Ѓеоргина Лештова
Вовед
Во последните децении, вештачката интелигенција (ВИ) се развива од научна фантастика во реалност која сѐ повеќе го обликува секојдневниот живот. Од паметни телефони и виртуелни асистенти, до системи за препознавање лице и автоматизирани процеси во индустријата – вештачката интелигенција има моќ да го трансформира начинот на кој работиме, комуницираме и донесуваме одлуки. Со оглед на нејзиното сѐ поголемо влијание, сѐ појасно станува дека прашањето кој ги креира овие интелигентни системи е од клучно значење.
Истражувањата покажуваат дека развојот на ВИ е доминиран од машки тимови, при што жените се сѐ уште недоволно застапени во клучните технолошки и научни полиња, вклучувајќи го и СТЕМ секторот (наука, технологија, инженерство и математика). Овој дисбаланс не е само прашање на родова нееднаквост, туку и на квалитет и етика на самите ВИ системи. [1] Според податоците, само 12% од водечките истражувачи во областа на машинското учење се жени, додека во компании како Microsoft, жените сочинуваат 28% од позициите поврзани со ВИ. Недостатокот на различни перспективи при дизајнот и развојот на алгоритмите може да доведе до пристрасни системи кои несвесно ги репродуцираат и зацврстуваат постоечките социјални нееднаквости.
Целта на овој труд е да се истражи застапеноста на жените во полето на вештачката интелигенција, како и важноста од обезбедување родова еднаквост во процесите на развој и примена на овие технологии. Преку анализа на статистички податоци, студии на случај и примери од праксата, ќе се обидеме да дадеме одговор на прашањето: Кој ги креира интелигентните машини и зошто тоа е важно за сите нас?
3
Вовед во родови студии Семинарска работа
Историјат и развој на вештачката интелигенција
Вештачката интелигенција (ВИ) има корени кои се протегаат низ повеќе децении. [2] Британскиот математичар Алан Тјуринг во 1935 година предложил концепт на апстрактна машина, позната како Тјурингова машина, која може да ги извршува сите математички пресметки. Овој концепт поставил темели за модерните компјутери и идејата за машинска интелигенција. Во 1950 година, Тјуринг го предложил познатиот „Тјурингов тест“ како критериум за проценка на способноста на машина да покаже интелигентно однесување еквивалентно на човечкото.
[3] Формалното раѓање на ВИ како научна дисциплина се случило во 1956 година на Дартмутската работилница, каде што Џон Мекарти, Марвин Мински и нивните колеги го вовеле терминот „вештачка интелигенција“. Во текот на 1960-тите и 1970-тите години, истражувачите развиле програми кои можеле да решаваат алгебарски проблеми и да докажуваат геометриски теореми, што предизвикало оптимизам за брз напредок во областа.
Сепак, поради технички ограничувања и преценети очекувања, полето доживеало периоди на стагнација познати како „зими на ВИ“. Во 1980-тите, појавата на експертски системи донела нов подем, но повторно следувала стагнација. Вистинскиот пробив се случил во 2000-тите со развојот на машинското учење и пристапот до големи количини на податоци. Во 2017 година, воведувањето на трансформерската архитектура овозможило развој на големи јазични модели, што довело до бум на ВИ во 2020-тите .
4
Вовед во родови студии Семинарска работа
Што вклучува СТЕМ (наука, технологија, инженерство, математика)
Акронимот СТЕМ се однесува на дисциплините: наука, технологија, инженерство и математика. Овие полиња се клучни за технолошкиот напредок и иновациите во современото општество. Науката ги истражува природните феномени, технологијата ги применува научните знаења за развој на алатки и системи, инженерството ги дизајнира и конструира овие системи, додека математиката обезбедува јазик и рамка за квантитативна анализа и моделирање.
Интеграцијата на овие дисциплини е од суштинско значење за решавање на комплексни проблеми и поттикнување на иновации. Образованието во СТЕМ областите е од витално значење за развој на вештини како што се критичко размислување, решавање проблеми и креативност, кои се неопходни во многу професии денес.
Развојот и имплементацијата на ВИ вклучуваат различни професионални улоги, меѓу кои:
• Инженери за машинско учење (Machine Learning Engineers): Ги дизајнираат и имплементираат алгоритмите и моделите за машинско учење кои овозможуваат компјутерите да учат од податоци.
• Научници за податоци (Data Scientists): Ги анализираат и интерпретираат сложените податочни сетови за да извлечат значајни информации и да ги применат во бизнис стратегии.
