TEDxBeaconStreet
Joy Buolamwini: How I'm fighting bias in algorithms
Joy Buolamwini: Cómo lucho contra el sesgo en los algoritmos
Filmed:
Readability: 5.3
1,223,943 views
Como estudiante de grado en el MIT, Joy Buolamwini estaba trabajando con software de reconocimiento facial cuando se dio cuenta de un problema: el software no reconocía su rostro -- porque quienes codificaron el algoritmo no le enseñaron a identificar una amplia variedad de tonos de piel y estructuras faciales. Actualmente se encuentra en una misión para luchar contra el sesgo en el aprendizaje automático, un fenómeno que ella llama "mirada codificada". Es una charla que abre los ojos con respecto a la necesidad de responsabilidad a la hora de codificar... al tiempo que los algoritmos se apoderan cada vez de más y más aspectos de nuestras vidas.
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
Hola, soy Joy, una poetisa del código,
00:16
on a mission to stop
an unseen force that's rising,
an unseen force that's rising,
1
4199
4993
en una misión para frenar
una fuerza invisible que crece,
una fuerza invisible que crece,
00:21
a force that I called "the coded gaze,"
2
9216
2856
una fuerza que llamo "mirada codificada",
00:24
my term for algorithmic bias.
3
12096
3309
mi término para el sesgo algorítmico.
00:27
Algorithmic bias, like human bias,
results in unfairness.
results in unfairness.
4
15429
4300
El sesgo algorítmico, como el humano,
se traduce en injusticia.
se traduce en injusticia.
00:31
However, algorithms, like viruses,
can spread bias on a massive scale
can spread bias on a massive scale
5
19753
6022
Pero, los algoritmos, como los virus,
pueden propagar sesgos a gran escala
pueden propagar sesgos a gran escala
00:37
at a rapid pace.
6
25799
1582
a un ritmo acelerado.
00:39
Algorithmic bias can also lead
to exclusionary experiences
to exclusionary experiences
7
27943
4387
El sesgo algorítmico puede también
generar experiencias de exclusión
generar experiencias de exclusión
00:44
and discriminatory practices.
8
32354
2128
y prácticas discriminatorias.
00:46
Let me show you what I mean.
9
34506
2061
Les mostraré lo que quiero decir.
00:48
(Video) Joy Buolamwini: Hi, camera.
I've got a face.
I've got a face.
10
36980
2436
(Video) Joy Buolamwini: Hola, cámara.
Tengo una cara.
Tengo una cara.
00:52
Can you see my face?
11
40162
1864
¿Puedes ver mi cara?
00:54
No-glasses face?
12
42051
1625
¿Sin lentes?
00:55
You can see her face.
13
43701
2214
Puedes ver su cara.
00:58
What about my face?
14
46237
2245
¿Qué tal mi cara?
01:03
I've got a mask. Can you see my mask?
15
51890
3750
Tengo una máscara. ¿Puedes verla?
01:08
Joy Buolamwini: So how did this happen?
16
56474
2365
Joy Buolamwini: ¿Cómo ocurrió esto?
01:10
Why am I sitting in front of a computer
17
58863
3141
¿Por qué estoy ante una computadora
01:14
in a white mask,
18
62028
1424
con una máscara blanca,
01:15
trying to be detected by a cheap webcam?
19
63476
3650
intentando que una cámara
barata me detecte?
barata me detecte?
01:19
Well, when I'm not fighting the coded gaze
20
67150
2291
Cuando no lucho
contra la mirada codificada
contra la mirada codificada
01:21
as a poet of code,
21
69465
1520
como poetisa del código,
01:23
I'm a graduate student
at the MIT Media Lab,
at the MIT Media Lab,
22
71009
3272
soy estudiante de posgrado
en el Laboratorio de Medios del MIT,
en el Laboratorio de Medios 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
y allí puedo trabajar
en todo tipo de proyectos caprichosos,
en todo tipo de proyectos caprichosos,
01:31
including the Aspire Mirror,
24
79246
2027
incluso el 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
un proyecto que realicé para proyectar
máscaras digitales en mi propio reflejo.
máscaras digitales en mi propio reflejo.
01:38
So in the morning, if I wanted
to feel powerful,
to feel powerful,
26
86455
2350
Entonces, de mañana,
si quería sentirme poderosa,
si quería sentirme poderosa,
01:40
I could put on a lion.
27
88829
1434
podía convertirme en león.
01:42
If I wanted to be uplifted,
I might have a quote.
I might have a quote.
28
90287
3496
Si quería inspiración,
podía usar una cita.
podía usar una cita.
