文 | Jeff Ullman
源 | 智源社區(qū)

3月31日，2020年圖靈獎(jiǎng)重磅出爐，頒給了哥倫比亞大學(xué)計(jì)算機(jī)科學(xué)名譽(yù)教授 Alfred Vaino Aho 和斯坦福大學(xué)計(jì)算機(jī)科學(xué)名譽(yù)教授 Jeffrey David Ullman。

Jeff Ullman 是數(shù)據(jù)科學(xué)領(lǐng)域的巨擘，他的研究興趣包括數(shù)據(jù)庫(kù)理論、數(shù)據(jù)庫(kù)集成、數(shù)據(jù)挖掘等。在去年撰寫的一篇評(píng)論文章中，他用淺顯的語(yǔ)言重新定義了，統(tǒng)計(jì)學(xué)、數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)之間的交叉點(diǎn)，并破除了其中的誤讀。他認(rèn)為，盡管機(jī)器學(xué)習(xí)非常重要，但它遠(yuǎn)非實(shí)現(xiàn)有效數(shù)據(jù)科學(xué)所需的唯一工具。

Have we missed the boat again?

多年來(lái)，數(shù)據(jù)庫(kù)領(lǐng)域有一種言論認(rèn)為，數(shù)據(jù)庫(kù)系統(tǒng)正在變得無(wú)關(guān)緊要。

大家似乎持一種絕望的心態(tài)。“have we missed the boat-again”這句話，在數(shù)據(jù)庫(kù)社區(qū)里似乎司空見慣[8]。

但我想論證，數(shù)據(jù)庫(kù)以及由數(shù)據(jù)庫(kù)研究而產(chǎn)生的技術(shù)，對(duì)于“數(shù)據(jù)科學(xué)”仍然是必不可少的，特別是在解決科學(xué)、商業(yè)、醫(yī)學(xué)等應(yīng)用領(lǐng)域的重要問(wèn)題上。

數(shù)據(jù)庫(kù)系統(tǒng)的核心，一直是如何盡最大可能處理最大的數(shù)據(jù)量，無(wú)論是以MB為單位的企業(yè)工資單數(shù)據(jù)、TB為單位的基因組信息，還是PB為單位的的衛(wèi)星輸出信息。

因此，數(shù)據(jù)庫(kù)的工作就是：研究一切相關(guān)數(shù)據(jù)。

為了論證這一觀點(diǎn)，我主要回答三個(gè)問(wèn)題:

1. 統(tǒng)計(jì)真的是數(shù)據(jù)科學(xué)的重要組成部分嗎？

2. 機(jī)器學(xué)習(xí)就是數(shù)據(jù)科學(xué)的全部嗎？

3. 數(shù)據(jù)科學(xué)是否會(huì)對(duì)社會(huì)規(guī)范是否構(gòu)成威脅？

我對(duì)這三個(gè)問(wèn)題的回答都是“no”。我將試著依次回答這三個(gè)問(wèn)題。

數(shù)據(jù)科學(xué) vs. 統(tǒng)計(jì)學(xué)：誰(shuí)是誰(shuí)的子集？

幾年前，我受邀參加了國(guó)家研究委員會(huì)（NRC）一個(gè)叫做“數(shù)據(jù)-科學(xué)-教育圓桌會(huì)議”的小組（詳見 [16]）。

這個(gè)圓桌不是由 NRC 的計(jì)算機(jī)科學(xué)部門組織的，而是由統(tǒng)計(jì)部門組織的。參與者中，統(tǒng)計(jì)學(xué)家和計(jì)算機(jī)科學(xué)家的數(shù)量差不多，加上其他學(xué)科的一些人。當(dāng)時(shí)的收獲主要是看統(tǒng)計(jì)學(xué)家如何思考這個(gè)數(shù)據(jù)的世界及其應(yīng)用。最明顯的一點(diǎn)是，統(tǒng)計(jì)學(xué)領(lǐng)域?qū)?shù)據(jù)科學(xué)視為自己的領(lǐng)域。