• Инженери за податочна инфраструктура (Data Engineers): Ги градат и одржуваат архитектурите за податоци потребни за собирање, обработка и складирање на големи количини на податоци.
• Истражувачи во ВИ (AI Researchers): Се фокусираат на развој на нови алгоритми, модели и теории кои го унапредуваат полето на ВИ.
• Инженери за роботика (Robotics Engineers): Ги дизајнираат и програмираат роботските системи кои често користат ВИ за автономно функционирање.
5
Вовед во родови студии Семинарска работа
Овие улоги бараат силна основа во СТЕМ дисциплините и често се преклопуваат во нивните одговорности и вештини.
Брзиот развој на нови технологии, особено во областа на ВИ, има длабоко влијание врз општеството. ВИ револуционизира различни сектори, вклучувајќи здравство, финансии, транспорт и образование. На пример, во здравството, ВИ се користи за дијагностицирање болести и персонализирана медицина, додека во транспортот, автономните возила ветуваат зголемена безбедност и ефикасност.
6
Вовед во родови студии Семинарска работа
Родова застапеност во ВИ и СТЕМ секторите
Родовата нееднаквост во областите на вештачката интелигенција (ВИ) и СТЕМ (наука, технологија, инженерство и математика) е глобален предизвик кој бара внимание и акција. Жените се значително помалку застапени во овие сектори, што влијае на иновациите и развојот на технологиите.
[4] Според податоците од 2021 година, жените сочинуваат околу 31% од научните и инженерските истражувачи и персонал во истражување и развој (R&D) на глобално ниво. Во Европската Унија, во 2021 година, жените претставуваат 40.7% од научниците и инженерите, што е зголемување од 38.7% во 2011 година. Сепак, во високотехнолошките сектори, како што се информатичките и комуникациските технологии (ИКТ), жените се само 20.7% од дипломираните во овие области.
Жените во развој на ВИ – проценти и улоги
[5] Во областа на вештачката интелигенција, родовата нееднаквост е уште поизразена. Жените сочинуваат само 22% од работната сила во ВИ на глобално ниво. Во одредени компании, како што е Microsoft, жените заземаат 28% од позициите поврзани со ВИ. Најчесто, жените се застапени во улоги како што се анализа на податоци и истражување, додека се помалку присутни во инженерски и лидерски позиции.
Бариери за жените во СТЕМ и ВИ
Постојат повеќе фактори кои придонесуваат за ниската застапеност на жените во овие области:
• Пристрасни образовни практики и родови стереотипи:
Од рана возраст, девојчињата се соочуваат со стереотипи кои сугерираат дека СТЕМ предметите се повеќе соодветни за момчињата. Овие стереотипи се засилени преку медиумите, играчките и училишните практики, што влијае на нивната самодоверба и интерес за овие области.
• Недостиг од ментори и модели за углед:
7
Вовед во родови студии Семинарска работа
Недостатокот на женски ментори и лидери во СТЕМ и ВИ ги лишува младите жени од потребната поддршка и инспирација за да ги следат овие кариери.
• Работна култура и пристрасност на работното место:
Многу жени во технолошкиот сектор се соочуваат со култура која не е инклузивна, што вклучува несвесни пристрасности и недостаток на поддршка за балансирање на професионалниот и личниот живот.
Примери од големи компании и институции
Некои компании преземаат чекори за подобрување на родовата еднаквост во ВИ и СТЕМ секторите:
• [6] IBM: Од 10,000 професионалци во ВИ, околу 3,000 се жени, што покажува напори за зголемување на родовата разновидност.
• [7] Microsoft: Жените сочинуваат 28% од позициите поврзани со ВИ, што е резултат на иницијативи за зголемување на инклузивноста.
Сепак, останува уште многу работа за да се постигне вистинска родова еднаквост во овие сектори.
За да се намали родовиот јаз во ВИ и СТЕМ, потребни се координирани напори од образовните институции, индустријата и општеството во целина. Ова вклучува промовирање на СТЕМ образование меѓу девојчињата, создавање поддржувачка работна средина и обезбедување на менторство и улоги за углед.
8
Вовед во родови студии Семинарска работа
Родови пристрасности во ВИ системите
Родовата пристрасност во системите за вештачка интелигенција (ВИ) претставува значаен предизвик кој може да доведе до дискриминација и нееднаквост во различни сфери на општеството.
