Women Take On The Digital Divide

Die schlechten alten Zeiten chauvinistischer, stereotyper und ausschließender Werbug wurden von der Fernsehserie "Mad Men" festgehalten: Die heutige Werbung ist jedoch eine hochtechnologische, konzentrierte Explosion von "klebrigen" Inhalten, die Sie einbinden und alles über Sie herausfinden sollen. Menschen in der Technologiebranche verwenden Werbeblocker und virtuelle private Netzwerke für den Datenschutz, aber was ist mit dem Rest von uns? Dieser Vortrag stellt die schöne neue Welt vor, in der Anzeigen-Targeting und Retargeting, Treueprogramme und Plattformen wie Instagram und Facebook in einem gesetzlosen "Wilden Westen" funtionieren, in dem es keine Regulierung gibt und Kontextdaten der neue Goldrausch sind.

Temi Lasade-Anderson ist Anwältin für Datenbewusstsein und Datenschutz. Nachdem sie 5 Jahre lang digitale Kampagnen für große E-Commerce- und Technologieunternehmen geplant hat, nutzt sie ihre Marketing- und Kommunikationsfähigkeiten nun für datenschutzorientierte Technologieunternehmen wie Mozilla sowie für gemeinnützige Organisationen, die sich dafür einsetzen, dass marginalisierte Menschen einen besseren Zugang und mehr digitale Rechte bekommen, sowie stärker inkludiert werden.

In Zusammenarbeit mit Frauenloop

Bitcoin wurde als Gegengift für die Konzentration von Macht und Reichtum an der Wall Street eingeführt. Aber was als Vision einer "Macht für alle" begann, ist zu einer Industrie geworden, die zum großen Teil Diskriminierung einfach fortführt.

Was ist der Unterschied zwischen Elite-Investitionen und einem Währungsmarkt, der erfunden wurde, um demokratische, dezentralisierte Fonds für alle zu fördern? Warum sollen besonders Frauen* die Welt der Kryptowährung verstehen? An ihr teilhaben? Was ist mit dem Versprechen, dass Blockchain die Welt besser macht? Das Gunda-Werner-Institut in der Heinrich-Böll-Stiftung lädt Sie in Kooperation mit FrauenLoop ein, Antworten von einer Finanzspezialistin mit einer einzigartigen Perspektive auf Elite-Investments zu erhalten.

Anami Nguyen hat einen BSc in Finance & Management von der NYU Stern. Sie arbeitete als Analystin für J.P. Morgan. Danach half sie beim Aufbau der Finanzoperationen und Vermögensverwaltung für die Web3 Foundation. Zurzeit ist sie Business Development Managerin bei NEUFUND, einer von Blockchain unterstützten Finanzierungs- und Investitionsplattform.

Computervision (als Teilbereich der Künstlichen Intelligenz) ist nicht mehr nur ein rein akademisches Unterfangen. Von Strafverfolgung über Grenzkontrolle bis hin zur Diagnostik im Gesundheitswesen werden Computervision-Systeme aktuell in alle Aspekte der Gesellschaft integriert.

Das Projekt Gender Shades hat gezeigt, dass kommerzielle Systeme zur Klassifizierung der Geschlechter große Unterschiede in der Fehlerquote nach Hauttyp und Geschlecht aufweisen. Weitere wissenschaftliche Arbeiten zeigen und diskutieren die Schäden, die durch die bloße Existenz automatischer Systeme zur Erkennung des Geschlechts verursacht werden. Jüngste Arbeiten haben auch schockierende rassistische und sexistische Bezeichnungen in populären Computervision-Datensätzen aufgedeckt - mit dem Ergebnis, dass einige davon entfernt wurden.

Heute gibt es in der Forschung Arbeiten, die vorgeben, die Sexualität einer Person anhand ihrer Profilbilder in sozialen Netzwerke zu bestimmen, und andere, die behaupten, "gewalttätige Personen" anhand von Drohnenaufnahmen zu klassifizieren. Ein kritischer öffentlicher Diskurs über den Einsatz von auf Computervisionen basierenden Technologien nimmt jedoch zu. Der Einsatz von Gesichtserkennungstechnologien durch Polizeibehörden ist in den USA heftig kritisiert worden, und als Reaktion darauf haben Unternehmen wie Microsoft, Amazon und IBM ihre Dienstleistungen im Bereich der Gesichtserkennungssoftware zurückgezogen oder eingestellt.

In ihrem Vortrag stellt Dr. Timnit Gebru einige der Probleme und Lösungsvorschläge, welche die algorithmische Bias (Voreingenommenheit) abschwächen sollen, vor. Sie zeigt, dass einige der vorgeschlagenen Korrekturen das Problem eher verschärfen als abschwächen könnten.