公平地講，首先讓我們明確一點(diǎn)，我非常尊重統(tǒng)計(jì)學(xué)家和他們所做的工作。統(tǒng)計(jì)學(xué)在現(xiàn)代數(shù)據(jù)研究中變得越來(lái)越重要，包括但不限于機(jī)器學(xué)習(xí)。許多統(tǒng)計(jì)學(xué)家開始像數(shù)據(jù)庫(kù)界或者更其他計(jì)算機(jī)科學(xué)界那樣，關(guān)注計(jì)算和數(shù)據(jù)分析。僅舉一個(gè)小例子，我最喜歡的技術(shù)之一是局部敏感哈希算法（LSH），這是一個(gè)直接來(lái)源于數(shù)據(jù)庫(kù)社區(qū)的想法。

然而，我在斯坦福大學(xué)統(tǒng)計(jì)部門的一位同事 Art Owen 向我展示了關(guān)鍵步驟——最小哈希（minhashing），這一步驟很大程度上加速了這個(gè)過(guò)程——這是我們幾年前就應(yīng)該能夠弄清楚的，但是沒有弄清楚。

然而，我在圓桌會(huì)議上的經(jīng)驗(yàn)也讓我感覺到，統(tǒng)計(jì)界的一些人正在努力將統(tǒng)計(jì)定義為數(shù)據(jù)科學(xué)的核心組成部分。相比之下，我更傾向于把高效處理大規(guī)模數(shù)據(jù)的算法和技術(shù)視為數(shù)據(jù)科學(xué)的中心。人們普遍認(rèn)為，數(shù)據(jù)科學(xué)是一門結(jié)合了多個(gè)領(lǐng)域知識(shí)的學(xué)科，我對(duì)此完全贊同。但這些領(lǐng)域究竟是什么，它們又是如何相互作用的呢？

這個(gè)問(wèn)題如此重要，以至于不同社區(qū)紛紛發(fā)表維恩圖來(lái)證明他們自己在數(shù)據(jù)科學(xué)中的中心地位。最近有一篇文章[10]對(duì)這些圖表進(jìn)行了總結(jié)和評(píng)論。其他維恩圖表示相關(guān)的所有觀點(diǎn)，請(qǐng)查詢維基百科數(shù)據(jù)科學(xué)維恩圖。

康威圖表

由于 Drew Conway的緣故（德魯 · 康威，美國(guó)數(shù)據(jù)科學(xué)家，因其對(duì)數(shù)據(jù)科學(xué)的維恩圖定義以及將數(shù)據(jù)科學(xué)應(yīng)用于研究恐怖主義而聞名），統(tǒng)計(jì)學(xué)家們都習(xí)慣使用特定的圖表。這個(gè)圖表顯示了三個(gè)相互交叉的集合: “黑客技能”、“數(shù)學(xué)和統(tǒng)計(jì)學(xué)”和“實(shí)質(zhì)性專業(yè)知識(shí)”。在圓桌會(huì)議上，這個(gè)圖表被多次展示，來(lái)說(shuō)明統(tǒng)計(jì)學(xué)的重要性，我還看到統(tǒng)計(jì)學(xué)家在其他幾個(gè)場(chǎng)合展示同樣的圖表，以解釋他們的領(lǐng)域?qū)?shù)據(jù)科學(xué)的重要性。我復(fù)制了圖1中的圖表，但是我添加了一些點(diǎn)評(píng)來(lái)解釋圖表中存在誤區(qū)之處。（如下圖）

▲圖1: 數(shù)據(jù)科學(xué)的康威維恩圖

事實(shí)上，幾乎圖表中的每一個(gè)區(qū)域在某種程度上都有誤導(dǎo)性。

1、首先，一個(gè)小問(wèn)題: 所謂的“實(shí)質(zhì)性專門知識(shí)”一般要統(tǒng)稱為”領(lǐng)域知識(shí)”或類似的東西。

2、最嚴(yán)重的問(wèn)題是將計(jì)算機(jī)科學(xué)稱為“黑客技能”。計(jì)算機(jī)科學(xué)給數(shù)據(jù)科學(xué)帶來(lái)的遠(yuǎn)不止是編寫代碼的能力。我們提供算法、模型和框架，來(lái)解決各種各樣的問(wèn)題。所有這些在處理數(shù)據(jù)時(shí)都是必不可少的。