01:45
So I used generic
facial recognition software
facial recognition software
29
93807
2989
Entonces, usé el software
de reconocimiento facial
de reconocimiento facial
01:48
to build the system,
30
96820
1351
para crear el 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
pero me resultó muy difícil probarlo
sin colocarme una máscara blanca.
sin colocarme una máscara blanca.
01:56
Unfortunately, I've run
into this issue before.
into this issue before.
32
104282
4346
Desafortunadamente, ya tuve
este problema antes.
este problema antes.
02:00
When I was an undergraduate
at Georgia Tech studying computer science,
at Georgia Tech studying computer science,
33
108652
4303
Cuando era estudiante de informática
en Georgia Tech,
en Georgia Tech,
02:04
I used to work on social robots,
34
112979
2055
solía trabajar con robots sociales,
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
y una de mis tareas fue lograr
que un robot jugara a esconderse,
que un robot jugara a esconderse,
02:10
a simple turn-taking game
36
118859
1683
un juego de turnos simple
donde las personas cubren sus rostros y
luego las descubren diciendo: "Aquí está".
luego las descubren diciendo: "Aquí está".
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
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
El problema es que el juego
no funciona, si no te pueden ver
no funciona, si no te pueden ver
02:21
and my robot couldn't see me.
39
129364
2499
y el robot no me veía.
02:23
But I borrowed my roommate's face
to get the project done,
to get the project done,
40
131887
3950
Pero usé el rostro de mi compañera
para terminar el proyecto,
para terminar el proyecto,
02:27
submitted the assignment,
41
135861
1380
entregué la tarea,
02:29
and figured, you know what,
somebody else will solve this problem.
somebody else will solve this problem.
42
137265
3753
y pensé que otra persona
resolvería este problema.
resolvería este problema.
02:33
Not too long after,
43
141669
2003
Al poco tiempo,
02:35
I was in Hong Kong
for an entrepreneurship competition.
for an entrepreneurship competition.
44
143696
4159
me encontraba en Hong Kong
en una competencia de emprendedores.
en una competencia de emprendedores.
02:40
The organizers decided
to take participants
to take participants
45
148339
2694
Los organizadores decidieron
llevar a los participantes
llevar a los participantes
02:43
on a tour of local start-ups.
46
151057
2372
a un recorrido
por empresas locales emergentes.
por empresas locales emergentes.
02:45
One of the start-ups had a social robot,
47
153453
2715
Una de ellas tenía un robot social,
02:48
and they decided to do a demo.
48
156192
1912
y decidieron hacer una demostración.
02:50
The demo worked on everybody
until it got to me,
until it got to me,
49
158128
2980
La demostración funcionó bien
hasta que llegó mi turno,
hasta que llegó mi turno,
02:53
and you can probably guess it.
50
161132
1923
y probablemente pueden adivinar.
02:55
It couldn't detect my face.
51
163079
2965
No pudo detectar mi rostro.
02:58
I asked the developers what was going on,
52
166068
2511
Pregunté a los desarrolladores qué pasaba,
03:00
and it turned out we had used the same
generic facial recognition software.
generic facial recognition software.
53
168603
5533
y resultó que habíamos usado el mismo
software genérico de reconocimiento.
software genérico de reconocimiento.
03:06
Halfway around the world,
54
174160
1650
Al otro lado del mundo,
03:07
I learned that algorithmic bias
can travel as quickly
can travel as quickly
55
175834
3852
aprendí que el sesgo algorítmico
puede viajar tan rápido
puede viajar tan rápido
03:11
as it takes to download
some files off of the internet.
some files off of the internet.
56
179710
3170
como el tiempo que lleva
descargar archivos de Internet.
descargar archivos de 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
Entonces, ¿qué sucede?
¿Por qué no se detecta mi rostro?
¿Por qué no se detecta mi rostro?
03:18
Well, we have to look
at how we give machines sight.
at how we give machines sight.
58
186845
3356
Bueno, debemos pensar
cómo hacemos que las máquinas vean.
cómo hacemos que las máquinas vean.
03:22
Computer vision uses
machine learning techniques
machine learning techniques
59
190225
3409
La visión por computadora
usa técnicas de aprendizaje de máquina
usa técnicas de aprendizaje de máquina
03:25
to do facial recognition.
60
193658
1880
para el reconocimiento facial.
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
Se trabaja así, creando una serie
de prueba con ejemplos de rostros.
de prueba con ejemplos de rostros.
03:31
This is a face. This is a face.
This is not a face.
This is not a face.
62
199483
2818
Esto es un rostro. Esto es un rostro.
