Фото Алекса Найта на Pexels.com

(Вы можете найти оригинальную публикацию здесь:https://ethno-data.com/why-business-anthropologist-should-reconsider-machine-learning/. Не стесняйтесь проверить остальные статьи по адресу: http://ethno-data.com/.)

По своему опыту работы с обеими сторонами я заметил среди антропологов тенденцию смешивать все количественные социальные исследования с предписывающими и нисходящими и, таким образом, упускать важные тонкости в науке о данных и других количественных методах. Методы машинного обучения в этой области представляют собой частичный сдвиг в сторону восходящего, ситуационного и итеративного количественного анализа, и бизнес-антропологи должны изучить то, что делают ученые данных, как шанс перестроить свои отношения с количественным анализом.

Изменения в машинном обучении

Сдвиги в разработке алгоритмов машинного обучения дают толчок для включения количественных методов, которые являются локальными и интерпретирующими. Дебаты между производством знаний сверху вниз и снизу вверх не нуждаются — или, по крайней мере, могут больше не нуждаться — в разделении количественных и качественных методов. Алгоритмы машинного обучения оставляют открытой возможность производства ситуативных знаний, связанных с повествованием, что является явной параллелью с качественными этнографическими методами. [ii]

В то же время этот переход к итеративным и гибким методам машинного обучения не является полным в науке о данных: сохраняются аспекты нисходящих структур с точки зрения персонала, целей, привычек, стратегий и критериев оценки. Но в науке о данных определенно существуют семена восходящего мышления, которые могут значительно изменить науку о данных и, возможно, количественный анализ в целом.

Как дисциплина наука о данных находится в уникальном периоде становления и становления, превращаясь в свои стандартные практики. Это приводит к значительным колебаниям, поскольку сообщество специалистов по данным определяет свою методологию. Набор стандартных практик, которые мы теперь обычно называем традиционной или стандартной статистикой, обычно преподаются на вводных курсах по статистике, развивался в течение нескольких десятилетий в конце девятнадцатого и начале двадцатого века, особенно в Великобритании. [iii] В связи с новейшими компьютерными технологиями наука о данных сейчас находится в аналогичном периоде формирования — развивает свои стандартные методы и способы мышления. Этот период становления является для антропологов стратегическим временем для поощрения восходящих количественных методов.

Заключение

Бизнес-антропологи могут и должны сыграть важную роль в разработке и инновационном использовании этих ситуационных и итеративных методов машинного обучения. Это стратегическое время для бизнес-антропологов, чтобы сделать следующее:

  1. Погрузитесь в науку о данных и поощряйте и развивайте восходящие количественные методы машинного обучения в рамках науки о данных.
  2. Развивать и внедрять (когда применимо) ситуационные и итеративные подходы машинного обучения в свои этнографии.

В обоих случаях антропологи должны использовать сильные стороны этнографического и антропологического мышления, чтобы помочь разработать восходящее машинное обучение, основанное на гибкости к конкретным местным контекстам. Каждый из них требует от бизнес-антропологов пересмотреть свои отношения с наукой о данных и машинным обучением, а не рассматривать их как часть противоборствующего методологического клана. [iv]

[i] Нафус, Д., и Нокс, Х. (2018). Этнография для мира, насыщенного данными. Манчестер: Издательство Манчестерского университета, 11–12.

[ii] Там же, 15–17.

[iii] Маккензи, Д. (1981). Статистика в Британии 1865–1930: Социальное конструирование научных знаний. Эдинбург: Издательство Эдинбургского университета.

[iv] Сивер, Н. (2015). Ублюдочная алгебра. В Т. Бёлльсторф и Б. Маурер, Данные, теперь больше и лучше (стр. 27–46). Чикаго: Prickly Paradigm Press, 39.

Первоначально опубликовано на https://ethno-data.com 22 ноября 2019 г.