Lennart Kett: Chiar și în era inteligenței artificiale, datele de bază trebuie privite critic | opinie

Chiar nu există nimic nou în matematică, totul a fost scris cu mii de ani în urmă? De fapt, matematica este mai mult decât un sistem tradițional de numere. După cum sugerează rădăcina cuvântului, este „predarea cunoștințelor”, iar cunoștințele se schimbă în mod constant. În special în lumea de astăzi, în care suntem înconjurați de cantități masive de date, este important să înțelegem că cunoașterea matematicii și a datelor depășește simpla aritmetică.

Alfabetizarea datelor include crearea, colectarea, prelucrarea și interpretarea datelor, precum și metodele și standardele tehnice, legale și etice asociate. În cadrul contabilității electronice Această discuție prezintă un interes deosebit.

Importanța înțelegerii și interpretării

Istoria matematicii datează de mult timp, dar la baza ei a fost întotdeauna capacitatea de a înțelege și interpreta contextul generat de date. De exemplu, 1% poate fi o mică parte din total, dar o creștere cu 1% a cheltuielilor pentru apărare ar putea însemna o sumă mare. Între timp, populația celor mai mici cinci țări ale UE reprezintă doar 1% din populația totală a UE. Totul este o chestiune de context și interpretare.

Capacitatea de a citi date nu se limitează doar la efectuarea de calcule complexe sau aplicarea modelelor statistice. Gândirea critică și înțelegerea contextului sunt esențiale pentru a face distincția între ceea ce este important și ceea ce nu este.

Statisticile, graficele și modelele interpretate greșit pot induce în eroare și pot duce la concluzii greșite. Prin urmare, este important, atunci când lucrați cu date, să înțelegeți ce arată de fapt, ce modele dezvăluie și cum pot fi aplicate pentru a rezolva problemele din lumea reală.

Deoarece metodele de inteligență artificială (AI) se bazează în general pe modele matematice, trebuie să menținem o minte critică pentru soluțiile/relațiile statistice/predicțiile propuse de IA și să ne amintim contextul și că rezultatul propus poate fi adecvat din punct de vedere matematic. , dar computerului îi lipsește adesea contextul (și conținutul) Concluzia finală poate fi greșită și poate duce la erori grave în afaceri, știință și deciziile de zi cu zi.

Date proaste = concluzii proaste

Înainte ca datele să poată fi interpretate în mod semnificativ, este necesar să se asigure disponibilitatea datelor subiacente de înaltă calitate. Colectarea sistematică a datelor de înaltă calitate este fundamentul oricărei prelucrări semnificative a datelor. Fluxul de lucru al unui analist implică adesea aproximativ 80 la sută pregătirea datelor și doar 20 la sută analiză reală sau efectuarea „calculelor frumoase”.

Prin urmare, în timpul colectării datelor, ar trebui să se asigure că sunt asigurate continuitatea, acuratețea, actualitatea și reprezentativitatea datelor. Fiecare dintre ele este important să tragă orice concluzie pe baza datelor.

Dacă primele se explică de la sine, cele din urmă, reprezentarea, au apărut tocmai în contextul creșterii capacităților AI și a eticii datelor. Acest lucru se datorează faptului că, atunci când identificăm orice tipare și tragem concluzii din acestea, este important să ne asigurăm că datele subiacente reflectă în mod echitabil situația observată și nu sunt părtinitoare. În cel mai rău caz, datele distorsionate pot duce și la modele discriminatorii.

Pe lângă asigurarea calității, este important să documentați și detaliile conținute în date: ce anume se reflectă în date, care sunt valorile posibile și care sunt criteriile de calitate. Pentru a nu trage concluzii prematur consecvente din date, Uniunea Europeană a început să o facă și prin reglementarea inteligenței artificiale (Ai un record) pentru a ghida stabilirea unor standarde suplimentare de calitate și control în situațiile mai critice în care suberorile artificiale pot avea un impact mai mare (limitat).

Pe de altă parte, fiecare dintre noi lasă în urmă o amprentă digitală, este firesc ca, pentru a asigura confidențialitatea, a fost implementat și în Europa Regulamentul General de Protecție a Datelor (GDPR), care cu restricțiile sale ne obligă să ne gândim cuprinzător la ce scop și pe ce bază pot fi prelucrate datele cu caracter personal.

De la abilități de hacking la alfabetizarea datelor

Alfabetizarea datelor este fundamentul alfabetizării datelor, dar în lumea de astăzi plină de date, această abilitate lipsește. După cum am menționat, capacitatea de a înțelege contextul este crucială atunci când se efectuează analize și, deja în școală, se poate pune accent nu numai pe învățarea formulelor complexe, ci și pe abilitățile practice care permit analizarea, vizualizarea și interpretarea datelor, precum și pentru a explica datele. Deciziile bazate pe date și evaluarea critică a impactului acestora.

În același timp, analiștii trebuie să fie versatili și să înțeleagă arta stocării, documentării și controlului datelor, care este adesea restricționată de legi pentru a asigura confidențialitatea.

Din cauza muncii, citesc în fiecare an CV-urile a sute de potențiali analiști și vorbesc și cu zeci în timpul interviurilor de angajare. Din ce în ce mai mult, evaluez candidații ale căror experiențe și programele de studii finalizate demonstrează diversitate.

În acest moment, arunc în aer întrebarea dacă, dacă profesorii noștri de matematicieni (în sensul general) (la nivel de învățământ general sau de învățământ superior) revizuiesc și programul de învățământ în așa fel încât atunci când teoria și practica se împletesc, un se creează o înțelegere completă a viziunii asupra lumii a datelor. Dar și opusul: ar putea și alte profesii tradiționale, precum istoricii, avocații sau doctorii, să obțină o perspectivă asupra modului în care instrumentele matematicienilor de astăzi îi pot ajuta sau care este condiția prealabilă?