TEDxBeaconStreet
Joy Buolamwini: How I'm fighting bias in algorithms
Joy Buolami: Küzdelmem az algoritmikus előítélettel szemben
Filmed:
Readability: 5.3
1,223,943 views
Az MIT hallgatója Joy Buolami arcfelismerő programmal dolgozott, amikor észrevett egy problémát: a program nem észlelte az ő arcát. Az algoritmust kódolói nem tanították meg bőrtónusok és arcszerkezetek szélesebb spektrumának felismerésére. Joy egy misszión van, ahol harcol a gépi tanulás torzításai, az általa "kódolt csőlátás"-nak nevezett jelenség ellen. Ez egy szemfelnyitó beszéd a kódolással összefüggő felelősség szükségességéről ... mivel az algoritmusok életünk egyre több és több területén jutnak meghatározó szerephez.
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
Sziasztok, én Joy vagyok, a kód poétája,
00:16
on a mission to stop
an unseen force that's rising,
an unseen force that's rising,
1
4199
4993
és küldetésem egy láthatatlan,
egyre hatalmasabb erő,
egyre hatalmasabb erő,
00:21
a force that I called "the coded gaze,"
2
9216
2856
a "kódolt csőlátás" megfékezése.
00:24
my term for algorithmic bias.
3
12096
3309
Így nevezem én az algoritmikus torzítást.
00:27
Algorithmic bias, like human bias,
results in unfairness.
results in unfairness.
4
15429
4300
Ez, akárcsak az emberi előítélet,
igazságtalanságokhoz vezet.
igazságtalanságokhoz vezet.
00:31
However, algorithms, like viruses,
can spread bias on a massive scale
can spread bias on a massive scale
5
19753
6022
Az algoritmusok azonban
képesek e torzításokat járványszerűen,
képesek e torzításokat járványszerűen,
óriási területen és hihetetlen
sebességgel terjeszteni.
sebességgel terjeszteni.
00:37
at a rapid pace.
6
25799
1582
00:39
Algorithmic bias can also lead
to exclusionary experiences
to exclusionary experiences
7
27943
4387
Az algoritmikus torzítás emellett
kizárásos tapasztalatokhoz,
kizárásos tapasztalatokhoz,
00:44
and discriminatory practices.
8
32354
2128
és diszkriminációs gyakorlathoz
is vezethet.
is vezethet.
00:46
Let me show you what I mean.
9
34506
2061
Bemutatom, mire gondolok.
00:48
(Video) Joy Buolamwini: Hi, camera.
I've got a face.
I've got a face.
10
36980
2436
(Videó) Szia, kamera. Van egy arcom.
00:52
Can you see my face?
11
40162
1864
Látod az arcom?
00:54
No-glasses face?
12
42051
1625
A szemüveg nélküli arcom?
00:55
You can see her face.
13
43701
2214
Az ő arcát látod.
00:58
What about my face?
14
46237
2245
Mi a helyzet az én arcommal?
01:03
I've got a mask. Can you see my mask?
15
51890
3750
Van egy maszkom. Látod a maszkom?
01:08
Joy Buolamwini: So how did this happen?
16
56474
2365
Szóval, hogy hogy is történt ez?
01:10
Why am I sitting in front of a computer
17
58863
3141
Miért ülök egy számítógéppel szemben
01:14
in a white mask,
18
62028
1424
egy fehér maszkban,
01:15
trying to be detected by a cheap webcam?
19
63476
3650
próbálva egy olcsó webkamerával
felismertetni magam?
felismertetni magam?
01:19
Well, when I'm not fighting the coded gaze
20
67150
2291
Mikor épp nem a kódolt
csőlátás ellen harcolo
csőlátás ellen harcolo
01:21
as a poet of code,
21
69465
1520
kódpoétaként,
01:23
I'm a graduate student
at the MIT Media Lab,
at the MIT Media Lab,
22
71009
3272
akkor vagyok végzős hallgató
az MIT Media Lab-en,
az MIT Media Lab-en,
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
ahol lehetőségem van mindenféle
furcsa projekten dolgozni.
furcsa projekten dolgozni.
