Group items matching

in title, tags, annotations or url

Les algorithmes apprennent et répètent nos comportement, ce qui facilite la commodité, mais tend à répéter des traits ou des erreurs à l'infini, estime John Burn-Murdoch pour le Guardian. La caractéristique des algorithmes à reproduire la prise de décision humaine peut être une arme à double tranchant. Récemment, une université britannique a ainsi développé un modèle informatique pour rationaliser son processus d'admission qui a exacerbé la discrimination sexuelle et raciale. Des biais de sélection ont aussi été découverts sur Linked-in : lycée, université, pays de résidences peuvent devenir des critères excluants. Avons-nous donné trop de pouvoir aux machines ?

"La mise en scène des révoltes et manifestations de par le monde repose sur l'image et la mobilisation via les réseaux sociaux, ce qui permet de nourrir la mobilisation et accroître la portée des manifs dans les esprits. "Malgré la différence des situations d'un pays à l'autre, toutes ces manifestations font un usage massif des réseaux sociaux et du partage de photos par le biais des téléphones portables et des caméras de poche. Du coup, il devient très facile de mobiliser l'opinion du monde entier sur des sujets locaux comme l'augmentation du prix des transports au Brésil ou la destruction d'un parc public à Istanbul. D'un bout à l'autre de la planète, les manifestants mettent en scène leur révolte à la façon d'un grand carnaval et se reconnaissent collectivement dans leur appartenance aux populations urbaines, jeunes, appartenant pour la plupart à la classe moyenne, actives sur Facebook, Twitter, YouTube etc." Le vêtement a pour but de protéger et de communiquer. Partout, l'esthétisation des mouvements de révolte mondialisés se développe, avec ses repères communs, les hastags sur les pancartes, les masques de Guy Fawkes...

Gary Marcus, professeur de psychologie à l'université de New York et qui prépare un livre sur l'avenir du cerveau, pointe le rapport que vient de publier le National Institutes of Health américain sur l'avenir des neurosciences, qui est la première étape importante dans l'élaboration de l'initiative Brain lancée par le président Obama pour "révolutionner notre compréhension de l'esprit humain et de découvrir de nouvelles façons de traiter , prévenir et guérir les troubles du cerveau". Un rapport qui évalue l'état des neurosciences. Pour relever le défi de la complexité du cerveau, le rapport propose 9 enjeux afin de comprendre comment le cerveau perçoit le monde et dirige les actions. Pour progresser, nous devons apprendre à combiner les connaissances de la biochimie moléculaire avec celle de la cognition et de la psychologie cognitive. La clé repose dans l'interdisciplinarité. Reste que les progrès de l'intelligence artificielle par exemple, reposent pour l'instant surtout sur l'informatique, la psychologie et la linguistique, plus que des neurosciences qui cherchent, par le biais de ce rapport à s'imposer. Cela pourrait changer un jour... Mais rien n'est moins sûr. Sommes-nous sur la bonne piste pour comprendre le cerveau ?

Erik Voeten et ses collègues se sont intéressés aux citations des articles de recherches et ils ont remarqué, que parmi bien des facteurs, le genre était l'un des meilleurs prédicateur pour savoir si un article sera cité ou pas. Amis scientifiques, nonbstant la qualité de vos recherches, si vous êtes une femme vous serez beaucoup moins cité que si vous êtes un homme. Comment résoudre ce problème ? Et l'auteur d'inviter les chercheuses à plus citer de femmes plutôt que de subir le même biais... L'autre solution est l'anonymat... Il suffirait de ne mettre que l'initial du prénom.

Comment connaître les biais des algorithmes ? Par l'ingénierie inversée, estime Nicholas Diakopoulos pour The Atlantic. Au Wall Street Journal, une équipe de journaliste a sondé les plateformes d'ecommerce pour identifier les cas de tarification dynamiques. Au Daily Beast, Michael Keller a regarder la fonction de correction d'orthographe de l'iPhone pour voir les mots qui n'étaient pas dans le correcteur. Pour Slate, Nicholas Diakopoulos a observé les algorithmes d'auto-complétion pour déterminer les termes censurés par Google et Bing... Les algorithmes sont des boîtes noires dont nul ne sait ce qu'il se passe à l'intérieur. Mais en faisant varier les entrées, vous pouvez tenter de comprendre comment il les transforme, les analyse et commencer à percer certains de leurs secrets. A Harvard, Latanya Sweeney a regardé comment les publicités étaient racialement orientées. C'est aux journalistes (et aux scientifiques) de comprendre les algorithmes, estime Nicholas Diakopoulos en enquêtant sur eux.

Pour l'éditorialiste Tim Harford, le succès de Google Flu Trends, le système de prévision de la grippe de Google fondé sur les requêtes des internautes sur le moteur de recherche est devenu l'emblème des Big Data en montrant que l'analyse des données produit des résultats précis, que chaque point peut-être capturé (rendant l'échantillonnage statistique obsolète), que la corrélation suffit et que les modèles statistiques et scientifiques ne sont pas nécessaires. Pourtant, estime Harford, les Big données ne vont cesser de nous décevoir si nous ignorons quelques leçons de statistiques simples. Plus vous avez de données, plus les problèmes sont importants... Et Google Flu en devenant moins précis avec le temps l'a bien montré, car si on ne sait pas ce qu'il y a derrière une corrélation, vous n'avez aucune idée de ce qui pourrait la rendre moins efficace. Si Google Flu est devenu moins efficace c'est peut-être parce que Google lui-même a déplacé les données en suggérant automatiquement des diagnostics aux gens qui entraient leurs symptômes médicaux sur le moteur... Google Flu demain sera recalibré et amélioré, mais cet épisode doit nous apprendre quelque chose si nous ne voulons pas qu'il se répète. Autre problème bien connu des statisticiens, le biais d'échantillonnage, c'est-à-dire quand un échantillon choisi au hasard ne reflète pas la population qu'il est sensé représenté. Or, même dans le Big Data, l'échantillon ne représente jamais TOUTE la population. Quand bien même nous étudierions tous les messages de Twitter, les utilisateurs de Twitter ne sont pas représentatifs de la population dans son ensemble (au contraire, ils sont plutôt jeunes et urbains). Bump, l'application pour détecter les nids de poules de l'agglomération de Boston, détecte surtout les nids de poules des quartiers riches. Enfin, les algorithmes ne sont pas infaillibles, ils génèrent beaucoup de faux positifs. Les Big Data sont là : il v