3、“傳統(tǒng)研究”在圖中顯示為數(shù)學(xué)/統(tǒng)計(jì)與應(yīng)用的交叉領(lǐng)域。換句話說(shuō)，在這種形式的研究中，人們只考慮實(shí)際應(yīng)用，而不編寫任何代碼，因此不會(huì)影響現(xiàn)實(shí)世界。我不知道這是哪來(lái)的傳統(tǒng)，但我認(rèn)為，這可不是數(shù)據(jù)庫(kù)社區(qū)的傳統(tǒng)。

4、機(jī)器學(xué)習(xí)在這個(gè)圖表中有一個(gè)奇怪的位置。它被描述為“黑客”加上數(shù)學(xué)/統(tǒng)計(jì)。這意味著機(jī)器學(xué)習(xí)和實(shí)際應(yīng)用沒有任何關(guān)系。實(shí)際上，它與應(yīng)用之間有著千絲萬(wàn)縷的聯(lián)系，這就是為什么今天機(jī)器學(xué)習(xí)的算法如此受重視，不僅在數(shù)據(jù)庫(kù)界，而且在整個(gè)計(jì)算機(jī)科學(xué)界都是如此。

5.然后還有 Conway 所說(shuō)的“危險(xiǎn)區(qū)域”——通過(guò)編寫代碼來(lái)解決應(yīng)用領(lǐng)域中的問(wèn)題，而不需要統(tǒng)計(jì)學(xué)家的明智指導(dǎo)。幾乎所有的數(shù)據(jù)科學(xué)都是這樣的。舉一個(gè)例子，谷歌和其他郵件服務(wù)商在檢測(cè)網(wǎng)絡(luò)釣魚郵件方面做得很好。有多好？我們真的不知道，即使我們今天可以做一個(gè)統(tǒng)計(jì)分析，明天也不會(huì)奏效，因?yàn)檫@種威脅是不斷變化的。真正的危險(xiǎn)是我們本來(lái)可以做得更好，卻放任那些騙子騙走可憐蟲們畢生的積蓄。

我的維恩圖

我也提出了自己的維恩圖(圖2) ，我相信它能更好地描述這些領(lǐng)域之間的關(guān)系。有計(jì)算機(jī)科學(xué)和各個(gè)其他領(lǐng)域的科學(xué)，數(shù)據(jù)科學(xué)就位于這些領(lǐng)域交叉的某些地方。機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)的一個(gè)分支——是當(dāng)前一個(gè)非常重要的子領(lǐng)域。機(jī)器學(xué)習(xí)一部分可以用于數(shù)據(jù)科學(xué)，也有很多其他和計(jì)算相關(guān)的用途。

這當(dāng)中很多應(yīng)用現(xiàn)在被認(rèn)為是“人工智能”，比如無(wú)人駕駛汽車或入侵檢測(cè)。最后，我認(rèn)為數(shù)學(xué)和統(tǒng)計(jì)學(xué)對(duì)于所有的計(jì)算機(jī)科學(xué)都是非常重要的工具，雖然我圖表中所畫的小氣泡并沒有充分展示出它們的重要性。這樣畫是為了強(qiáng)調(diào)它們并不真正直接影響領(lǐng)域科學(xué)，而是通過(guò)在它們的幫助下開發(fā)出的軟件來(lái)產(chǎn)生影響。

▲圖2: 計(jì)算機(jī)科學(xué)、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)之間的關(guān)系（個(gè)人觀點(diǎn)）

最大的區(qū)別: 數(shù)據(jù)庫(kù)和統(tǒng)計(jì)學(xué)價(jià)值體系

我所畫的圖中最有爭(zhēng)議的是，數(shù)學(xué)/統(tǒng)計(jì)學(xué)并不能直接解決領(lǐng)域的應(yīng)用。畢竟，康威圖所說(shuō)的“傳統(tǒng)研究”就是這么做的。但是，盡管應(yīng)用程序和數(shù)學(xué)/統(tǒng)計(jì)學(xué)之間可能存在繞過(guò)計(jì)算以外的交互，但我認(rèn)為這種交互很少會(huì)從應(yīng)用層面產(chǎn)生什么實(shí)際的好處。