01:31
including the Aspire Mirror,
24
79246
2027
Ezek egyike az 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
melyben digitális maszkokat tudok
a tükörképemre vetíteni.
a tükörképemre vetíteni.
01:38
So in the morning, if I wanted
to feel powerful,
to feel powerful,
26
86455
2350
Reggel, ha erősnek akarom érezni magam,
01:40
I could put on a lion.
27
88829
1434
felveszek egy oroszlánt.
01:42
If I wanted to be uplifted,
I might have a quote.
I might have a quote.
28
90287
3496
Ha lelkesítésre van szükségem,
akkor talán egy idézetet.
akkor talán egy idézetet.
01:45
So I used generic
facial recognition software
facial recognition software
29
93807
2989
E rendszer megépítéséhez
egy általános arcfelismerő
programot használtam,
programot használtam,
01:48
to build the system,
30
96820
1351
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
de fehér maszk nélkül
nehéz volt tesztelni.
nehéz volt tesztelni.
01:56
Unfortunately, I've run
into this issue before.
into this issue before.
32
104282
4346
Sajnos korábban már
beleütköztem ebbe a problémába.
beleütköztem ebbe a problémába.
02:00
When I was an undergraduate
at Georgia Tech studying computer science,
at Georgia Tech studying computer science,
33
108652
4303
Amikor a Georgia Tech-en
számítástudományt tanultam.
számítástudományt tanultam.
02:04
I used to work on social robots,
34
112979
2055
társas robotokon dolgoztam,
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
és az egyik feladat az volt,
hogy bújócskázzak egyikükkel,
hogy bújócskázzak egyikükkel,
02:10
a simple turn-taking game
36
118859
1683
ami egy egyszerű oda-vissza játék.
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
A partnerek eltakarták az arcukat,
aztán felfedték: "Aki bújt, aki nem..."
aztán felfedték: "Aki bújt, aki nem..."
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
A probléma, hogy nehéz bújócskázni,
ha nem látjuk egymást.
ha nem látjuk egymást.
02:21
and my robot couldn't see me.
39
129364
2499
A robotom pedig nem látott engem.
02:23
But I borrowed my roommate's face
to get the project done,
to get the project done,
40
131887
3950
Ezért kölcsönvettem a szobatársam arcát
a projekt idejére,
a projekt idejére,
02:27
submitted the assignment,
41
135861
1380
aztán beadtam a feladatot.
02:29
and figured, you know what,
somebody else will solve this problem.
somebody else will solve this problem.
42
137265
3753
Majd rájöttem, hogy valaki más
fogja megoldani ezt a problémát.
fogja megoldani ezt a problémát.
02:33
Not too long after,
43
141669
2003
Nem sokkal később,
02:35
I was in Hong Kong
for an entrepreneurship competition.
for an entrepreneurship competition.
44
143696
4159
Hong Kongban voltam
egy vállalkozói versenyen.
egy vállalkozói versenyen.
02:40
The organizers decided
to take participants
to take participants
45
148339
2694
A szervezők látogatásra
vitték a résztvevőket
vitték a résztvevőket
02:43
on a tour of local start-ups.
46
151057
2372
helybeli startup vállalkozásokhoz.
02:45
One of the start-ups had a social robot,
47
153453
2715
Az egyiknek volt egy társas robotja,
02:48
and they decided to do a demo.
48
156192
1912
amivel készítettek egy bemutatót.
02:50
The demo worked on everybody
until it got to me,
until it got to me,
49
158128
2980
Ez mindenkin működött, kivéve engem,
02:53
and you can probably guess it.
50
161132
1923
és valószínűleg kitalálják:
02:55
It couldn't detect my face.
51
163079
2965
az én arcomat nem érzékelte.
