Zizi: Queering the Dataset
Jake Elwes / / 2019
The work disrupts a facial recognition system by re-training it with the addition of 1000 images of drag and gender fluid faces found online. This causes the weights inside the neural network to shift away from the normative identities it was originally trained on and into a space of queerness.
‘Zizi – Queering the Dataset’ har til formål at tackle manglen på repræsentation og mangfoldighed i de datasæt, der ofte bruges af ansigtsgenkendelsessystemer. Dette videoværk blev lavet ved at ‘forstyrre’ disse systemer og genoptræne dem ved at tilføje 1000 billeder fundet online af personer i drag og med flydende kønsidentitet. Dette får balancen inde i systemets neurale netværk til at flytte sig væk fra de normative identiteter, det oprindeligt blev trænet på, og ind i et rum af queerness. ‘Zizi – Queering the Dataset’ lader os kigge ind i maskinlæringssystemet og visualisere, hvad det neurale netværk har lært og ikke har lært. Værket er en fejring af forskellighed og inviterer os til at reflektere over bias i vores datadrevne samfund.