Како се вградува пристрасност во ВИ системи
ВИ системите учат од големи количини на податоци кои често ги одразуваат историските и културните пристрасности на општеството. Ако овие податоци содржат родови стереотипи или дискриминаторски обрасци, ВИ моделите ќе ги усвојат и репродуцираат тие пристрасности. [8] На пример, ако податоците за обука покажуваат дека одредени професии претежно ги извршуваат мажи, ВИ системот може да заклучи дека мажите се попогодни за тие улоги, што води до дискриминација при автоматизираното донесување одлуки.
Примери на ВИ што покажале родова и расна пристрасност:
1. Алгоритми за препознавање на лице: Истражувањата покажуваат дека некои системи за препознавање на лице имаат повисока стапка на грешки при идентификација на жени и лица со потемна кожа. Ова се должи на недоволна застапеност на овие групи во податочните сетови користени за обука на моделите.
9
Вовед во родови студии Семинарска работа
2. Алгоритми за вработување: Во 2018 година, Amazon развил ВИ алатка за автоматско оценување на биографии на кандидати. Сепак, системот покажал пристрасност против жените, бидејќи бил обучен на податоци од претходни апликации кои претежно доаѓале од мажи. Како резултат, апликациите кои содржеле зборови поврзани со жени биле оценети пониско.
3. [9] Гласовни асистенти: Многу виртуелни асистенти, како што се Amazon’s Alexa и Apple’s Siri, користат женски гласови и се програмирани да бидат покорни и љубезни, што ги зајакнува стереотипите за жените како подредени и сервилни.
Последици од пристрасна ВИ врз жените
Пристрасноста во ВИ системите може да има сериозни последици врз жените:
• Дискриминација при вработување: Алгоритмите кои фаворизираат мажи можат да ги намалат шансите на жените за добивање работа, особено во СТЕМ секторите.
• Неправедни правни последици: Системите за препознавање на лице со висока стапка на грешки при идентификација на жени можат да доведат до неправедни апсења или други правни последици.
• Здравствени ризици: Ако ВИ системите во здравството се обучени претежно на податоци од мажи, тие можат да не ги препознаат специфичните симптоми кај жените, што води до погрешни дијагнози и третмани.
За да се намали родовата пристрасност во ВИ, потребно е да се користат разновидни и репрезентативни податочни сетови, да се вклучат различни тимови при развојот на ВИ системите и да се спроведуваат редовни ревизии за откривање и корекција на пристрасноста.
10
Вовед во родови студии Семинарска работа
Зошто е важна родовата еднаквост при развојот на ВИ?
Родовата еднаквост во развојот на вештачката интелигенција (ВИ) е од суштинско значење за создавање правични, иновативни и етички технологии. Интегрирањето на различни перспективи во процесот на дизајнирање на ВИ системи не само што ја подобрува нивната функционалност, туку и обезбедува тие да служат на потребите на целото општество.
Потреба од различни перспективи при дизајн на технологии
Вклучувањето на жени и други недоволно застапени групи во тимовите за развој на ВИ овозможува интеграција на различни искуства и гледишта. Оваа разновидност помага во идентификување и корекција на потенцијални пристрасности во алгоритмите, што резултира со посеопфатни и инклузивни технолошки решенија. [10] На пример, истражувањата покажуваат дека жените во Африка се соочуваат со поголем ризик од губење на работни места поради автоматизација и ВИ, што укажува на потребата од нивно активно учество во креирањето на овие технологии за да се адресираат специфичните предизвици со кои се соочуваат.
Етички, социјални и економски придобивки
Разновидните тимови во развојот на ВИ придонесуваат кон:
• Етички придобивки: Различните перспективи помагаат во препознавање и намалување на пристрасностите во ВИ системите, што води кон поправедни и етички технологии.
• Социјални придобивки: Инклузивните ВИ системи подобро ги одразуваат потребите на различни демографски групи, што ја зголемува нивната прифатеност и ефективност во општеството.
• Економски придобивки: Компаниите со разновидни тимови покажуваат повисока иновативност и профитабилност. Вклучувањето на жени во ВИ може да отвори нови пазари и да ја зголеми конкурентноста на компаниите.
11
Вовед во родови студии Семинарска работа
Како разновидноста придонесува кон подобри и поправедни алгоритми
Разновидните тимови се покреативни и поефикасни во решавањето на комплексни проблеми, што води кон развој на алгоритми кои се помалку склони кон пристрасност и подобро ги одразуваат потребите на корисниците. [11] На пример, жените претприемачи во Кина активно работат на надминување на родовите бариери во технологијата, што резултира со поинклузивни и одржливи технолошки решенија.
