[ad_1]

شکاف های کیفی داده ها ، به ویژه به دلیل مشکلات زنجیره تأمین در طی همه گیر شدن ، به یک تأثیر عمده در برنامه ریزی مدل های موثر یادگیری ماشین تبدیل شده اند.

از نظر آب و هوا ، ما فشارسنجها را به عنوان شاخص های خوبی برای تغییرات فشار که پیش بینی باران احتمالی است ، در نظر می گیریم. ما معتقدیم که این شاخص ها قابل اعتماد هستند ، زیرا اطلاعات ورودی تحت تأثیر فعالیت های انسانی نیست.

در مورد موتورهای جستجو نمی توان همین حرف را زد. آنها برای تشخیص رسانه های اطلاعاتی قابل اعتماد هستند. اما هر چه بحث اطلاعات غلط و مدیریت خطا در یادگیری ماشین افزایش می یابد ، تکنسین ها باید در نظر بگیرند که چگونه خلا in موجود در س engineالات موتور جستجو بر الگوریتم ها و در نهایت جهان ما تأثیر می گذارد. شکافهای داده این شکافها را محصور می کند.

اعتبار: vitanovski از طریق Adobe Stock

اعتبار: vitanovski از طریق Adobe Stock

شکاف داده ها تفاوت در پرس و جو بین کیفیت دریافتی افراد در یک پرسش و اطلاعات قابل اطمینان موجود است که در پرس و جو استفاده می شود. تفاوت یک محصول جانبی از چگونگی تحویل اطلاعات در شبکه است. پر کردن شکاف در اطلاعات معمولاً اهداف تجاری را در بر می گیرد ، اما با گذشت زمان اینترنت منابع کمتری را در رسانه های غیر تجاری در بر می گیرد و در نتیجه ، اطلاعات نادرست را در مورد مسائل اجتماعی و سیاسی گسترش می دهد.

مایکل گولبیفسکی و دانا بوید از مایکروسافت ابتدا عبارت data void را در گزارشی برای سال 2018 ابداع کردند ، شکاف داده ها: جایی که به راحتی می توان از داده های از دست رفته استفاده کرد. بوید با ارائه چندین سخنرانی ، مردم را در مورد نگرانی های موجود در دنیای واقعی که تاکنون شکاف داده ها ایجاد کرده است ، آموزش داد.

برای درک بهتر چگونگی ایجاد این شکاف ، تئوری دم بلند ، مفهوم آماری را که کریس اندرسون به عنوان یک رویکرد جدید تجاری توصیه می کند ، در نظر بگیرید. این نظریه که حجم کمتری از اقلام را می توان ارزان تر به صورت آنلاین فروخت ، اینترنت را به عنوان یک بستر تجاری برای محصولات و خدمات جدید معرفی می کند. اما با گذشت زمان ، جهان اینترنت را به عنوان منبعی برای مواردی فراتر از خرده فروشی محصولات ، در نظر گرفته است. صف طولانی به موضوعی غیر تجاری تبدیل شده است که ممکن است زیاد دنبال آن نباشد و به طور مکرر به روز شود ، اما با این وجود در ایده های سوداگرانه نفوذ کرده است که به عنوان یک حقیقت مطلق در میان شهروندان بی خبر دیده می شود. این تأثیر به ویژه در مسائل اجتماعی و سیاسی احساس می شود.

از آنجا که افراد به تقاضا اعتماد می کنند ، شکاف داده ها راه را برای افرادی که در بسیاری از موضوعات اجتماعی دستکاری می شوند باز می کند. س quالات موتور که اطلاعات بسیار کمی را برمی گردانند و یا هیچ نتیجه ای ندارند ، به دستگیرکنندگان اجازه می دهد تا این خلا gapها را با اطلاعات خود پر کنند. دست اندرکاران یک اکوسیستم را با اصطلاحات استراتژیک جدید مرتبط با درخواست های کم تقاضا ایجاد می کنند. سپس آنها سعی می کنند این اصطلاحات را در رسانه های جمعی منتقل کنند. بوید در سخنرانی خود در سال 2019 ، فرانک لونز را برجسته کرد. لونز به اعضای جمهوریخواه آموخت که چگونه اصطلاحات استراتژیک را در اخبار وارد کنند تا روزنامه نگاران ناخواسته آنها را ادغام کنند و پیام مورد نظر را تقویت کنند ، و پذیرش فرهنگی اطلاعات را به بهای حقیقت شکل دهند.

