2.3.8 algorithm သည်ရှက်ကြောက်

ကြီးမားတဲ့ data တွေကိုစနစ်များအတွက်အပြုအမူကသဘာဝမျှမက, ထိုသို့စနစ်များ၏အင်ဂျင်နီယာရည်မှန်းချက်များအားဖြင့်မောင်းနှင်သည်။

များစွာသောကြီးမားသောဒေတာသတင်းရင်းမြစ်ကလူကသူတို့ဒေတာ (အပိုင်း 2.3.3) မှတ်တမ်းတင်ထားသောလျက်ရှိသည်သတိထားမဟုတ်သောကွောငျ့, သုတေသီများခံရဖို့ကဤအွန်လိုင်းစနစ်များအတွက်အပြုအမူကိုစဉ်းစားမနေသင့် nonreactive ဖြစ်သော်လည်း "သဘာဝကျကျဖြစ်ပေါ်။ " တကယ်တော့, ထိုစံချိန်အပြုအမူဒစ်ဂျစ်တယ်စနစ်တွေရှိပါတယ် အလွန်အမင်းထိုကဲ့သို့သောကြော်ငြာတွေသို့မဟုတ်ပို့စ်အကြောင်းအရာပေါ်ကလစ်နှိပ်ခြင်းအဖြစ်သတ်သတ်မှတ်မှတ်အပြုအမူတွေကိုသွေးဆောင်အင်ဂျင်နီယာ။ စနစ်ကဒီဇိုင်နာများ၏ရည်မှန်းချက်များဒေတာသို့ပုံစံများမိတ်ဆက်ပေးနိုငျသောနညျးလမျးမြား algorithmic သဖွငျ့ 'ဟုဆိုအပ်၏။ algorithm သဖွငျ့လူမှုရေးသိပ္ပံပညာရှင်များမှအတော်လေးမသိပေမယ့်သတိထားဒေတာသိပ္ပံပညာရှင်များအကြားအဓိကစိုးရိမ်ပူပန်မှုဖြစ်ပါတယ်။ နှင့်အညီ, ဒစ်ဂျစ်တယ်ခြေရာတွေနှင့်အတူအခြားပြဿနာများအချို့နှင့်မတူဘဲ algorithmic သဖွငျ့အကြီးအကျယ်မမြင်ရတဲ့ဖြစ်ပါတယ်။

algorithmic သဖွငျ့တစ်ဦးကအတော်လေးရိုးရှင်းတဲ့ဥပမာ Johan Ugander နှင့်လုပ်ဖော်ကိုင်ဘက်များကရှာဖွေတွေ့ရှိခဲ့ပါတယ်အဖြစ် Facebook တွင်ခန့်မှန်းခြေအားဖြင့် 20 သူငယ်ချင်းတွေနဲ့အတူအသုံးပြုသူတစ်ဦးပုံမှန်မဟုတ်မြင့်မားသောအရေအတွက်ရှိပါတယ်ဆိုတဲ့အချက်ကိုဖြစ်ပါတယ် (2011) ။ Facebook ကိုဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာကိုမဆိုနားလည်မှုမရှိဘဲဤဒေတာကိုခွဲခြားစိတ်ဖြာသိပ္ပံပညာရှင်များတမန်တော်အမှန် 20 မှော်လူမှုရေးအရေအတွက်ကိုအချို့ကိုမျိုးဘယ်လိုအများအပြားပုံပြင်များ generate နိုင်ဘူး။ ကံကောင်းထောက်မစွာ, Ugander နှင့်သူ၏လုပ်ဖော်ကိုင်ဘက်ဒေတာထုတ်ပေးသောလုပ်ငန်းစဉ်၏ကြီးမားသောနားလည်မှုရှိခဲ့တယ်, သူတို့က Facebook ကိုသူတို့ 20 မိတ်ဆွေများကိုရောက်ရှိသည်အထိသူငယ်ချင်းများပိုမိုလုပ် Facebook ပေါ်မှာအနည်းငယ်ဆက်သွယ်မှုနှင့်အတူလူအားပေးခဲ့တယ်သိတယ်။ Ugander နှင့်လုပ်ဖော်ကိုင်ဘက်များကသူတို့ရဲ့စက္ကူ၌ဤမဆိုပေမယ့်, ဒီမူဝါဒကယူဆရပိုပြီးတက်ကြွဖြစ်လာအသစ်အသုံးပြုသူများကိုအားပေးနိုင်ရန်အတွက် Facebook ကအသုံးပြုနေသူများကဖန်တီးခဲ့ပါတယ်။ ဤမူဝါဒ၏တည်ရှိမှုနှင့် ပတ်သက်. သိရှိခြင်းမရှိဘဲ, သို့သော်, ကဒေတာကနေမှားနိဂုံးချုပ်ဆွဲရန်လွယ်ကူသည်။ တနည်းအားဖြင့် 20 ခန့်သူငယ်ချင်းတွေနဲ့အတူလူများ၏အံ့သြစရာကောင်းလောက်အောင်မြင့်မားတဲ့အရေအတွက်ကလူ့အပြုအမူနှင့် ပတ်သက်. ထက် Facebook ကိုအကြောင်းပိုမိုကျွန်တော်တို့ကိုပြောပြတယ်။

