Opinie czytelników
Obecnie brak opinii czytelników. Ocena opiera się na 9 głosach.
Oryginalny tytuł:
Discriminating Data: Correlation, Neighborhoods, and the New Politics of Recognition
Zawartość książki:
Jak duże zbiory danych i uczenie maszynowe kodują dyskryminację i tworzą wzburzone skupiska pocieszającej wściekłości.
W Discriminating Data Wendy Hui Kyong Chun ujawnia, w jaki sposób polaryzacja jest celem - a nie błędem - w big data i uczeniu maszynowym. Argumentuje ona, że metody te kodują segregację, eugenikę i politykę tożsamości poprzez swoje domyślne założenia i warunki. Korelacja, na której opiera się potencjał predykcyjny big data, wywodzi się z XX-wiecznych eugenicznych prób „wyhodowania” lepszej przyszłości. Systemy rekomendacji wspierają gniewne skupiska identyczności poprzez homofilię. Użytkownicy są „szkoleni”, aby stać się autentycznie przewidywalnymi poprzez politykę i technologię rozpoznawania. Uczenie maszynowe i analiza danych dążą zatem do zakłócenia przyszłości poprzez uniemożliwienie zakłóceń.
Chun, który ma doświadczenie w inżynierii projektowania systemów, a także w badaniach nad mediami i teorii kultury, wyjaśnia, że chociaż algorytmy uczenia maszynowego mogą oficjalnie nie uwzględniać rasy jako kategorii, to domyślnie osadzają biel. Na przykład technologia rozpoznawania twarzy opiera się na twarzach hollywoodzkich celebrytów i studentów uniwersytetów - grup, które nie słyną z różnorodności. Homofilia pojawiła się jako koncepcja opisująca postawy białych mieszkańców USA wobec życia w dwurodzinnych, ale segregowanych mieszkaniach komunalnych. Predykcyjna technologia policyjna wdraża modele wyszkolone na podstawie badań dzielnic, w których przeważają niedostateczne usługi. Wyszkolone na wybranych i często dyskryminujących lub brudnych danych, algorytmy te są weryfikowane tylko wtedy, gdy odzwierciedlają te dane.
Jak możemy uwolnić się od dyskryminujących danych? Chun wzywa do alternatywnych algorytmów, domyślnych ustawień i interdyscyplinarnych koalicji w celu desegregacji sieci i wspierania bardziej demokratycznych dużych zbiorów danych.