استفاده از اصطلاحات استراتژیک گسترش اطلاعات نادرست بصورت آنلاین را تشدید می کند. مباحث داده های نامعتبر مرتبط با مسائل اجتماعی و سیاسی اهداف بالغ برای دستکاری هستند. نظریه های توطئه در برخی از اطلاعات اخذ شده از اخبار روز یا دانش عمومی رشد می کنند. مردم این اطلاعات را از طریق پست و الگوهای رفتاری به اشتراک می گذارند. از آنجا که بسیاری از بازیگران از اینترنت برای سفته بازی استفاده می کنند ، تلاش ها می تواند در اطلاعات سایر نهادهای فرهنگی و رسانه ای رخنه کند. اگرچه بحث ها می توانند در مقیاس یک به یک به مبارزه با اطلاعات نادرست کمک کنند ، اما با افزایش آزار و اذیت ، دستکاری یا حتی بدترین اقدام عمومی مقابله نمی کنند. حمله 6 ژانویه به پایتخت آمریكا تجسم این واقعیت است كه چگونه گزارش ها می توانند مردم را به شدت گمراه كنند.

تأثیر شکاف داده ها می تواند فراتر از نتایج جستجو گمراه کننده باشد. داده های رسانه های اجتماعی ، همراه با داده های جستجو ، اغلب در تجزیه و تحلیل معنایی گنجانده می شوند ، که متکی به یادگیری ماشین برای پشتیبانی از راه حل های مشکلات اجتماعی مانند بهداشت روان و تبعیض نژادی است. به عنوان مثال ، پروفسور لو از دانشگاه روچستر تحقیقی در مورد چگونگی بیان سلامت روان در طی بیماری همه گیر COVID-19 از طریق توییت های موجود در توییتر ایجاد کرد. مطالعه تجزیه و تحلیل خلق و خوی در طیف گسترده ای از متون ، به مبارزه با سیاست های مبتنی بر داده کمک می کند که دارای همان اثر خنک کننده همان قانونی هستند که تبعیض اجتماعی را تحمیل می کند یا پروژه های مدنی را برای بهبود حساسیت یا شکاف در توزیع واکسن ها آغاز می کند.

در داخل سازمان ها ، تیم های عملیاتی باید نحوه ارزیابی داده های منابع آنلاین مانند جستجو و رسانه های اجتماعی را با توجه به مشخصات آنها در یک مدل داده بررسی کنند. تیم ها برای بررسی صحت داده ها باید ممیزی الگوریتمی انجام دهند. آنها می توانند این کار را از طریق مشاهده ، فرآیندهای طراحی شده برای درک عمیق مراحل مختلف چرخه توسعه مدل ، انجام دهند. این هشدارهایی ایجاد می کند که سیستم های پایین دستی را از اطلاعات غلط موجود در شکاف داده ها محافظت می کند. این همچنین گردش کار تیم را برطرف خواهد کرد تا به نوع شکاف داده هایی که گپ بات را گمراه می کند ، مانند متن معروف نژادی دستکاری شده در مایکروسافت تای بات ، یا برای یک الگوریتم ، که موارد انحراف را نادیده می گیرد ، مانند موارد مطرح شده در بلومبرگ 2016 گزارشی در مورد توزیع نخست آمازون ، که نشان می دهد چگونه Prime در محله های سیاه شهرها موجود نیست.

امروزه ، شکاف یادگیری ماشین در کیفیت داده ها یک مشکل آشکار برای هر کسب و کاری است. جهان در یک اقتصاد داده محور عمل می کند. فناوری اغلب ما را به سمت راه حلهایی سوق می دهد قبل از اینکه به راهنمایی برای سهولت زندگی نیاز داشته باشیم. اما دستورالعمل های مبتنی بر اطلاعات دستکاری شده به دلیل شکاف داده ها ، راه را برای انتخاب های اشتباه فناوری ، تصمیمات بد و افراد گمراه باز می کند. دستکاری و اطلاعات غلط از شکاف داده ها با نیرویی همه جانبه مانند هر طوفان مخرب دیگر.

مطالب مرتبط:

آنچه اصطلاحات واژگان فنی در مورد سوگیری صنعت نشان می دهد

سوگیری داده ها در یادگیری ماشینی: پیامدهای عدالت اجتماعی

ما با ماشین های نژادپرست چه کار می کنیم؟

Pier DeBois بنیانگذار Zimana ، یک شرکت مشاوره تجزیه و تحلیل تجارت کوچک است که داده های راه حل های تجزیه و تحلیل وب و داشبورد رسانه های اجتماعی را بررسی می کند ، سپس توصیه ها و اقداماتی را برای توسعه وب ارائه می دهد که استراتژی بازاریابی و سودآوری تجارت را بهبود می بخشد. او … بیوگرافی کامل را ببینید

ما از نظرات شما در مورد این موضوع در کانال های رسانه های اجتماعی خود استقبال می کنیم ، یا [contact us directly] با س questionsالات در مورد سایت.

مقالات بیشتر



[ad_2]

منبع: tasiveh-news.ir

ایندکسر