ဒီယခင်ဥပမာထဲမှာ, algorithmic သဖွငျ့တစ်သတိထားသုတေသီ detect နှင့်ထပ်မံစုံစမ်းစစ်ဆေးရန်အံ့သောငှါတစ်ဇာတ်ဆောင်ရလဒ်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ သို့သျောလညျး, အွန်လိုင်းစနစ်များဒီဇိုင်နာများလူမှုရေးသီအိုရီသတိပြုမိကြသည်, ပြီးတော့သူတို့ရဲ့စနစ်တွေပြုပြင်သို့, ဤသီအိုရီများဖုတ်တဲ့အခါမှာဖြစ်ပေါ်ကြောင်း algorithmic သဖွငျ့တစ်ခုပင် trickier ဗားရှင်းလည်းမရှိ။ လူမှုသိပ္ပံပညာရှင်တွေဟာဒီ performance ကိုပဌနာ: တစ်သီအိုရီကသီအိုရီနှင့်အညီသို့ပိုပြီးကမ္ဘာကြီးကိုဆောင်ခဲ့မည်အကြောင်းထိုကဲ့သို့သောလမ်းအတွက်ကမ္ဘာကြီးကိုပြောင်းလဲလာသောအခါ။ Performance algorithmic သဖွငျ့အမှု၌, အချက်အလက်များ၏စိတ်ပျက်ခြင်းသဘောသဘာဝ detect လုပ်ဖို့အလွန်ခက်ခဲသည်။

Performance အသုံးပြုနေသူများကဖန်တီးနေတဲ့ပုံစံတစ်ခုမှာဥပမာအားအွန်လိုင်းလူမှုကွန်ရက်များအတွက်အကူးအပြောင်းသည်။ 1970 နှင့် 1980 ခုနှစ်, သုတေသီများထပ်တလဲလဲသင်အဲလစ်နဲ့ Bob နှစ်ဦးစလုံးနှင့်အတူအဆွေဖြစ်ကြ၏လျှင်သူတို့နှစ်ဦးကိုကျပန်းရွေးချယ်သောလူများဖြစ်လျှင်ထက်, ထို့နောက်အဲလစ်နဲ့ Bob တစ်ဦးချင်းစီကတခြားတွေနဲ့မိတ်ဆွေတွေကိုဖြစ်ဖို့ပိုများပါတယ်ကြောင်းတွေ့ရှိခဲ့ပါတယ်။ ဤသည်အလွန်တူညီပုံစံကို Facebook ပေါ်တွင်လူမှုရေးဂရပ်၌တွေ့ (Ugander et al. 2011) ။ ထို့ကြောင့်တဦးတည်း Facebook ပေါ်တွင်ခင်မင်ရင်းနှီး၏ပုံစံများကိုအနည်းဆုံးအကူးအပြောင်း၏စည်းကမ်းချက်များ၌, အော့ဖ်လိုင်းမိတ်၏ပုံစံများပုံတူပွားကြောင်းကောက်ချက်ချပေလိမ့်မည်။ သို့သော် Facebook ကလူမှုရေးဂရပ်ထဲမှာအကူးအပြောင်း၏ပြင်းအားတစ်စိတ်တစ်ပိုင်း algorithmic သဖွငျ့မောင်းနှင်နေသည်။ ဒါကဖြစ်ပါသည်, Facebook ကမှာ data ကိုသိပ္ပံပညာရှင်များအကူးအပြောင်းနဲ့ပတ်သက်တဲ့ပင်ကိုယ်မူလနှင့်သီအိုရီသုတေသနသိတယ်, ပြီးတော့ Facebook ကိုဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာကိုသို့ဖုတ်။ Facebook ကိုတစ်ဦး "သင်သိနိုင်ပါစေပြည်သူ့" မိတ်ဆွေသူငယ်ချင်းအသစ်အကြံပြု, နှင့် Facebook ကိုသင်အကြံပြုသူဆုံးဖြတ်ကြောင်းတလမ်းတည်းဖြင့်အကူးအပြောင်းကြောင်းအင်္ဂါရပ်ရှိပါတယ်။ သည် Facebook ကသင့်ရဲ့မိတ်ဆွေတွေကို၏သူငယ်ချင်းများနှင့်မိတ်ဆွေများကဖြစ်လာကြောင်းအကြံပြုဖို့ပိုဖွယ်ရှိသည်။ ဒီ feature အရှင် Facebook ကလူမှုရေးဂရပ်ထဲမှာအကူးအပြောင်းတိုးပွားလာ၏အကျိုးသက်ရောက်မှုရှိပါတယ်; တစ်နည်းအတွက်အကူးအပြောင်း၏သီအိုရီသီအိုရီ၏ခန့်မှန်းချက်နှင့်အတူလိုင်းသို့ကမ္ဘာကြီးကိုဆောင်တတ်၏ (Zignani et al. 2014; Healy 2015) ။ ကြီးမားတဲ့ data တွေကိုသတင်းရင်းမြစ်လူမှုရေးသီအိုရီ၏ခန့်မှန်းချက်မျိုးပွားဖို့ပေါ်လာသည့်အခါထို့ကြောင့်ကျနော်တို့သီအိုရီကိုယ်တိုင်ကစနစ်အလုပ်လုပ်ခဲ့ဘယ်လောက်သို့ဖုတ်မခံခဲ့ရသေချာဖြစ်ရမည်။