為了說(shuō)明這種區(qū)別，我們來(lái)看一下數(shù)據(jù)科學(xué)教育圓桌會(huì)議第四次會(huì)議的報(bào)告[14]。其中討論的一部分集中在美國(guó)統(tǒng)計(jì)協(xié)會(huì)舉辦的“黑客馬拉松”上，名為“Datafest”。從表面上看，這個(gè)活動(dòng)就像我們通常看到的計(jì)算機(jī)科學(xué)專業(yè)學(xué)生參加的黑客馬拉松。競(jìng)賽團(tuán)隊(duì)將得到一個(gè)來(lái)自某個(gè)應(yīng)用領(lǐng)域的大數(shù)據(jù)集，但是在競(jìng)賽評(píng)分方面有很大的不同。評(píng)分的焦點(diǎn)不在于是否解決了什么具體的問(wèn)題，以及解決方案的質(zhì)量如何。

相反，大獎(jiǎng)?lì)C給了“最佳數(shù)據(jù)可視化、最佳外部數(shù)據(jù)使用和最佳洞察力”。換句話說(shuō)，黑客馬拉松上獲獎(jiǎng)是因?yàn)槟阕隽艘恍┙y(tǒng)計(jì)學(xué)家感興趣的事情，而不是解決了別人的實(shí)際問(wèn)題。我希望讀者能從另一個(gè)角度看問(wèn)題，即目標(biāo)是服務(wù)，而不是自?shī)首詷?lè)。面向計(jì)算機(jī)科學(xué)的 Kaggle 競(jìng)賽[13]正是如此。

莫把萬(wàn)物歸為機(jī)器學(xué)習(xí)

現(xiàn)在，讓我們來(lái)看看機(jī)器學(xué)習(xí)的興起是如何影響數(shù)據(jù)的使用的。毫無(wú)疑問(wèn)，機(jī)器學(xué)習(xí)已經(jīng)對(duì)我們利用數(shù)據(jù)解決問(wèn)題的能力產(chǎn)生了巨大的影響。然而，我并不認(rèn)為機(jī)器學(xué)習(xí)可以完全取代數(shù)據(jù)庫(kù)社區(qū)開發(fā)的算法。我希望讀者可以考慮三個(gè)問(wèn)題:

許多涉及“大數(shù)據(jù)”的問(wèn)題其實(shí)并不是真正的機(jī)器學(xué)習(xí)問(wèn)題；

很多機(jī)器學(xué)習(xí)倡導(dǎo)者會(huì)把原本不屬于機(jī)器學(xué)習(xí)的方法歸類到其中；

許多機(jī)器學(xué)習(xí)方法產(chǎn)生的神秘模型不可解釋或不可證明。

機(jī)器學(xué)習(xí)并非數(shù)據(jù)科學(xué)的全部

我認(rèn)為，機(jī)器學(xué)習(xí)的一個(gè)公平的定義是利用數(shù)據(jù)創(chuàng)建某種模型的算法，并從中可以得到問(wèn)題的答案。例如，可以使用機(jī)器學(xué)習(xí)建立垃圾郵件模型，將給定的電子郵件來(lái)喂養(yǎng)模型，從而判斷是或不是垃圾郵件。但并非所有有用的解決方案都可以用模型來(lái)表示。例如，我們?cè)谇懊嫣岬搅司植棵舾泄?shù)據(jù)庫(kù)(LSH) ，它是數(shù)據(jù)庫(kù)社區(qū)處理數(shù)據(jù)的一種重要技術(shù)。LSH 是一種用于在數(shù)據(jù)集中查找類似項(xiàng)的技術(shù)，使用它就不必查看所有數(shù)據(jù)對(duì)了。在實(shí)際應(yīng)用中，LSH 是一個(gè)非常強(qiáng)大的工具，但是它不屬于機(jī)器學(xué)習(xí)模型。

