Estructura de la sesión 
Teoria 

1. 1. Introduccion GDEIR (Activismo y universidad, sistemas inexpertos) M

1. 1. Introducción a la IA  ( Detección vs Reconocimiento) 

resumen

1. La construcción de sistemas de IA requiere datos. Los sistemas supervisados ​​de aprendizaje automático diseñados para el reconocimiento facial o de objetos están entrenados en grandes cantidades de datos c    ontenidos en conjuntos de datos compuestos por muchas imágenes discretas. Para construir un sistema de visión por computadora que pueda, por ejemplo, reconocer la diferencia entre imágenes de manzanas y naranjas, un desarrollador tiene que recopilar, etiquetar y entrenar una red neuronal en miles de imágenes etiquetadas de manzanas y naranjas. En el lado del software, los algoritmos realizan un estudio estadístico de las imágenes y desarrollan un modelo para reconocer la diferencia entre las dos "clases". Si todo va de acuerdo al plan, el modelo entrenado podrá distinguir la diferencia entre imágenes de manzanas y naranjas que nunca antes había encontrado.

2. Como los campos de la ciencia de la información y los estudios de ciencia y tecnología han demostrado durante mucho tiempo, todas las taxonomías o sistemas de clasificación son políticos. [14] En ImageNet (heredado de WordNet), por ejemplo, la categoría "cuerpo humano" se incluye en la rama Objeto natural> Cuerpo> Cuerpo humano. Sus subcategorías incluyen "cuerpo masculino"; "persona"; "Cuerpo juvenil"; "Cuerpo adulto"; y "cuerpo femenino". La categoría "cuerpo adulto" contiene las subclases "cuerpo femenino adulto" y "cuerpo masculino adulto". Aquí encontramos una suposición implícita: solo los cuerpos "masculino" y "femenino" son "naturales".

3. los propósitos que la visión por computadora está destinada a servir en nuestra sociedad: los juicios, las elecciones y las consecuencias de proporcionar computadoras con estas capacidades.

4. Los conjuntos de capacitación, entonces, son la base sobre la cual se construyen los sistemas contemporáneos de aprendizaje automático.  TRAINING SET

5. el error de identificacion es racista en el sentido de que los blancos si son individuos individuales y los otros solo masa criminal intercambiable. 

6. Las representaciones no se limitan simplemente a las esferas del lenguaje y la cultura, sino que tienen implicaciones reales en términos de derechos, libertades y formas de autodeterminación.

1. 1. Politica de las imagenes en IA (transfobia y racismo) 

interseccionalida de la vigilancia 

1. 1. Capitalismo, IA y Necropolica  (Amazon, IBM, Motorola) 

1. 1. Contexto Barcelona   JM 

1. 1. Activismos y reconocimiento facial  (Entre brindar mala info y ser indetectable)  JM 

6.1 La potencia de lo no binario en relacion al reconocimiento facial 


Hay mucho en juego en la arquitectura y el contenido de los conjuntos de entrenamiento utilizados en IA. Pueden promover o discriminar, aprobar o rechazar, hacer visible o invisible, juzgar o hacer cumplir. Y, entonces, debemos examinarlos, porque ya están acostumbrados a examinarnos, y tener una discusión pública más amplia sobre sus consecuencias, en lugar de mantenerlo dentro de los corredores académicos. Como los conjuntos de capacitación son cada vez más parte de nuestras infraestructuras urbanas, legales, logísticas y comerciales, tienen un papel importante pero no examinado: el poder de dar forma al mundo en sus propias imágenes

1. 1. Posibles continuidades del grupo de trabajo  JM

1. 1. Continuación grupo SEGURIDAD INFORMATICA M

Practica 
Explicación de los diferentes sofwares 
Practica 

Vamos enviar un documento 
Posibilidades de hacer un fanzine 




BIBLIOGRAFIA

1. 1. Introducción

https://www.excavating.ai/

1. 1. Racialización y transfobia digital

https://www.nytimes.com/2020/06/10/technology/amazon-facial-recognition-backlash.html
https://www.theverge.com/2019/12/20/21031255/facial-recognition-algorithm-bias-gender-race-age-federal-nest-investigation-analysis-amazon
https://www.theverge.com/2019/1/25/18197137/amazon-rekognition-facial-recognition-bias-race-gender

1. 1. Barcelona

https://algorithmwatch.org/en/story/face-recognition-police-europe/
https://contrainformacion.es/el-gran-hermano-roig-mercadona-usara-tecnologia-israeli-de-reconocimiento-facial-en-sus-tiendas/

1. 1. Aplicaciones artisticas

https://www.poetofcode.com
https://www.youtube.com/watch?v=LE3RlrVEyuo
@thedazzelclub





Para realizar un maquillaje duradero se necesita tener en cuenta 2 facotres.