02:58
I asked the developers what was going on,
52
166068
2511
Kérdeztem a fejlesztőket, mi történik.
03:00
and it turned out we had used the same
generic facial recognition software.
generic facial recognition software.
53
168603
5533
Kiderült, hogy ugyanazt
az arcfelismerő programot használtuk.
az arcfelismerő programot használtuk.
A világ másik felén jöttem rá,
03:06
Halfway around the world,
54
174160
1650
03:07
I learned that algorithmic bias
can travel as quickly
can travel as quickly
55
175834
3852
hogy az algoritmikus torzítás
terjedése olyan gyors,
terjedése olyan gyors,
03:11
as it takes to download
some files off of the internet.
some files off of the internet.
56
179710
3170
mint pár fájl letöltése az internetről.
03:15
So what's going on?
Why isn't my face being detected?
Why isn't my face being detected?
57
183745
3076
De mi is történik itt?
Miért nem érzékeli az arcom?
Miért nem érzékeli az arcom?
03:18
Well, we have to look
at how we give machines sight.
at how we give machines sight.
58
186845
3356
Nézzük meg,
hogy tanítjuk meg látni a gépeket.
hogy tanítjuk meg látni a gépeket.
03:22
Computer vision uses
machine learning techniques
machine learning techniques
59
190225
3409
A gépi látás gépi tanulási
technikákat használnak
technikákat használnak
03:25
to do facial recognition.
60
193658
1880
az arcfelismeréshez.
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
Ez úgy működik, hogy különböző arcokból
betanító adathalmazokat készítünk.
betanító adathalmazokat készítünk.
03:31
This is a face. This is a face.
This is not a face.
This is not a face.
62
199483
2818
Ez egy arc. Ez egy arc. Ez nem egy arc.
03:34
And over time, you can teach a computer
how to recognize other faces.
how to recognize other faces.
63
202325
4519
A gép idővel megtanul
más arcokat is felismerni.
más arcokat is felismerni.
03:38
However, if the training sets
aren't really that diverse,
aren't really that diverse,
64
206868
3989
Ha azonban a betanító sorozat
nem elég változatos,
nem elég változatos,
03:42
any face that deviates too much
from the established norm
from the established norm
65
210881
3349
az átlagtól jelentősen eltérő arcokat
03:46
will be harder to detect,
66
214254
1649
nehezen fogja felismerni.
03:47
which is what was happening to me.
67
215927
1963
Ez történt az esetemben is.
03:49
But don't worry -- there's some good news.
68
217914
2382
De semmi gond, vannak azért jó hírek is.
03:52
Training sets don't just
materialize out of nowhere.
materialize out of nowhere.
69
220320
2771
A betanító adathalmazok
nem a semmiből lesznek.
nem a semmiből lesznek.
03:55
We actually can create them.
70
223115
1788
Mi tudunk ilyeneket készíteni.
03:56
So there's an opportunity to create
full-spectrum training sets
full-spectrum training sets
71
224927
4176
Tudunk teljes spektrumú
betanító készleteket gyártani,
betanító készleteket gyártani,
04:01
that reflect a richer
portrait of humanity.
portrait of humanity.
72
229127
3824
melyek jobban tükrözik
az emberi arcok sokféleségét.
az emberi arcok sokféleségét.
04:04
Now you've seen in my examples
73
232975
2221
Láthatták a példáimon,
04:07
how social robots
74
235220
1768
hogyan vettem észre a társas robotoknál
04:09
was how I found out about exclusion
with algorithmic bias.
with algorithmic bias.
75
237012
4611
ezeket az algoritmikus torzításokat.
04:13
But algorithmic bias can also lead
to discriminatory practices.
to discriminatory practices.
76
241647
4815
Az algoritmikus torzítás azonban
diszkriminációhoz vezethet.
diszkriminációhoz vezethet.