Esto no lo es.
Esto no lo es.
03:34
And over time, you can teach a computer
how to recognize other faces.
how to recognize other faces.
63
202325
4519
Con el tiempo, puedes enseñar
a una computadora a reconocer rostros.
a una computadora a reconocer rostros.
03:38
However, if the training sets
aren't really that diverse,
aren't really that diverse,
64
206868
3989
Sin embargo, si las series de prueba
no son realmente diversas,
no son realmente diversas,
03:42
any face that deviates too much
from the established norm
from the established norm
65
210881
3349
todo rostro que se desvíe mucho
de la norma establecida
de la norma establecida
03:46
will be harder to detect,
66
214254
1649
será más difícil de detectar,
03:47
which is what was happening to me.
67
215927
1963
que es lo que me sucedía a mí.
03:49
But don't worry -- there's some good news.
68
217914
2382
Pero no se preocupen,
tengo buenas noticias.
tengo buenas noticias.
03:52
Training sets don't just
materialize out of nowhere.
materialize out of nowhere.
69
220320
2771
Las series de prueba
no se materializan de la nada.
no se materializan de la nada.
03:55
We actually can create them.
70
223115
1788
En verdad las podemos crear.
03:56
So there's an opportunity to create
full-spectrum training sets
full-spectrum training sets
71
224927
4176
Por ende, se pueden crear
series de prueba con espectros completos
series de prueba con espectros completos
04:01
that reflect a richer
portrait of humanity.
portrait of humanity.
72
229127
3824
que reflejen de manera más exhaustiva
un retrato de la humanidad.
un retrato de la humanidad.
04:04
Now you've seen in my examples
73
232975
2221
Ya han visto en mis ejemplos
04:07
how social robots
74
235220
1768
cómo con los robots sociales
04:09
was how I found out about exclusion
with algorithmic bias.
with algorithmic bias.
75
237012
4611
me enteré de la exclusión
por el sesgo algorítmico.
por el sesgo algorítmico.
04:13
But algorithmic bias can also lead
to discriminatory practices.
to discriminatory practices.
76
241647
4815
Además, el sesgo algorítmico
puede generar prácticas discriminatorias.
puede generar prácticas discriminatorias.
04:19
Across the US,
77
247437
1453
En EE.UU.
04:20
police departments are starting to use
facial recognition software
facial recognition software
78
248914
4198
los departamentos de policía incorporan
software de reconocimiento facial
software de reconocimiento facial
04:25
in their crime-fighting arsenal.
79
253136
2459
en su arsenal
para la lucha contra el crimen.
para la lucha contra el crimen.
04:27
Georgetown Law published a report
80
255619
2013
Georgetown publicó un informe
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
que muestra que uno de cada dos adultos
en EE.UU., 117 millones de personas,
en EE.UU., 117 millones de personas,
04:36
have their faces
in facial recognition networks.
in facial recognition networks.
82
264443
3534
tiene sus rostros en redes
de reconocimiento facial.
de reconocimiento facial.
04:40
Police departments can currently look
at these networks unregulated,
at these networks unregulated,
83
268001
4552
Los departamentos de policía hoy
tienen acceso a esas redes no reguladas,
tienen acceso a esas redes no reguladas,
04:44
using algorithms that have not
been audited for accuracy.
been audited for accuracy.
84
272577
4286
mediante algoritmos cuya exactitud
no ha sido testeada.
no ha sido testeada.
04:48
Yet we know facial recognition
is not fail proof,
is not fail proof,
85
276887
3864
Sabemos que el reconocimiento facial
no es a prueba de fallas
no es a prueba de fallas
04:52
and labeling faces consistently
remains a challenge.
remains a challenge.
86
280775
4179
y etiquetar rostros de forma consistente
aún es un desafío.
aún es un desafío.
04:56
You might have seen this on Facebook.
87
284978
1762
Tal vez lo han visto en Facebook.
04:58
My friends and I laugh all the time
when we see other people
when we see other people
88
286764
2988
Mis amigos y yo nos reímos,
cuando vemos a otros
cuando vemos a otros
05:01
mislabeled in our photos.
89
289776
2458
mal etiquetados en nuestras fotos.
05:04
But misidentifying a suspected criminal
is no laughing matter,
is no laughing matter,
90
292258
5591
Pero identificar mal a un sospechoso
no es un tema para reírse,
no es un tema para reírse,
05:09
nor is breaching civil liberties.
91
297873
2827
tampoco lo es violar la libertad civil.
