TEDxBeaconStreet
Joy Buolamwini: How I'm fighting bias in algorithms
Joy Buolamwini: Så kämpar jag mot partiska algoritmer
Filmed:
Readability: 5.3
1,223,943 views
MIT-doktoranden Joy Buolamwini jobbade med mjukvara för ansiktsigenkänning när hon upptäckte ett problem: mjukvaran upptäckte inte hennes ansikte - eftersom de personer som kodade algoritmerna inte hade tänkt på att de behövde upptäcka olika hudtoner och ansiktsstrukturer. Nu är hon på ett uppdrag för att slåss mot fördomar i maskininlärning, ett fenomen hon kallar "den kodade blicken." Det här är ett ögonöppnande föredrag kring nödvändigheten av att koden är tillförlitlig ... eftersom algoritmerna tar över fler och fler aspekter av våra liv.
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
Hej, jag är Joy, jag är poet i kod,
00:16
on a mission to stop
an unseen force that's rising,
an unseen force that's rising,
1
4199
4993
med uppdrag att stoppa
en osynlig kraft som vaknat,
en osynlig kraft som vaknat,
00:21
a force that I called "the coded gaze,"
2
9216
2856
en kraft som jag kallar
"den kodade blicken,"
"den kodade blicken,"
00:24
my term for algorithmic bias.
3
12096
3309
min term för fördomar i algoritmer.
00:27
Algorithmic bias, like human bias,
results in unfairness.
results in unfairness.
4
15429
4300
Algoritmiska fördomar, precis som
mänskliga, resulterar i orättvisa.
mänskliga, resulterar i orättvisa.
00:31
However, algorithms, like viruses,
can spread bias on a massive scale
can spread bias on a massive scale
5
19753
6022
Men, algoritmer kan, precis som virus,
sprida fördomar i stor skala
sprida fördomar i stor skala
00:37
at a rapid pace.
6
25799
1582
och i snabb takt.
00:39
Algorithmic bias can also lead
to exclusionary experiences
to exclusionary experiences
7
27943
4387
Fördomar i algoritmer kan också
leda till att människor sållas bort
leda till att människor sållas bort
00:44
and discriminatory practices.
8
32354
2128
och till diskriminerande praxis.
00:46
Let me show you what I mean.
9
34506
2061
Låt mig visa vad jag menar.
00:48
(Video) Joy Buolamwini: Hi, camera.
I've got a face.
I've got a face.
10
36980
2436
(Video) Joy Buolamwini: Hej, kamera.
Jag har ett ansikte.
Jag har ett ansikte.
00:52
Can you see my face?
11
40162
1864
Kan du se mitt ansikte?
00:54
No-glasses face?
12
42051
1625
Utan glasögon?
00:55
You can see her face.
13
43701
2214
Du kan se hennes ansikte.
00:58
What about my face?
14
46237
2245
Mitt ansikte då?
01:03
I've got a mask. Can you see my mask?
15
51890
3750
Jag har en mask. Kan du se min mask?
01:08
Joy Buolamwini: So how did this happen?
16
56474
2365
Joy Buolamwini: Hur hände det här?
01:10
Why am I sitting in front of a computer
17
58863
3141
Varför sitter jag framför en dator
01:14
in a white mask,
18
62028
1424
med en vit mask,
01:15
trying to be detected by a cheap webcam?
19
63476
3650
och försöker få en billig webbkamera
att upptäcka mig?
att upptäcka mig?
01:19
Well, when I'm not fighting the coded gaze
20
67150
2291
Jo, när jag inte slåss
mot den kodade blicken,
mot den kodade blicken,
01:21
as a poet of code,
21
69465
1520
som en poet i kod,
01:23
I'm a graduate student
at the MIT Media Lab,
at the MIT Media Lab,
22
71009
3272
är jag doktorand på MIT Media Lab,
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
och där har jag möjlighet att arbeta
i en massa egendomliga projekt,
i en massa egendomliga projekt,
01:31
including the Aspire Mirror,
24
79246
2027
inklusive Aspire Mirror,
01:33
a project I did so I could project
digital masks onto my reflection.
digital masks onto my reflection.