04:19
Across the US,
77
247437
1453
A rendőrség Amerika-szerte
04:20
police departments are starting to use
facial recognition software
facial recognition software
78
248914
4198
elkezdett arcfelismerő
programokat használni
programokat használni
04:25
in their crime-fighting arsenal.
79
253136
2459
a bűnözés elleni harcban.
04:27
Georgetown Law published a report
80
255619
2013
A Georgtown-i törvényszék
jelentése szerint
jelentése szerint
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
minden második amerikai felnőtt -
azaz 117 millió ember -
azaz 117 millió ember -
04:36
have their faces
in facial recognition networks.
in facial recognition networks.
82
264443
3534
arca szerepel arcfelismerő hálózatokban.
04:40
Police departments can currently look
at these networks unregulated,
at these networks unregulated,
83
268001
4552
A rendőrség szabályozatlanul
fér hozzá e hálózatokhoz,
fér hozzá e hálózatokhoz,
04:44
using algorithms that have not
been audited for accuracy.
been audited for accuracy.
84
272577
4286
olyan algoritmusokkal, melyek pontosságát
senki nem ellenőrizte.
senki nem ellenőrizte.
04:48
Yet we know facial recognition
is not fail proof,
is not fail proof,
85
276887
3864
Tudjuk, hogy az arcfelismerés
nem elég megbízható,
nem elég megbízható,
04:52
and labeling faces consistently
remains a challenge.
remains a challenge.
86
280775
4179
és az arcok következetes felismerése
továbbra is gondot okoz.
továbbra is gondot okoz.
04:56
You might have seen this on Facebook.
87
284978
1762
Láthatták a Facebookon.
04:58
My friends and I laugh all the time
when we see other people
when we see other people
88
286764
2988
A barátaim és én mindig nevetünk
05:01
mislabeled in our photos.
89
289776
2458
mások félrejelölt képein a fotóinkon.
05:04
But misidentifying a suspected criminal
is no laughing matter,
is no laughing matter,
90
292258
5591
De tévesen felismerni
egy bűnözőt, nem vicces,
egy bűnözőt, nem vicces,
05:09
nor is breaching civil liberties.
91
297873
2827
mint ahogy a személyes szabadság
megsértése sem az.
megsértése sem az.
05:12
Machine learning is being used
for facial recognition,
for facial recognition,
92
300724
3205
A gépi tanulást
arcfelismerésre használják,
arcfelismerésre használják,
05:15
but it's also extending beyond the realm
of computer vision.
of computer vision.
93
303953
4505
de már a a számítógépes látás
területén kívül is használják.
területén kívül is használják.
05:21
In her book, "Weapons
of Math Destruction,"
of Math Destruction,"
94
309266
4016
"Weapons of Math Destruction"
[Matematikai fegyverek] című könyvében
[Matematikai fegyverek] című könyvében
05:25
data scientist Cathy O'Neil
talks about the rising new WMDs --
talks about the rising new WMDs --
95
313306
6681
Cathy O'Neil adattudós
a WMO-k - egyre szaporodó,
a WMO-k - egyre szaporodó,
05:32
widespread, mysterious
and destructive algorithms
and destructive algorithms
96
320011
4353
rejtélyes és pusztító algoritmusok -
térnyeréséről ír,
térnyeréséről ír,
05:36
that are increasingly being used
to make decisions
to make decisions
97
324388
2964
melyeket fontos döntések során használnak,
05:39
that impact more aspects of our lives.
98
327376
3177
és melyek életünk
több területére kihatnak.
több területére kihatnak.
05:42
So who gets hired or fired?
99
330577
1870
Kit veszünk fel és kit rúgunk ki?
05:44
Do you get that loan?
Do you get insurance?
Do you get insurance?
100
332471
2112
Ki kap hitelt? Ki köthet biztosítást?
05:46
Are you admitted into the college
you wanted to get into?
you wanted to get into?
101
334607
3503
Felvesznek a fősulira,
ahova be akarunk kerülni?
ahova be akarunk kerülni?
