Machine Learners: Archaeology of a Data Practice

اگر یادگیری ماشین ماهیت دانش را تغییر می‌دهد، آیا عمل تفکر انتقادی را نیز متحول می‌کند؟

یادگیری ماشین - برنامه‌ریزی رایانه‌ها برای یادگیری از داده‌ها - در سراسر علم گسترش یافته است. رشته ها، رسانه ها، سرگرمی ها و دولت. تحقیقات پزشکی، وسایل نقلیه خودمختار، پردازش تراکنش های اعتباری، بازی های رایانه ای، سیستم های توصیه، امور مالی، نظارت و روباتیک از یادگیری ماشینی استفاده می کنند. دستگاه های یادگیری ماشینی (گاهی به عنوان مدل های علمی و گاهی به عنوان الگوریتم های عملیاتی شناخته می شوند) حوزه علم داده را لنگر می اندازند. آنها همچنین به مکانیزم‌های دنیوی تبدیل شده‌اند که عمیقاً در انواع سیستم‌ها و ابزارها تعبیه شده‌اند. در زمینه‌هایی از روزمره تا باطنی، گفته می‌شود که یادگیری ماشین ماهیت دانش را تغییر می‌دهد. در این کتاب، آدریان مکنزی بررسی می‌کند که آیا یادگیری ماشینی، تمرین تفکر انتقادی را نیز متحول می‌کند یا خیر.

مکنزی بر یادگیرندگان ماشینی – اعم از انسان‌ها و ماشین‌ها یا روابط انسان و ماشین – که در میان تنظیمات، داده‌ها و دستگاه‌ها قرار دارند، تمرکز می‌کند. دامنه تنظیمات از fMRI تا فیس بوک. داده ها از تصاویر گربه گرفته تا توالی های DNA. این دستگاه‌ها شامل شبکه‌های عصبی، ماشین‌های بردار پشتیبان و درخت‌های تصمیم هستند. او الگوریتم‌های یادگیری خاص - نوشتن کد و نوشتن در مورد کد - را بررسی می‌کند و باستان‌شناسی عملیاتی را توسعه می‌دهد که به پیروی از فوکو، یادگیری ماشین را شکلی از تولید دانش و استراتژی قدرت می‌داند. مکنزی با کاوش در لایه‌های انتزاع، زیرساخت‌های داده، شیوه‌های کدگذاری، نمودارها، فرمالیسم‌های ریاضی و سازمان اجتماعی یادگیری ماشین، معماری عمدتاً نامرئی یکی از مناطق مرکزی فرهنگ‌های تکنولوژیک معاصر را ردیابی می‌کند.

حساب مکنزی. یادگیری ماشین مکان‌هایی را پیدا می‌کند که حس عاملیت می‌تواند در آنها ریشه بگیرد. باستان‌شناسی او از شکل‌گیری عملیاتی یادگیری ماشین، ردپای یکپارچگی استراتژیک را کشف نمی‌کند، بلکه شاخه‌های محلی نیرویی را آشکار می‌کند که به تعمیم و کثرت میدان تغذیه می‌شوند.

If machine learning transforms the nature of knowledge, does it also transform the practice of critical thought?

Machine learning―programming computers to learn from data―has spread across scientific disciplines, media, entertainment, and government. Medical research, autonomous vehicles, credit transaction processing, computer gaming, recommendation systems, finance, surveillance, and robotics use machine learning. Machine learning devices (sometimes understood as scientific models, sometimes as operational algorithms) anchor the field of data science. They have also become mundane mechanisms deeply embedded in a variety of systems and gadgets. In contexts from the everyday to the esoteric, machine learning is said to transform the nature of knowledge. In this book, Adrian Mackenzie investigates whether machine learning also transforms the practice of critical thinking.

Mackenzie focuses on machine learners―either humans and machines or human-machine relations―situated among settings, data, and devices. The settings range from fMRI to Facebook; the data anything from cat images to DNA sequences; the devices include neural networks, support vector machines, and decision trees. He examines specific learning algorithms―writing code and writing about code―and develops an archaeology of operations that, following Foucault, views machine learning as a form of knowledge production and a strategy of power. Exploring layers of abstraction, data infrastructures, coding practices, diagrams, mathematical formalisms, and the social organization of machine learning, Mackenzie traces the mostly invisible architecture of one of the central zones of contemporary technological cultures.

Mackenzie's account of machine learning locates places in which a sense of agency can take root. His archaeology of the operational formation of machine learning does not unearth the footprint of a strategic monolith but reveals the local tributaries of force that feed into the generalization and plurality of the field.