25
81297
5134
ett projekt jag startade för att projicera
digitala masker på min spegelbild.
digitala masker på min spegelbild.
01:38
So in the morning, if I wanted
to feel powerful,
to feel powerful,
26
86455
2350
Så på morgonen,
när jag ville känna mig stark,
när jag ville känna mig stark,
01:40
I could put on a lion.
27
88829
1434
kunde jag projicera ett lejon,
01:42
If I wanted to be uplifted,
I might have a quote.
I might have a quote.
28
90287
3496
Om jag ville peppa mig själv,
projicerade jag kanske ett citat.
projicerade jag kanske ett citat.
01:45
So I used generic
facial recognition software
facial recognition software
29
93807
2989
Jag använde mjukvara för
generisk ansiktsigenkänning
generisk ansiktsigenkänning
01:48
to build the system,
30
96820
1351
för att bygga systemet,
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
men upptäckte att det var väldigt svårt
att testa om jag inte bar en vit mask.
att testa om jag inte bar en vit mask.
01:56
Unfortunately, I've run
into this issue before.
into this issue before.
32
104282
4346
Tyvärr har jag upplevt
det här bekymret tidigare.
det här bekymret tidigare.
02:00
When I was an undergraduate
at Georgia Tech studying computer science,
at Georgia Tech studying computer science,
33
108652
4303
När jag studerade datavetenskap på
Georgia Institute of Technology,
Georgia Institute of Technology,
02:04
I used to work on social robots,
34
112979
2055
brukade jag arbeta med mänskliga robotar,
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
och en av mina uppgifter var
att få roboten att leka tittut,
att få roboten att leka tittut,
02:10
a simple turn-taking game
36
118859
1683
en enkel lek mellan två personer
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
där man täcker sina ansikten och
sedan visar dem och säger "Tittut!"
sedan visar dem och säger "Tittut!"
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
Problemet är att tittut inte fungerar
om man inte ser varandra,
om man inte ser varandra,
02:21
and my robot couldn't see me.
39
129364
2499
och min robot kunde inte se mig.
02:23
But I borrowed my roommate's face
to get the project done,
to get the project done,
40
131887
3950
Men jag lånade min rumskamrats ansikte
för att göra klart projektet,
för att göra klart projektet,
02:27
submitted the assignment,
41
135861
1380
lämnade in uppgiften,
02:29
and figured, you know what,
somebody else will solve this problem.
somebody else will solve this problem.
42
137265
3753
och tänkte, vet ni vad,
någon annan kommer att lösa problemet.
någon annan kommer att lösa problemet.
02:33
Not too long after,
43
141669
2003
Inte så långt därefter,
02:35
I was in Hong Kong
for an entrepreneurship competition.
for an entrepreneurship competition.
44
143696
4159
var jag i Hong Kong och deltog i
en tävling för entreprenörer.
en tävling för entreprenörer.
02:40
The organizers decided
to take participants
to take participants
45
148339
2694
Organisatörerna tog med deltagarna
02:43
on a tour of local start-ups.
46
151057
2372
på en rundtur bland
lokala startup-företag.
lokala startup-företag.
02:45
One of the start-ups had a social robot,
47
153453
2715
Ett av dessa hade en mänsklig robot,
02:48
and they decided to do a demo.
48
156192
1912
och de ville köra en demo.
02:50
The demo worked on everybody
until it got to me,
until it got to me,
49
158128
2980
Demon fungerade på alla
tills den kom till mig,
tills den kom till mig,
02:53
and you can probably guess it.
50
161132
1923
och ni kan säkert gissa varför.
02:55
It couldn't detect my face.
