Le modalità di apprendimento automatico probabilistico diventano sempre più potenti nelle analisi di dati, informando una vasta gamma di decisioni critiche in diverse discipline e applicazioni, dalla previsione dei risultati delle elezioni alla previsione dell’effetto dei micro prestiti sul povertà. Questa classe di metodi utilizza concetti sofisticati della teoria della probabilità per gestire l’incertezza nella presa di decisioni. Ma la matematica è solo una parte del puzzle per determinare la loro accuratezza ed efficacia. In un’analisi tipica dei dati, i ricercatori fanno molte scelte soggettive o possono introdurre errori umani che devono essere valutati per coltivare la fiducia degli utenti nella qualità delle decisioni basate su questi metodi.
Per affrontare questo problema, Tamara Broderick, informatica del MIT, professore associato nel Dipartimento di Ingegneria Elettrica e Informatica (EECS) e membro del Laboratorio per l’Informazione e i Sistemi Decisionali (LIDS), e un team di ricercatori hanno sviluppato un sistema di classificazione, una “tassonomia della fiducia”, che definisce dove la fiducia potrebbe indebolirsi in un’analisi dei dati e identifica le strategie per rafforzare la fiducia in ogni passo. Gli altri ricercatori del progetto sono la Professoressa Anna Smith dell’Università del Kentucky, i professori Tian Zheng e Andrew Gelman della Columbia University e la Professoressa Rachael Meager della London School of Economics. La speranza del team è di evidenziare le preoccupazioni che sono già ben studiate e quelle che necessitano di maggiore attenzione.
Also Read:
Nel loro articolo, pubblicato a febbraio in Science Advances, i ricercatori iniziano descrivendo i passaggi del processo di analisi dei dati in cui la fiducia potrebbe indebolirsi: gli analisti scelgono quali dati raccogliere e quali modelli, o rappresentazioni matematiche, riflettono più da vicino il problema di vita reale o la domanda che si cercano di rispondere. Selezionano gli algoritmi per adattare il modello e usano il codice per eseguire questi algoritmi. Ogni di queste fasi comporta sfide uniche per la costruzione della fiducia. Alcuni componenti possono essere controllati per la precisione in modi misurabili. Ad esempio, “Il mio codice ha errori?” è una domanda che può essere testata contro criteri oggettivi. Altre volte, i problemi sono più soggettivi, senza risposte nette; gli analisti sono confrontati con numerose strategie per raccogliere dati e decidere se un modello rifletta il vero mondo.
“Quello che penso sia bello della creazione di questa tassonomia è che mette in luce dove le persone si concentrano. Penso che molta ricerca si concentri naturalmente su questo livello di “i miei algoritmi risolvono un particolare problema matematico?” in parte perché è molto oggettivo, anche se è un problema difficile,” dice Broderick.
Also Read:
Una volta stabiliti i dati, gli analisti devono definire le domande del mondo reale che cercano di rispondere. Nel caso dell’analisi dei benefici dei microfinanziamenti, gli analisti devono definire ciò che considerano un risultato positivo. È standard in economia, ad esempio, misurare il guadagno finanziario medio per attività di comunità presso una azienda di microfinanza. Ma segnalare una media potrebbe suggerire un effetto netto positivo anche se solo poche (o anche una) persone hanno tratto beneficio, invece dell’intera comunità.
“Quello che volevi era che molte persone traggano beneficio,” dice Broderick. “Sembra semplice. Perché non abbiamo misurato la cosa per cui ci interessavamo? Ma penso che sia molto comune che i professionisti utilizzino strumenti standard di apprendimento automatico, per molte ragioni. E questi strumenti pot
Also Read:
In Other News Around the World: