]Percurso e oportunidade de ir para Chicago [00:02:55]Auditoria a modelos de machine learning para a discriminação, com o Aequitas [00:05:57]Resultados obtidos com o Aequitas [00:08:30]Como é que o Aequitas se adapta a diferentes contextos [00:10:23]Etiquetagem em machine learning e dados enviesados [00:14:38]Minimizar a propagação de discriminação nos modelos [00:18:54]Algoritmos para treinar modelos de machine learning [00:22:37]Ferramentas para etiquetagem – queries SQL / Pandas (Python) / Spark (Big data) [00:29:31]Previsão de reincidência criminal de doentes mentais, com o Kansas [00:33:31]Equidade (fairness) nos modelos usados no Kansas [00:39:53]Importância do conhecimento científico, filosófico e o bom senso, para além do conhecimento técnico [00:46:30]Responsabilidade partilhada e multidisciplinaridade no desenvolvimento de software – mencionamos o livro Ruined by Design (escrito por Mike Monteiro) [00:49:48]A economia é demasiado importante para ser deixada a economistas. E o AI é demasiado importante para ser deixado a software engineers? – mencionamos o livro Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy [00:53:39]Cambridge Analytica [00:58:38]