05:12
Machine learning is being used
for facial recognition,
for facial recognition,
92
300724
3205
El aprendizaje automático se usa
para el reconocimiento facial,
para el reconocimiento facial,
05:15
but it's also extending beyond the realm
of computer vision.
of computer vision.
93
303953
4505
pero también se está extendiendo
al campo de la visión por computadora.
al campo de la visión por computadora.
05:21
In her book, "Weapons
of Math Destruction,"
of Math Destruction,"
94
309266
4016
En su libro, "Armas de
destrucción matemática",
destrucción matemática",
05:25
data scientist Cathy O'Neil
talks about the rising new WMDs --
talks about the rising new WMDs --
95
313306
6681
la científica de datos Cathy O'Neil
habla sobre los nuevos WMDs,
habla sobre los nuevos WMDs,
05:32
widespread, mysterious
and destructive algorithms
and destructive algorithms
96
320011
4353
algoritmos amplios,
misteriosos y destructivos
misteriosos y destructivos
05:36
that are increasingly being used
to make decisions
to make decisions
97
324388
2964
que se usan cada vez más
para tomar decisiones
para tomar decisiones
05:39
that impact more aspects of our lives.
98
327376
3177
que influyen sobre muchos aspectos
de nuestras vidas.
de nuestras vidas.
05:42
So who gets hired or fired?
99
330577
1870
¿A quién se contrata o se despide?
05:44
Do you get that loan?
Do you get insurance?
Do you get insurance?
100
332471
2112
¿Recibes el préstamo?
¿Y la cobertura de seguros?
¿Y la cobertura de seguros?
05:46
Are you admitted into the college
you wanted to get into?
you wanted to get into?
101
334607
3503
¿Eres aceptado en la universidad
a la que deseas entrar?
a la que deseas entrar?
05:50
Do you and I pay the same price
for the same product
for the same product
102
338134
3509
¿Tú y yo pagamos el mismo precio
por el mismo producto
por el mismo producto
05:53
purchased on the same platform?
103
341667
2442
comprado en la misma plataforma?
05:56
Law enforcement is also starting
to use machine learning
to use machine learning
104
344133
3759
La aplicación de la ley también empieza
a usar el aprendizaje de máquina
a usar el aprendizaje de máquina
05:59
for predictive policing.
105
347916
2289
para la predicción de la policía.
Algunos jueces usan puntajes de riesgo
generados por máquinas para determinar
generados por máquinas para determinar
06:02
Some judges use machine-generated
risk scores to determine
risk scores to determine
106
350229
3494
06:05
how long an individual
is going to spend in prison.
is going to spend in prison.
107
353747
4402
cuánto tiempo un individuo
permanecerá en prisión.
permanecerá en prisión.
06:10
So we really have to think
about these decisions.
about these decisions.
108
358173
2454
Así que hay que pensar
sobre estas decisiones.
sobre estas decisiones.
06:12
Are they fair?
109
360651
1182
¿Son justas?
06:13
And we've seen that algorithmic bias
110
361857
2890
Y hemos visto que el sesgo algorítmico
06:16
doesn't necessarily always
lead to fair outcomes.
lead to fair outcomes.
111
364771
3374
no necesariamente lleva siempre
a resultados justos.
a resultados justos.
06:20
So what can we do about it?
112
368169
1964
Entonces, ¿qué podemos hacer al respecto?
06:22
Well, we can start thinking about
how we create more inclusive code
how we create more inclusive code
113
370157
3680
Bueno, podemos empezar a pensar en
cómo creamos un código más inclusivo
cómo creamos un código más inclusivo
06:25
and employ inclusive coding practices.
114
373861
2990
y emplear prácticas
de codificación inclusivas.
de codificación inclusivas.
06:28
It really starts with people.
115
376875
2309
Realmente empieza con la gente.
06:31
So who codes matters.
116
379708
1961
Con los que codifican cosas.
06:33
Are we creating full-spectrum teams
with diverse individuals
with diverse individuals
117
381693
4119
¿Estamos creando equipos de
amplio espectro con diversidad de personas
amplio espectro con diversidad de personas
que pueden comprobar
los puntos ciegos de los demás?
los puntos ciegos de los demás?
06:37
who can check each other's blind spots?
118
385836
2411
06:40
On the technical side,
how we code matters.
how we code matters.
119
388271
3545
Desde el punto de vista técnico,
importa cómo codificamos.
importa cómo codificamos.
06:43
Are we factoring in fairness
as we're developing systems?
as we're developing systems?
120
391840
3651
¿Lo gestionamos con equidad
al desarrollar los sistemas?
al desarrollar los sistemas?
