LingVo.club
Nivelo
Artefarita inteligenteco por kontraŭi sekse bazitan perforton en Latin-Ameriko — Nivelo B2 — grayscale photography of women marching

Artefarita inteligenteco por kontraŭi sekse bazitan perforton en Latin-AmerikoCEFR B2

18 Nov 2025

Adaptita el Martín De Ambrosio, SciDev CC BY 2.0

Foto de L'Odyssée Belle, Unsplash

Nivelo B2 – Supra meza nivelo
5 min
286 vortoj

En pluraj landoj de Latin-Ameriko grupoj kunlaboras por krei malfermfontajn, lokajn ilojn de artefarita inteligenteco celitajn studi kaj malkreskigi sekse bazitan perforton. La iniciatoj emfazas protekton de sentemaj datumoj, travideblon kaj lokan kontekstigon por eviti importitajn partiaĵojn en grandaj teknologiaj algoritmoj.

Unu el la plej avancaj ekzemploj estas AymurAI, el DataGénero fondita de Ivana Feldfeber en Argentino. AymurAI serĉas informojn en tribunaj dosieroj, estas instalita sur lokaj serviloj kaj kolektas materialon sen interpreti ĝin, sendante nur la trovojn al datumbazo. La ilo estis evoluigita antaŭ la apero de Chat GPT kaj estas uzata en Argentino, Ĉilio kaj Kostariko ekde ĝia enkonduko en 2021; la datumbazo enhavas pli ol 10,000 tribunalajn decidoj. AymurAI ricevis financadon de la International Development Research Centre (IDRC) kaj de la Patrick McGovern Foundation, kaj la teamo planas aldonon de sonon-al-teksto post valida testado, por ke atestaĵoj povu esti konservataj sen ke viktimoj bezonu ripeti traumajn eventojn.

Aliaj organizoj sekvas diversajn alirojn: Derechos Digitales, gvidata de Jamila Venturini, analizas teknolog-politikojn kaj avertas pri la risko de sistemoj desegnitaj for de la regiono, kiuj ne reflektas lokajn vidpunktojn pri genero, raso, aĝo kaj kapablo. En Meksiko PIT Policy Lab, fondita de Cristina Martínez Pinto en 2021, laboris kun la ŝtato Guanajuato kaj uzis AI por antaŭdiri lernejan forlasadon; ili trovis 4,000 junulojn misidentigitajn kiel ne-riskaj, rimarkis genran malekvilibron en teknikaj teamoj kaj enkondukis malfermfontajn ilojn kaj trejnadon por detekti partiaĵon. Daniel Yankelevich de Fundar emfazas ke konduto varias laŭ kulturo, do antaŭdiraj sistemoj devas esti trejnitaj per lokaj datumoj. Oftaj venontaj paŝoj tra la projektoj estas plibonigi trejnajn datumojn, aldoni teknikajn funkciojn kiel sontraktado, fortigi protektajn kadrojn kaj reklami politikojn por redukti la damaĝojn de partiaj aŭ malklaraj algoritmoj.

Malfacilaj vortoj

  • malfermfontaprogramaro kies kodo estas publike disponebla
    malfermfontajn
  • lokarilata al specifa regiono aŭ komunumo
    lokaj
  • artefarita inteligentecotekniko por komputiloj por lerni kaj decidi
  • partiaĵoantaŭjuĝo en algoritmo aŭ sistemo
    partiaĵojn
  • protektoago aŭ rimedoj por gardi datumojn
    protekton
  • travideblecoklara informo pri kiel sistemo funkcias
    travideblon
  • kontekstigoadapti enhavon al lokaj sociaj kondiĉoj
    kontekstigon
  • datumbazoorganizo de kolektitaj datumoj por aliro

Konsilo: ŝovu la musmontrilon, fokusu aŭ tuŝu la reliefigitajn vortojn en la artikolo por vidi rapidajn difinojn dum legado aŭ aŭskultado.

Diskutaj demandoj

  • Kiel malfermfontaj kaj lokaj AI-iloj povus redukti damaĝon kompare kun grandaj tutmondaj sistemoj? Donu aŭ almenaŭ du kialojn bazitajn sur la teksto.
  • Kiujn avantaĝojn kaj malavantaĝojn vidus vi por aldoni sonon-al-tekstajn funkciojn en ĉi tiuj projektoj? Bv. konsideri protekton de viktimoj kaj teknikan testadon.
  • Kiel trejnado per lokaj datumoj influas la precizecon de antaŭdiraj sistemoj laŭ la artikolo? Donu ekzemplon de la teksto.

Rilataj artikoloj