51
163079
2965
Den kunde inte upptäcka mitt ansikte.
02:58
I asked the developers what was going on,
52
166068
2511
Jag frågade utvecklarna vad som hänt,
03:00
and it turned out we had used the same
generic facial recognition software.
generic facial recognition software.
53
168603
5533
och det visade sig att de använt samma
mjukvara för ansiktsigenkänning som jag.
mjukvara för ansiktsigenkänning som jag.
03:06
Halfway around the world,
54
174160
1650
På andra sidan jordklotet,
03:07
I learned that algorithmic bias
can travel as quickly
can travel as quickly
55
175834
3852
lärde jag mig att fördomsfulla algoritmer
kan färdas lika snabbt
kan färdas lika snabbt
03:11
as it takes to download
some files off of the internet.
some files off of the internet.
56
179710
3170
som det tar att ladda ner
några filer från internet.
några filer från 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
Vad är det som pågår?
Varför upptäcks inte mitt ansikte?
Varför upptäcks inte mitt ansikte?
03:18
Well, we have to look
at how we give machines sight.
at how we give machines sight.
58
186845
3356
Jo, vi måste titta på hur
vi ger maskinerna syn.
vi ger maskinerna syn.
03:22
Computer vision uses
machine learning techniques
machine learning techniques
59
190225
3409
Datorigenkänning använder
maskininlärningsteknik
maskininlärningsteknik
03:25
to do facial recognition.
60
193658
1880
för att känna igen ansikten.
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
Så här fungerar det, du skapar en modell
med exempel på olika ansikten.
med exempel på olika ansikten.
03:31
This is a face. This is a face.
This is not a face.
This is not a face.
62
199483
2818
Här är ett ansikte, och ett till.
Detta är inte ett ansikte.
Detta är inte ett ansikte.
03:34
And over time, you can teach a computer
how to recognize other faces.
how to recognize other faces.
63
202325
4519
Över tid, kan du lära datorn
att upptäcka andra ansikten.
att upptäcka andra ansikten.
03:38
However, if the training sets
aren't really that diverse,
aren't really that diverse,
64
206868
3989
Men, om modellen inte speglar
mångfalden tillräckligt mycket,
mångfalden tillräckligt mycket,
03:42
any face that deviates too much
from the established norm
from the established norm
65
210881
3349
kommer ansikten som skiljer sig för mycket
från den fastställda normen
från den fastställda normen
03:46
will be harder to detect,
66
214254
1649
bli svårare att upptäcka,
03:47
which is what was happening to me.
67
215927
1963
vilket var det som hände mig.
03:49
But don't worry -- there's some good news.
68
217914
2382
Men oroa er inte -
det finns något gott i det.
det finns något gott i det.
03:52
Training sets don't just
materialize out of nowhere.
materialize out of nowhere.
69
220320
2771
Träningsmodellerna kommer inte
från ingenstans.
från ingenstans.
03:55
We actually can create them.
70
223115
1788
Vi kan faktiskt skapa dem.
03:56
So there's an opportunity to create
full-spectrum training sets
full-spectrum training sets
71
224927
4176
Det finns möjligheter
att skapa heltäckande modeller
att skapa heltäckande modeller
04:01
that reflect a richer
portrait of humanity.
portrait of humanity.
72
229127
3824
som skapar en djupare bild
av mänskligheten.
av mänskligheten.
04:04
Now you've seen in my examples
73
232975
2221
Som ni sett i mina exempel
04:07
how social robots
74
235220
1768
var mänskliga robotar anledningen
04:09
was how I found out about exclusion
with algorithmic bias.
with algorithmic bias.
75
237012
4611
till att jag upptäckte exkluderingen
med fördomsfulla algoritmer.
med fördomsfulla algoritmer.
04:13
But algorithmic bias can also lead
to discriminatory practices.
to discriminatory practices.