Интеграцијата на родовата еднаквост во развојот на ВИ е клучна за создавање на технологии кои се етички, инклузивни и економски одржливи. Разновидноста во тимовите не само што го подобрува квалитетот на алгоритмите, туку и придонесува кон општество кое е пофер и порамноправно.
12
Вовед во родови студии Семинарска работа
Заклучок
Вештачката интелигенција (ВИ) има потенцијал да ја трансформира нашата реалност, но тоа не значи дека процесот на нејзиниот развој е без предизвици. Родова пристрасност во ВИ системите се јавува како последица на историските и културни искуства кои се пренесуваат низ податочните сетови и моделите што ги тренираме. Ова влијае на резултатите на алгоритмите и може да има сериозни последици за жените и други недоволно застапени групи, во различни области како што се вработување, правна сигурност и здравствена заштита.
Разновидните тимови кои вклучуваат жени и други групи со различни перспективи играат клучна улога во осигурувањето дека ВИ системите се поинклузивни, фер и етички. Разнообразноста во тимовите не само што придонесува кон креирањето на понапредни и попрецизни алгоритми, туку и помага во создавање на решенија кои ги одразуваат потребите на сите членови на општеството, без да ги фаворизираат одредени групи. Тоа е важно за економската и социјалната праведност, како и за економската иновација.
Во однос на идните чекори, потребно е да се воведат сериозни промени во образовните институции, индустриите и политиката. Во образованието треба да се поттикне повеќе жени да влезат во СТЕМ области, преку програми за менторство и поддршка. На политичко ниво, владите треба да донесат политики кои ја промовираат родовата еднаквост во технолошките индустрии, како и да обезбедат фондови за истражувања и развој на инклузивни ВИ системи. Во индустријата, компаниите мора да вложат во развој на тимови кои вклучуваат жени и други групи, како и да спроведуваат редовни ревизии на алгоритмите за да се откријат и отстранат можните пристрасности.
Идните истражувања треба да се фокусираат на подетално проучување на влијанието на родовата пристрасност во ВИ и на развојот на нови методи за изградување на фер алгоритми. Долгорочната цел треба да биде развој на ВИ што не само што ќе биде иновативна, туку и праведна и во служба на сите, без оглед на родот, расата или социјалната позадина.
13
Вовед во родови студии Семинарска работа
Референци
1. Catalyst – “Women in STEM.” (https://www.catalyst.org , пристапено: април, 2025)
2. Britannica – “History of Artificial Intelligence.”
(https://www.britannica.com/science/history-of-artificial-intelligence , пристапено: април, 2025)
3. Wikipedia – “History of Artificial Intelligence.”
(https://en.wikipedia.org/wiki/History_of_artificial_intelligence , пристапено: април, 2025)
4. Society of Women Engineers – “Global STEM Workforce.”
(https://swe.org/research/2023/global-stem-workforce , пристапено: април, 2025)
5. The Print – “Only 22% women in AI jobs: The gender gap in science and technology in numbers.” (https://theprint.in/feature/only-22-women-in-ai-jobs the-gender-gap-in-science-and-technology-in-numbers/697917 , пристапено: април, 2025)
6. ArtSmart AI – “Women in AI Statistics.” (https://artsmart.ai/blog/women-in-ai statistics , пристапено: април, 2025)
7. ArtSmart AI – “Women in AI Statistics.” (https://artsmart.ai/blog/women-in-ai statistics , пристапено: април, 2025)
8. UN Women – “How AI Reinforces Gender Bias and What We Can Do About It.” (https://eca.unwomen.org/en/stories/interview/2025/02/how-ai-reinforces gender-bias-and-what-we-can-do-about-it-0 , пристапено: април, 2025)
9. Time – “AI Voice Assistants Gender Bias.” (https://time.com/5593436/ai-voice assistants-gender-bias , пристапено: април, 2025)
10. AP News – “Rwanda AI Summit.” (https://apnews.com/article/rwanda-ai summit-7b6a83e5592f78de9c0d38da97f9fbff , пристапено: април, 2025) 11. Reuters – “How China’s Female Entrepreneurs Are Leading Fight to Topple Gender Barriers.” (https://www.reuters.com/sustainability/society-equity/how chinas-female-entrepreneurs-are-leading-fight-topple-gender-barriers-2025- 04-04 , пристапено: април, 2025)
14