El maquillaje de textura grasosa, humeda se aplica primero y luego este se sella con polvos, tanto translucidos como del color correspondiente a sellar.

El maquillaje de tipo humedo (para no hablar de marcas) corresponde a cualquier acuacolor. Se consiguen desde bazares, locales de articulos de fiestas y centros de maquillaje. Hay lugares de perfil maquillaje artistico si prefieres acercarte a ellos y dejar tu dinero en lugar de cadenas de belleza hegemonica. Si decides ir por productos tambien vegan y cruelty free se recomiendan marcas como Krayolan, Cover FX, Eco Tools.  

El maquillaje de tipo seco, puede ser sustituido por talcos translucidos si no son muy espesos, pero es recomendable tener un buen polvo porque es quien asegurara la duracion de la cara a generar.
Para este tipo de maquillajes es recomendable tener blanco, negro y algun color no propio de la piel, azul, verde, violeta. No se necesita mucho mas!
alguna brocha para aplicar los humedos y una aplciador de polvos o esponjita que cumpla su rol.


https://www.ibm.com/blogs/research/2019/01/diversity-in-faces/
https://www.theverge.com/2020/6/8/21284683/ibm-no-longer-general-purpose-facial-recognition-analysis-software


podemos hacer training sets autonomos? monopolio informatico y un cuestionamiento estetico. 
identificar policias sin uniformes???? para que reconocer?


¿Qué trabajo hacen las imágenes en los sistemas de IA? ¿Qué deben reconocer las computadoras en una imagen y qué se reconoce mal o incluso es completamente invisible?
 ¿Cómo le dicen los humanos a las computadoras qué palabras se relacionan con una imagen dada? ¿Y qué está en juego en la forma en que los sistemas de inteligencia artificial usan estas etiquetas para clasificar a los humanos, incluso por raza, género, emociones, capacidad, sexualidad y personalidad? 






preguntas posibles




aplicacion artistica de ciudadano con papeles no me interesa. 

dos auto metas 

complejizar nuestras esteticas diarias
ensuciar las bases de datos  MALPERFILAR

por que se echan para atras? la relacion de las industrias privadas con el estado. dependencia de los estados a los privados. 

tambien echarse para atras puede ser etico o puede ser para reformular la tecnologia 






Esto se hizo para capturar y patologizar lo que se veía como comportamiento desviado o criminal, y hacer que dicho comportamiento sea observable en el mundo. Y como veremos, los supuestos subyacentes de la fisonomía no solo han regresado con los conjuntos de entrenamiento contemporáneos, sino que varios conjuntos de entrenamiento están diseñados para usar algoritmos y puntos de referencia faciales como calibradores de los últimos días para llevar a cabo versiones contemporáneas de craneometría.

La diversidad en este contexto solo significa una gama más amplia de formas de cráneo y simetrías faciales.

¿Cuáles son los supuestos que sustentan los sistemas visuales de IA? Primero, el paradigma teórico subyacente de los conjuntos de entrenamiento supone que los conceptos, ya sea "travesti" o "cleptomano" existen en primer lugar, y que esos conceptos son fijos, universales y tienen algún tipo de base trascendental y consistencia interna.

Los conjuntos de datos no son simplemente materias primas para alimentar algoritmos, sino intervenciones políticas. Como tal, gran parte de la discusión sobre el "sesgo" en los sistemas de IA pierde la marca: no hay un punto de vista "neutral", "natural" o "apolítico" sobre el que se puedan construir los datos de entrenamiento.


https://www.visagetechnologies.com/HTML5/latest/Samples/ShowcaseDemo/ShowcaseDemo.html#


https://meet.jit.si/GDEIRSESION1MAKEUP