76
241647
4815
Men fördomar i algoritmer kan också
leda till diskriminerande normer.
leda till diskriminerande normer.
04:19
Across the US,
77
247437
1453
Över hela USA,
04:20
police departments are starting to use
facial recognition software
facial recognition software
78
248914
4198
har polismyndigheterna börjat använda
mjukvara för ansiktsigenkänning
mjukvara för ansiktsigenkänning
04:25
in their crime-fighting arsenal.
79
253136
2459
som ett bland andra redskap
för brottsbekämpning.
för brottsbekämpning.
04:27
Georgetown Law published a report
80
255619
2013
Georgetown Law publicerade en rapport
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
som visade att varannan vuxen i USA -
det är 117 miljoner människor -
det är 117 miljoner människor -
04:36
have their faces
in facial recognition networks.
in facial recognition networks.
82
264443
3534
har sina ansikten registrerade
i nätverk för ansiktsigenkänning.
i nätverk för ansiktsigenkänning.
04:40
Police departments can currently look
at these networks unregulated,
at these networks unregulated,
83
268001
4552
Polisyndigheterna kan använda
de här nätverken helt oreglerat,
de här nätverken helt oreglerat,
04:44
using algorithms that have not
been audited for accuracy.
been audited for accuracy.
84
272577
4286
genom att använda algoritmer
vars tillförlitlighet inte granskats.
vars tillförlitlighet inte granskats.
04:48
Yet we know facial recognition
is not fail proof,
is not fail proof,
85
276887
3864
Trots att vi vet att ansiktsigenkänning
inte är tillförlitlig,
inte är tillförlitlig,
04:52
and labeling faces consistently
remains a challenge.
remains a challenge.
86
280775
4179
och att kunna kategorisera ansikten
fortfarande är en utmaning.
fortfarande är en utmaning.
04:56
You might have seen this on Facebook.
87
284978
1762
Du har kanske sett det på Facebook.
04:58
My friends and I laugh all the time
when we see other people
when we see other people
88
286764
2988
Mina vänner och jag
skrattar varje gång vi ser andra
skrattar varje gång vi ser andra
05:01
mislabeled in our photos.
89
289776
2458
som blivit felaktigt taggade
i våra bilder.
i våra bilder.
05:04
But misidentifying a suspected criminal
is no laughing matter,
is no laughing matter,
90
292258
5591
Men att felaktigt identifiera en misstänkt
kriminell är inget att skratta åt,
kriminell är inget att skratta åt,
05:09
nor is breaching civil liberties.
91
297873
2827
inte heller att åsidosätta
de mänskliga rättigheterna.
de mänskliga rättigheterna.
05:12
Machine learning is being used
for facial recognition,
for facial recognition,
92
300724
3205
Maskininlärning används
för ansiktsigenkänning,
för ansiktsigenkänning,
05:15
but it's also extending beyond the realm
of computer vision.
of computer vision.
93
303953
4505
men den används också inom andra områden.
05:21
In her book, "Weapons
of Math Destruction,"
of Math Destruction,"
94
309266
4016
I boken "Weapons of Math Destruction,"
05:25
data scientist Cathy O'Neil
talks about the rising new WMDs --
talks about the rising new WMDs --
95
313306
6681
skriver forskaren Cathy O´Neil
om de framväxande UMD:na -
om de framväxande UMD:na -
05:32
widespread, mysterious
and destructive algorithms
and destructive algorithms
96
320011
4353
utbredda, mystiska och
destruktiva algoritmer
destruktiva algoritmer
05:36
that are increasingly being used
to make decisions
to make decisions
97
324388
2964
som i ökande utsträckning
används för att ta beslut
används för att ta beslut
05:39
that impact more aspects of our lives.
98
327376
3177
som påverkar fler och fler
aspekter i våra liv.
aspekter i våra liv.
05:42
So who gets hired or fired?
99
330577
1870
Vem blir anställd eller sparkad?
