Des chercheurs prouvent que l'utilisation de données volumineuses peut faire de vous et de moi un âne

$config[ads_kvadrat] not found

Pourquoi des chercheurs font-ils des canulars ? feat. @Le Malin Génie

Pourquoi des chercheurs font-ils des canulars ? feat. @Le Malin Génie
Anonim

En 1997, des chercheurs de la NASA ont proposé l'expression «données volumineuses» pour décrire le traitement d'informations de gros volumes par des superordinateurs. En 2008, les mégadonnées étaient devenues un outil sans précédent capable de résoudre les problèmes qui posaient de graves problèmes à la science, à l’éducation, à la technologie et, surtout, pour être honnête, aux entreprises. Mais dans un article récent publié dans Travail social australien, les universitaires avertissent qu'il est possible que nous utilisions trop le Big Data pour remédier aux maux sociaux.

Alors que les mégadonnées apportent de nouvelles informations à la prestation de services sociaux, les chercheurs Philip Gillingham et Timothy Graham de l’Université du Queensland affirment que ceux qui utilisent les mégadonnées - comme les gouvernements - ne sont pas assez critiques et prudents avec ces informations. L’ampleur des problèmes auxquels le Big Data est appliqué fait qu’un jugement subjectif, des erreurs et des réponses inappropriées pourraient produire des résultats tragiques.

"Vous pouvez comparer les données relatives aux personnes sans abri et dire qu'un grand nombre d'entre elles sont des alcooliques, afin qu'elles puissent être ciblées par la réhabilitation pour alcooliques", a déclaré Gillingham dans un communiqué de presse. «Mais la cause de leur situation n’est jamais découverte. Nous devons veiller à ne pas gaspiller les ressources, insulter et stigmatiser des groupes de personnes."

Gillingham utilise l'exemple de la Nouvelle-Zélande, où des représentants du gouvernement avaient déjà envisagé d'utiliser le Big Data pour prédire la probabilité que quelqu'un soit un agresseur d'enfants. Les trous dans les données, le risque d'erreur de jugement et la prise de conscience du fait que le big data ne fournissait pas réellement plus d'informations, a déraillé ce plan, mais eu continué, les résultats auraient pu être désastreux.

Utiliser le Big Data est aussi vraiment, vraiment coûteux.

«Les outils existants nous indiquent déjà les auteurs les plus probables, sans dépenser des millions de dollars», déclare Gillingham. "Le coût phénoménal - et si cet argent pourrait être mieux dépensé en services - est quelque chose qui est souvent négligé."

Bien que Gillingham et Graham partagent le point de vue selon lequel l’argent devrait être dépensé en faveur des personnes qui en ont le plus besoin, l’investissement dans le Big Data est de plus en plus préventif. Des institutions telles que Harvard et l'Université de Chicago ont des départements et des initiatives conçus pour former les jeunes scientifiques à l'utilisation du Big Data pour résoudre les problèmes de santé, d'énergie, de sécurité publique et de développement international. Par exemple, les chercheurs du programme Systèmes sociaux d'ingénierie de Harvard tentent d'utiliser des données volumineuses tirées des prix du marché, de la fréquence des sécheresses et des taux de production régionaux pour prédire à quel moment les Ougandais vivant en milieu rural risquent de connaître une crise alimentaire.

L’exemple le plus célèbre d’utilisation de données volumineuses est la collecte d’informations par la NSA à des fins de surveillance. Mais le gouvernement intègre également les analyses de données volumineuses dans son plan national d'éducation et dans la mise en œuvre de la loi sur les soins abordables.

Cependant, l’utilisation la plus reconnaissable des mégadonnées pour le quotidien est probablement la publicité: chaque fois que vous vous connectez à Facebook, par exemple, vous êtes submergé de publicités ciblées que les entreprises entretiennent grâce à la collecte de données sur les offres. Cela aussi, selon Gillingham, est un problème qui entraîne des pertes de dollars. Dans un exemple plus personnel de gaspillage, Gillingham explique comment il présente des caractéristiques qui pourraient être associées aux passionnés de golf. Il est donc «constamment bombardé» de courrier et de publicité en ligne pour des fournitures de golf. Mais en réalité, «la vérité est que je déteste le golf», dit-il. La modélisation prédictive ici a juste conduit à de l'argent qui pourrait aussi bien être jeté à la poubelle.

$config[ads_kvadrat] not found