06:47
And finally, why we code matters.
121
395515
2913
Y finalmente, importa por qué
codificamos.
codificamos.
Hemos usado herramientas informáticas
06:50
We've used tools of computational creation
to unlock immense wealth.
to unlock immense wealth.
122
398785
5083
para generar una riqueza inmensa.
06:55
We now have the opportunity
to unlock even greater equality
to unlock even greater equality
123
403892
4447
Ahora tenemos la oportunidad de generar
una igualdad aún más grande
una igualdad aún más grande
07:00
if we make social change a priority
124
408363
2930
si hacemos del cambio social una prioridad
07:03
and not an afterthought.
125
411317
2170
y no solo un pensamiento.
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
Estos son los tres principios que
constituirán el movimiento "codificador".
constituirán el movimiento "codificador".
07:10
Who codes matters,
127
418554
1652
Quién codifica importa,
07:12
how we code matters
128
420230
1543
cómo codificamos importa,
07:13
and why we code matters.
129
421797
2023
y por qué codificamos importa.
07:15
So to go towards incoding,
we can start thinking about
we can start thinking about
130
423844
3099
Así que, para abordar la codificación,
podemos empezar a pensar
podemos empezar a pensar
07:18
building platforms that can identify bias
131
426967
3164
en construir plataformas
que puedan identificar sesgos
que puedan identificar sesgos
07:22
by collecting people's experiences
like the ones I shared,
like the ones I shared,
132
430155
3078
reuniendo experiencias de la gente
como las que compartí,
como las que compartí,
07:25
but also auditing existing software.
133
433257
3070
pero también auditando
el software existente.
el software existente.
07:28
We can also start to create
more inclusive training sets.
more inclusive training sets.
134
436351
3765
También podemos crear
grupos de formación más inclusivos.
grupos de formación más inclusivos.
07:32
Imagine a "Selfies for Inclusion" campaign
135
440140
2803
Imaginen una campaña de
"Selfies por la inclusión"
"Selfies por la inclusión"
07:34
where you and I can help
developers test and create
developers test and create
136
442967
3655
donde Uds. y yo podamos ayudar
a los desarrolladores a crear
a los desarrolladores a crear
07:38
more inclusive training sets.
137
446646
2093
grupos de formación más inclusivos.
07:41
And we can also start thinking
more conscientiously
more conscientiously
138
449302
2828
Y también podemos empezar a pensar
más concienzudamente
más concienzudamente
07:44
about the social impact
of the technology that we're developing.
of the technology that we're developing.
139
452154
5391
sobre el impacto social de la tecnología
que estamos desarrollando.
que estamos desarrollando.
07:49
To get the incoding movement started,
140
457569
2393
Para iniciar el movimiento
de codificación,
de codificación,
07:51
I've launched the Algorithmic
Justice League,
Justice League,
141
459986
2847
creé la Liga de la Justicia algorítmica,
07:54
where anyone who cares about fairness
can help fight the coded gaze.
can help fight the coded gaze.
142
462857
5872
donde todo el que
se preocupa por la equidad
se preocupa por la equidad
puede ayudar a combatir
la mirada codificada.
la mirada codificada.
08:00
On codedgaze.com, you can report bias,
143
468753
3296
En codedgaze.com
pueden informar sesgos,
pueden informar sesgos,
08:04
request audits, become a tester
144
472073
2445
solicitar auditorías,
convertirse en un betatesters
convertirse en un betatesters
08:06
and join the ongoing conversation,
145
474542
2771
y unirse a la conversación en curso,
08:09
#codedgaze.
146
477337
2287
#codedgaze.
08:12
So I invite you to join me
147
480742
2487
Así que los invito a que se unan a mí
08:15
in creating a world where technology
works for all of us,
works for all of us,
148
483253
3719
para crear un mundo donde la tecnología
trabaje para todos nosotros,
trabaje para todos nosotros,
08:18
not just some of us,
149
486996
1897
no solo para algunos de nosotros,
08:20
a world where we value inclusion
and center social change.
and center social change.
150
488917
4588
un mundo donde se valore la inclusión
y así centrar el cambio social.
y así centrar el cambio social.
Gracias.
08:25
Thank you.
151
493529
1175
(Aplausos)
08:26
(Applause)
152
494728
4271
08:32
But I have one question:
153
500873
2854
Pero tengo una pregunta:
¿Se unirán a mí en mi lucha?
08:35
Will you join me in the fight?
154
503751
2059
(Risas)
08:37
(Laughter)
155
505834
1285
(Aplausos)
08:39
(Applause)
156
507143
3687
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