05:50
Do you and I pay the same price
for the same product
for the same product
102
338134
3509
Az egy adott helyez vásárolt
azonos termékekért
azonos termékekért
05:53
purchased on the same platform?
103
341667
2442
vajon ugyanazt az árat fizetjük?
05:56
Law enforcement is also starting
to use machine learning
to use machine learning
104
344133
3759
A törvénykezés elkezdte a gépi tanulást
05:59
for predictive policing.
105
347916
2289
a bűnmegelőzésben is használni.
06:02
Some judges use machine-generated
risk scores to determine
risk scores to determine
106
350229
3494
Egyes bírók gép által generált
kockázati értékek alapján döntik el,
kockázati értékek alapján döntik el,
06:05
how long an individual
is going to spend in prison.
is going to spend in prison.
107
353747
4402
mennyi időt üljön valaki börtönben.
06:10
So we really have to think
about these decisions.
about these decisions.
108
358173
2454
Nagyon el kell gondolkoznunk
ezeken a döntéseken.
ezeken a döntéseken.
06:12
Are they fair?
109
360651
1182
Igazságosak vajon?
06:13
And we've seen that algorithmic bias
110
361857
2890
Láthattuk, hogy az algoritmikus torzítás
06:16
doesn't necessarily always
lead to fair outcomes.
lead to fair outcomes.
111
364771
3374
nem mindig vezet
igazságos végkimenetelhez.
igazságos végkimenetelhez.
06:20
So what can we do about it?
112
368169
1964
Mit tudunk hát tenni?
06:22
Well, we can start thinking about
how we create more inclusive code
how we create more inclusive code
113
370157
3680
Ki kell találnunk, hogyan készítsünk
tökéletesebb kódokat,
tökéletesebb kódokat,
06:25
and employ inclusive coding practices.
114
373861
2990
jobb kódolási gyakorlatok alkalmazásával.
06:28
It really starts with people.
115
376875
2309
És ez az emberekkel kezdődik.
06:31
So who codes matters.
116
379708
1961
A kódolókkal, programozókkal.
06:33
Are we creating full-spectrum teams
with diverse individuals
with diverse individuals
117
381693
4119
Vajon a fejlesztői teamek
összetétele elég változatos ahhoz,
összetétele elég változatos ahhoz,
06:37
who can check each other's blind spots?
118
385836
2411
hogy a tagok képesek legyenek
egymás gyenge pontjait kiküszöbölni?
egymás gyenge pontjait kiküszöbölni?
06:40
On the technical side,
how we code matters.
how we code matters.
119
388271
3545
Technikai oldalról nézve az számít,
hogy hogyan kódolunk.
hogy hogyan kódolunk.
06:43
Are we factoring in fairness
as we're developing systems?
as we're developing systems?
120
391840
3651
Beépítjük az igazságosságot
a rendszerek fejlesztése során?
a rendszerek fejlesztése során?
06:47
And finally, why we code matters.
121
395515
2913
És végül: miért is kódolunk?
06:50
We've used tools of computational creation
to unlock immense wealth.
to unlock immense wealth.
122
398785
5083
A számítástechnika eszközei
hatalmas gazdagságra nyitottak kaput.
hatalmas gazdagságra nyitottak kaput.
06:55
We now have the opportunity
to unlock even greater equality
to unlock even greater equality
123
403892
4447
Most lehetőségünk van nagyobb
egyenlőség elérésére,
egyenlőség elérésére,
07:00
if we make social change a priority
124
408363
2930
ha rendszereinket kezdettől fogva
07:03
and not an afterthought.
125
411317
2170
a társadalmi változásokat
szem előtt tartva fejlesztjük.
szem előtt tartva fejlesztjük.
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
Ez a "belekódolás" mozgalom
három alapeleme:
három alapeleme:
07:10
Who codes matters,
127
418554
1652
Ki kódol?
07:12
how we code matters
128
420230
1543
Hogyan kódol?
07:13
and why we code matters.
