‘Zizi - Queering the Dataset’ aims to tackle the lack of representation and diversity in the training datasets often used by facial recognition systems. The video was made by disrupting these systems and re-training them 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’ lets us peek inside the machine learning system and visualise what the neural network has (and hasn’t) learnt. The work is a celebration of difference and ambiguity, which invites us to reflect on bias in our data driven society.

'Zizi - Queering the Dataset' heeft tot doel het gebrek aan representatie en diversiteit aan te pakken in de trainingsdatasets die vaak worden gebruikt door gezichtsherkenningssystemen. De video is gemaakt door deze systemen te verstoren en ze opnieuw te trainen met de toevoeging van 1000 afbeeldingen van drag en genderfluïde gezichten die online te vinden zijn. Dit zorgt ervoor dat de gewichten in het neurale netwerk verschuiven van de normatieve identiteiten waarop het oorspronkelijk was getraind naar een ruimte van queerness. 'Zizi - Queering The Dataset' laat ons een kijkje nemen in het machine learning-systeem en visualiseren wat het neurale netwerk wel en niet heeft geleerd. Het werk is een viering van verschil en ambiguïteit, die ons uitnodigt om na te denken over vooroordelen in onze datagedreven samenleving.