ယင်းအစားသဘာဝ setting ကိုရှိလူများစောင့်ကြည့်အဖြစ်ကြီးမားသောဒေတာအရင်းအမြစ်စဉ်းစားခြင်းထက်, တစ်ဦးထက်ပိုသော apt ဥပစာတစ်ဦးလောင်းကစားရုံရှိလူများစောင့်ကြည့်နေပါတယ်။ ကာစီနိုလောင်းကစားရုံအချို့အပြုအမူတွေကိုသွေးဆောင်ဖို့ဒီဇိုင်းအလွန်အမင်းအင်ဂျင်နီယာပတ်ဝန်းကျင်မှာဖြစ်ကြသည်ကို၎င်း, တစ်ဦးသုတေသီလူ့အပြုအမူသို့တစ်ဦးသတ်မရှိလုပ်ပိုင်ပြတင်းပေါက်များကိုတစ်ဦးလောင်းကစားရုံများတွင်အပြုအမူကိုမျှော်လင့်ဘယ်တော့မှလိမ့်မယ်။ ဟုတ်ပါတယ်, သငျသညျကာစီနိုလောင်းကစားရုံရှိလူများလေ့လာနေခြင်းဖြင့်လူ့အပြုအမူနှင့် ပတ်သက်. တစ်ခုခုသင်ယူနိုင်ပေမယ့်သင် data တွေကိုတစ်ဦးလောင်းကစားရုံများတွင် created ခံခဲ့သည်ဟူသောအချက်ကိုလျစ်လျူရှုလျှင်, အချို့ကိုသင်မကောင်းတဲ့ကောက်ချက်ဆွဲလိမ့်မယ်။

အွန်လိုင်းစနစ်များအများအပြား features တွေ, စီးပွားဖြစ်များမှာညံ့ဖျင်းမှတ်တမ်းတင်နှင့်အဆက်မပြတ်ပြောင်းလဲနေတဲ့ဘာဖြစ်လို့လဲဆိုတော့ကံမကောင်းစွာပဲ algorithmic သဖွငျ့နှင့်ဆက်ဆံရာတွင်အထူးသဖြင့်ခက်ခဲသည်။ ငါနောက်ပိုင်းတွင်ဤအခနျးတှငျရှင်းပြပါလိမ့်မယ်အဖြစ် Google ရဲ့ရှာဖွေရေး algorithm ကို၏အတွင်းပိုင်းအလုပ်လုပ်ကြသည်ဖြစ်သောကြောင့်ဥပမာ, algorithmic သဖွငျ့ Google Flu Trends (အပိုင်း 2.4.2) ၏တဖြည်းဖြည်းပြိုကွဲဘို့တဖြစ်နိုင်သောရှင်းပြချက်ခဲ့ပေမယ့်ဤပြောဆိုချက်ကိုအကဲဖြတ်ရန်ခက်ခဲခဲ့ပါတယ် စီးပွားဖြစ်။ algorithmic သဖွငျ့၏ dynamic သဘာဝစနစ်ကပျံ့၏တဦးတည်းပုံစံဖြစ်ပါတယ်။ algorithm သဖွငျ့ငါတို့သည်နောက်ဘယ်လောက်ပဲကြီးကြီးတစ်တစ်ခုတည်းဒစ်ဂျစ်တယ်စနစ်ကမှလာသည်ဟုလူ့အပြုအမူနှင့် ပတ်သက်. မည်သည့်ပြောဆိုချက်ကိုအကြောင်းကိုသတိထားသင့်ကြောင်းဆိုလိုသည်။