05:44
Do you get that loan?
Do you get insurance?
Do you get insurance?
100
332471
2112
Får du ta lån?
Får du teckna försäkringar?
Får du teckna försäkringar?
05:46
Are you admitted into the college
you wanted to get into?
you wanted to get into?
101
334607
3503
Kommer du in på det universitet du vill?
05:50
Do you and I pay the same price
for the same product
for the same product
102
338134
3509
Betalar du och jag samma pris
för samma produkt
för samma produkt
05:53
purchased on the same platform?
103
341667
2442
köpt på samma sätt?
05:56
Law enforcement is also starting
to use machine learning
to use machine learning
104
344133
3759
Lagstiftningen börjar också
använda maskininlärning
använda maskininlärning
05:59
for predictive policing.
105
347916
2289
i förebyggande polisarbete.
06:02
Some judges use machine-generated
risk scores to determine
risk scores to determine
106
350229
3494
Vissa domare använder maskingenererade
riskbedömningar för att besluta
riskbedömningar för att besluta
06:05
how long an individual
is going to spend in prison.
is going to spend in prison.
107
353747
4402
hur långa fängelsestraff som ska utdömas.
06:10
So we really have to think
about these decisions.
about these decisions.
108
358173
2454
Vi behöver verkligen fundera
över de här besluten.
över de här besluten.
06:12
Are they fair?
109
360651
1182
Är de rättvisa?
06:13
And we've seen that algorithmic bias
110
361857
2890
Vi har sett att fördomarna i algoritmerna
06:16
doesn't necessarily always
lead to fair outcomes.
lead to fair outcomes.
111
364771
3374
inte nödvändigtvis
leder till rättvisa resultat.
leder till rättvisa resultat.
06:20
So what can we do about it?
112
368169
1964
Så vad kan vi göra?
06:22
Well, we can start thinking about
how we create more inclusive code
how we create more inclusive code
113
370157
3680
Tja, vi kan börja fundera på
hur vi skapar en mer inkluderande kod
hur vi skapar en mer inkluderande kod
06:25
and employ inclusive coding practices.
114
373861
2990
och använda en mer inkluderande praxis.
06:28
It really starts with people.
115
376875
2309
Det börjar med människor.
06:31
So who codes matters.
116
379708
1961
Så vem som programmerar har betydelse.
06:33
Are we creating full-spectrum teams
with diverse individuals
with diverse individuals
117
381693
4119
Bygger vi arbetsgrupper
med individer olika erfarenheter
med individer olika erfarenheter
06:37
who can check each other's blind spots?
118
385836
2411
som kan se utanför varandras skygglappar?
06:40
On the technical side,
how we code matters.
how we code matters.
119
388271
3545
På den tekniska sidan har det betydelse
hur vi programmerar.
hur vi programmerar.
06:43
Are we factoring in fairness
as we're developing systems?
as we're developing systems?
120
391840
3651
Har vi med rättviseperspektivet
när vi utvecklar system?
när vi utvecklar system?
06:47
And finally, why we code matters.
121
395515
2913
Slutligen, varför vi programmerar
har betydelse.
har betydelse.
06:50
We've used tools of computational creation
to unlock immense wealth.
to unlock immense wealth.
122
398785
5083
Vi har använt datorkraft för beräkningar
som skapat enorma rikedomar.
som skapat enorma rikedomar.
06:55
We now have the opportunity
to unlock even greater equality
to unlock even greater equality
123
403892
4447
Nu har vi möjlighet
att skapa ännu större jämlikhet
att skapa ännu större jämlikhet
07:00
if we make social change a priority
124
408363
2930
om vi prioriterar sociala förändringar
07:03
and not an afterthought.
125
411317
2170
och inte tar dem i efterhand.
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
De här tre principerna
kommer att utgöra "inkodnings"-rörelsen.
kommer att utgöra "inkodnings"-rörelsen.