129
421797
2023
Miért kódol?
07:15
So to go towards incoding,
we can start thinking about
we can start thinking about
130
423844
3099
A "belekódolás" irányába való
elmozduláshoz szükségünk lesz
elmozduláshoz szükségünk lesz
07:18
building platforms that can identify bias
131
426967
3164
olyan megoldásokra, amelyek képesek
az enyémhez hasonló
az enyémhez hasonló
07:22
by collecting people's experiences
like the ones I shared,
like the ones I shared,
132
430155
3078
emberi tapasztalatok gyűjtésével,
és létező rendszerek ellenőrzésével
és létező rendszerek ellenőrzésével
07:25
but also auditing existing software.
133
433257
3070
felismerni az algoritmikus torzítást.
07:28
We can also start to create
more inclusive training sets.
more inclusive training sets.
134
436351
3765
Közben elkezdhetünk jobb
betanító készleteket összeállítani.
betanító készleteket összeállítani.
07:32
Imagine a "Selfies for Inclusion" campaign
135
440140
2803
Képzeljünk el egy "Közreműködő selfie-k"
kampányt,
kampányt,
07:34
where you and I can help
developers test and create
developers test and create
136
442967
3655
mellyel segíthetjük a fejlesztőket
átfogóbb betanítási készletek
átfogóbb betanítási készletek
07:38
more inclusive training sets.
137
446646
2093
létrehozásában és tesztelésében.
07:41
And we can also start thinking
more conscientiously
more conscientiously
138
449302
2828
És elkezdhetünk lelkiismeretesebben
gondolkozni
gondolkozni
07:44
about the social impact
of the technology that we're developing.
of the technology that we're developing.
139
452154
5391
az általunk fejlesztett technológia
társadalmi hatásairól.
társadalmi hatásairól.
07:49
To get the incoding movement started,
140
457569
2393
A "belekódolási" mozgalom elindításához
07:51
I've launched the Algorithmic
Justice League,
Justice League,
141
459986
2847
Megalapítottam
az Algoritmikus Igazság Ligáját,
az Algoritmikus Igazság Ligáját,
07:54
where anyone who cares about fairness
can help fight the coded gaze.
can help fight the coded gaze.
142
462857
5872
melyhez bárki csatlakozhat, és segíthet
a kódolt csőlátás elleni harcban.
a kódolt csőlátás elleni harcban.
08:00
On codedgaze.com, you can report bias,
143
468753
3296
A codedgaze.com oldalon
bejelenthetnek részrehajlást,
bejelenthetnek részrehajlást,
08:04
request audits, become a tester
144
472073
2445
kérhetnek felülvizsgálatot,
jelentkezhetnek tesztelőnek,
jelentkezhetnek tesztelőnek,
08:06
and join the ongoing conversation,
145
474542
2771
és csatlakozhatnak beszélgetésekhez.
08:09
#codedgaze.
146
477337
2287
#codedgaze.
08:12
So I invite you to join me
147
480742
2487
Kérem hát önöket,
csatlakozzanak egy világhoz,
csatlakozzanak egy világhoz,
08:15
in creating a world where technology
works for all of us,
works for all of us,
148
483253
3719
ahol a technika mindnyájunkért van,
08:18
not just some of us,
149
486996
1897
nem csak néhányunkért.
08:20
a world where we value inclusion
and center social change.
and center social change.
150
488917
4588
Egy világhoz, ahol a részvétel
és a társadalmi változás van a központban!
és a társadalmi változás van a központban!
08:25
Thank you.
151
493529
1175
Köszönöm.
08:26
(Applause)
152
494728
4271
( Taps)
08:32
But I have one question:
153
500873
2854
Végül van még egy kérdésem:
08:35
Will you join me in the fight?
154
503751
2059
Csatlakoznak hozzám e harcban?
08:37
(Laughter)
155
505834
1285
(Nevetés)
08:39
(Applause)
156
507143
3687
(Taps)
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