchezze.
per liberare immense ricchezze.
06:55
We now have the opportunity
to unlock even greater equality
to unlock even greater equality
123
403892
4447
Ora abbiamo l'opportunità di dar vita
a una uguaglianza più vasta
a una uguaglianza più vasta
07:00
if we make social change a priority
124
408363
2930
se diamo priorità al cambiamento sociale
07:03
and not an afterthought.
125
411317
2170
e non lo consideriamo
un pensiero aggiuntivo.
un pensiero aggiuntivo.
07:06
And so these are the three tenets
that will make up the "incoding" movement.
that will make up the "incoding" movement.
126
414008
4522
Vi sono quindi tre principi che sorreggono
il movimento di "codifica inclusiva".
il movimento di "codifica inclusiva".
07:10
Who codes matters,
127
418554
1652
A chi interessa il codice,
07:12
how we code matters
128
420230
1543
come ci interessa il codice
07:13
and why we code matters.
129
421797
2023
e perché ci interessa il codice.
07:15
So to go towards incoding,
we can start thinking about
we can start thinking about
130
423844
3099
Per puntare alla "codifica inclusiva",
possiamo partire pensando
possiamo partire pensando
07:18
building platforms that can identify bias
131
426967
3164
di costruire piattaforme che possano
identificare le parzialità
identificare le parzialità
07:22
by collecting people's experiences
like the ones I shared,
like the ones I shared,
132
430155
3078
raccogliendo le esperienze delle persone
come quelle condivise,
come quelle condivise,
07:25
but also auditing existing software.
133
433257
3070
ma anche verificando
il software esistente.
il software esistente.
07:28
We can also start to create
more inclusive training sets.
more inclusive training sets.
134
436351
3765
Possiamo anche iniziare a creare
un modello formativo più inclusivo.
un modello formativo più inclusivo.
07:32
Imagine a "Selfies for Inclusion" campaign
135
440140
2803
Pensate a una campagna mediatica
"Selfie per l'inclusione"
"Selfie per l'inclusione"
07:34
where you and I can help
developers test and create
developers test and create
136
442967
3655
dove voi ed io possiamo aiutare
gli sviluppatori a provare e creare
gli sviluppatori a provare e creare
07:38
more inclusive training sets.
137
446646
2093
modelli formativi più inclusivi.
07:41
And we can also start thinking
more conscientiously
more conscientiously
138
449302
2828
Possiamo anche iniziare a riflettere
più consciamente
più consciamente
07:44
about the social impact
of the technology that we're developing.
of the technology that we're developing.
139
452154
5391
sull'impatto sociale della tecnologia
che stiamo sviluppando.
che stiamo sviluppando.
07:49
To get the incoding movement started,
140
457569
2393
Per avviare il movimento
di "codifica inclusiva",
di "codifica inclusiva",
07:51
I've launched the Algorithmic
Justice League,
Justice League,
141
459986
2847
ho lanciato la Lega per
la Giustizia Algoritmica,
la Giustizia Algoritmica,
07:54
where anyone who cares about fairness
can help fight the coded gaze.
can help fight the coded gaze.
142
462857
5872
dove ognuno che ha a cuore la giustizia
può combattere "lo sguardo programmato".
può combattere "lo sguardo programmato".
08:00
On codedgaze.com, you can report bias,
143
468753
3296
Su codedgaze.com si possono
segnalare parzialità,
segnalare parzialità,
08:04
request audits, become a tester
144
472073
2445
richiedere verifiche,
diventare un collaudatore
diventare un collaudatore
08:06
and join the ongoing conversation,
145
474542
2771
e unirsi alla conversazione corrente,
08:09
#codedgaze.
146
477337
2287
#codedgaze.
08:12
So I invite you to join me
147
480742
2487
Vi invito quidi ad unirvi a me
08:15
in creating a world where technology
works for all of us,
works for all of us,
148
483253
3719
nel creare un mondo dove la tecnologia
lavori per tutti noi,
lavori per tutti noi,
08:18
not just some of us,
149
486996
1897
non solo per qualcuno di noi,
08:20
a world where we value inclusion
and center social change.
and center social change.
150
488917
4588
un mondo dove diamo valore alla inclusione
e ci concentriamo sul cambiamento sociale.
e ci concentriamo sul cambiamento sociale.
08:25
Thank you.
151
493529
1175
Grazie.
08:26
(Applause)
152
494728
4271
(Applausi)
08:32
But I have one question:
153
500873
2854
Ma ho una domanda:
08:35
Will you join me in the fight?
154
503751
2059
Vi unirete a me nella battaglia?
08:37
(Laughter)
155
505834
1285
(Risate)
08:39
(Applause)
156
507143
3687
(Applausi)
ABOUT THE SPEAKER
Joy Buolamwini - Poet of codeJoy Buolamwini's research explores the intersection of social impact technology and inclusion.
Why you should listen
Joy Buolamwini is a poet of code on a mission to show compassion through computation. As a graduate researcher at the MIT Media Lab, she leads the Algorithmic Justice League to fight coded bias. Her research explores the intersection of social impact technology and inclusion. In support of this work, Buolamwini was awarded a $50,000 grant as the Grand Prize winner of a national contest inspired by the critically acclaimed film Hidden Figures, based on the book by Margot Lee Shetterly.
Driven by an entrepreneurial spirit, Buolamwini's global interest in creating technology for social impact spans multiple industries and countries. As the inaugural Chief Technology Officer for Techturized Inc., a hair care technology company, and Swift Tech Solutions, a global health tech consultancy, she led software development for underserved communities in the United States, Ethiopia, Mali, Nigeria and Niger. In Zambia, she explored empowering citizens with skills to create their own technology through the Zamrize Project. In the United Kingdom, Buolamwini piloted a Service Year Initiative to launch Code4Rights which supports youth in creating meaningful technology for their communities in partnership with local organizations.
Through Filmmakers Collaborative, Buolamwini produces media that highlight diverse creators of technology. Her short documentary, The Coded Gaze: Unmasking Algorithmic Bias, debuted at the Museum of Fine Arts Boston and her pilot of the Code4Rights: Journey To Code training series debuted at the Vatican. She has presented keynote speeches and public talks at various forums including #CSforAll at the White House, Harvard University, Saïd Business School, Rutgers University, NCWIT, Grace Hopper Celebration and SXSWedu.
Buolamwini is a Rhodes Scholar, Fulbright Fellow, Google Anita Borg Scholar, Astronaut Scholar, A Stamps President's Scholar and Carter Center technical consultant recognized as a distinguished volunteer. She holds a master's degree in Learning and Technology from Oxford University and a bachelor's degree in Computer Science from the Georgia Institute of Technology. Buolamwini serves as a Harvard resident tutor at Adams House where she mentors students seeking scholarships or pursuing entrepreneurship.
Joy Buolamwini | Speaker | TED.com