07:10
Who codes matters,
127
418554
1652
Vem som kodar har betydelse,
07:12
how we code matters
128
420230
1543
hur vi kodar har betydelse
07:13
and why we code matters.
129
421797
2023
och varför vi kodar har betydelse.
07:15
So to go towards incoding,
we can start thinking about
we can start thinking about
130
423844
3099
Så för att komma närmare inkodning
kan vi börja fundera på
kan vi börja fundera på
07:18
building platforms that can identify bias
131
426967
3164
att bygga plattformar
som kan identifiera fördomar
som kan identifiera fördomar
07:22
by collecting people's experiences
like the ones I shared,
like the ones I shared,
132
430155
3078
genom att samla in folks erfarenheter
som den jag pratade om,
som den jag pratade om,
07:25
but also auditing existing software.
133
433257
3070
men också genom att
granska existerande mjukvara.
granska existerande mjukvara.
07:28
We can also start to create
more inclusive training sets.
more inclusive training sets.
134
436351
3765
Vi kan också börja skapa mer
inkluderande modeller.
inkluderande modeller.
07:32
Imagine a "Selfies for Inclusion" campaign
135
440140
2803
Tänk er en kampanj
för "Selfies för inkludering"
för "Selfies för inkludering"
07:34
where you and I can help
developers test and create
developers test and create
136
442967
3655
där du och jag kan hjälpa
utvecklarna testa och skapa
utvecklarna testa och skapa
07:38
more inclusive training sets.
137
446646
2093
mer inkluderande modeller.
07:41
And we can also start thinking
more conscientiously
more conscientiously
138
449302
2828
Vi kan också börja tänka mer samvetsgrant
07:44
about the social impact
of the technology that we're developing.
of the technology that we're developing.
139
452154
5391
kring de sociala effekterna
av tekniken som vi utvecklar.
av tekniken som vi utvecklar.
07:49
To get the incoding movement started,
140
457569
2393
För att få fart på "inkodnings"-rörelsen,
07:51
I've launched the Algorithmic
Justice League,
Justice League,
141
459986
2847
har jag lanserat
Algorithmic Justice League,
Algorithmic Justice League,
07:54
where anyone who cares about fairness
can help fight the coded gaze.
can help fight the coded gaze.
142
462857
5872
där alla som bryr sig om rättvisa kan
hjälpa till att kämpa mot fördomsfull kod.
hjälpa till att kämpa mot fördomsfull kod.
08:00
On codedgaze.com, you can report bias,
143
468753
3296
På www.codegaze.com,
kan du rapportera partisk kod,
kan du rapportera partisk kod,
08:04
request audits, become a tester
144
472073
2445
begära granskningar, bli testare
08:06
and join the ongoing conversation,
145
474542
2771
och delta i den pågående diskussionen,
08:09
#codedgaze.
146
477337
2287
#codedgaze
Jag bjuder in er till
att ansluta er till mig
att ansluta er till mig
08:12
So I invite you to join me
147
480742
2487
08:15
in creating a world where technology
works for all of us,
works for all of us,
148
483253
3719
i skapandet av en värld
där tekniken fungerar för oss alla,
där tekniken fungerar för oss alla,
08:18
not just some of us,
149
486996
1897
inte bara för några av oss,
08:20
a world where we value inclusion
and center social change.
and center social change.
150
488917
4588
en värld där vi värdesätter inkludering
och fokuserar på social förändring.
och fokuserar på social förändring.
08:25
Thank you.
151
493529
1175
Tack.
08:26
(Applause)
152
494728
4271
(Applåder)
08:32
But I have one question:
153
500873
2854
Men jag har en fråga:
08:35
Will you join me in the fight?
154
503751
2059
Kommer ni att ansluta er till kampen?
08:37
(Laughter)
155
505834
1285
(Skratt)
08:39
(Applause)
156
507143
3687
(Applåder)
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