機(jī)器學(xué)習(xí)倡導(dǎo)者有時(shí)把原本不屬于機(jī)器學(xué)習(xí)的方法歸入其中

比如說(shuō)，聚類，它被定義為機(jī)器學(xué)習(xí)的一個(gè)分支，盡管早在機(jī)器學(xué)習(xí)出現(xiàn)之前，聚類就已經(jīng)被研究過(guò)了。梯度下降法是另一個(gè)早于機(jī)器學(xué)習(xí)的例子，然而不知何故被普遍認(rèn)為是一個(gè)機(jī)器學(xué)習(xí)的分支。另一個(gè)重要的例子是關(guān)聯(lián)規(guī)則（一種常用的無(wú)監(jiān)督學(xué)習(xí)算法）。關(guān)聯(lián)規(guī)則于1993-1994年由拉凱什 · 阿格拉瓦爾和朋友首創(chuàng)，比幾乎所有的機(jī)器學(xué)習(xí)概念都要早。我甚至記得曾經(jīng)和一位機(jī)器學(xué)習(xí)的倡導(dǎo)者談起，他提出 LSH“一定是機(jī)器學(xué)習(xí)，因?yàn)樗娴氖且粋€(gè)很好的方法。”但事實(shí)上，LSH 就是一個(gè)與機(jī)器學(xué)習(xí)毫無(wú)關(guān)系的大數(shù)據(jù)算法。

解釋能力

通常，機(jī)器學(xué)習(xí)算法會(huì)得出正確的結(jié)論，而這些結(jié)論只有通過(guò)所展示的模型才能夠解釋。而這種模型往往是如此復(fù)雜，以至于對(duì)于普通用戶來(lái)說(shuō)毫無(wú)意義。更重要的是，這個(gè)模型，即便能夠給出正確的診斷，但可能它的推理隱藏在處理一張百萬(wàn)像素的圖像中。另一方面，有時(shí)候，我們有權(quán)要求解釋。例如，如果你的保險(xiǎn)公司提高了你的保險(xiǎn)費(fèi)率，原因是一些預(yù)測(cè)汽車事故的模型顯示你的事故發(fā)生率提高了，至少你得知道為什么會(huì)這樣。

但是，非機(jī)器學(xué)習(xí)方法通常比機(jī)器學(xué)習(xí)模型更可解釋。為了看出區(qū)別，以通過(guò)關(guān)聯(lián)規(guī)則識(shí)別垃圾郵件為例。產(chǎn)生一組“規(guī)則”，在這種情況下可以是一組單詞，它們?cè)陔娮余]件中的出現(xiàn)表明它是垃圾郵件。

您可能認(rèn)為這些規(guī)則就是垃圾郵件的模型，這也就是為什么機(jī)器學(xué)習(xí)倡導(dǎo)者認(rèn)為關(guān)聯(lián)規(guī)則屬于機(jī)器學(xué)習(xí)。但實(shí)際上，用于尋找關(guān)聯(lián)規(guī)則的算法并沒有從數(shù)據(jù)中“學(xué)習(xí)”到一個(gè)模型。

他們只是簡(jiǎn)單地計(jì)算包含某些單詞的垃圾郵件的數(shù)量，如果這個(gè)數(shù)量足夠高，他們就宣布一條規(guī)則，即包含這些單詞的郵件是垃圾郵件。假如一個(gè)規(guī)則說(shuō)，包含{ Nigerian，prince }單詞的電子郵件是垃圾郵件。

相比之下，即使是最簡(jiǎn)單的機(jī)器學(xué)習(xí)技術(shù)，比如學(xué)習(xí)每個(gè)可能的單詞的(正負(fù))權(quán)重，以及在權(quán)重總和超過(guò)閾值時(shí)聲明是垃圾郵件，也比基于關(guān)聯(lián)規(guī)則的解決方案更準(zhǔn)確。

但問(wèn)題是關(guān)聯(lián)規(guī)則方法是可解釋的，而機(jī)器學(xué)習(xí)模型則不能。如果我真的是一個(gè)尼日利亞王子，我所有的電子郵件都被關(guān)聯(lián)規(guī)則方法判定為垃圾郵件，那么至少我可以理解其中的原因。而另一方面，如果你問(wèn) gmail 為什么它判斷某些東西是垃圾郵件，它通常的回答類似于“它看起來(lái)像其他垃圾郵件。”也就是說(shuō)，gmail在使用的模型告訴你它是垃圾郵件，其余的無(wú)可奉告。

我們不要責(zé)怪?jǐn)?shù)據(jù)

我們經(jīng)常會(huì)把社會(huì)的弊病歸咎于數(shù)據(jù)。錯(cuò)誤主要來(lái)源于:

人們有意或無(wú)意地錯(cuò)誤使用數(shù)據(jù)。

數(shù)據(jù)忠實(shí)地反映了現(xiàn)實(shí)問(wèn)題。

數(shù)據(jù)濫用

在數(shù)據(jù)-科學(xué)-教育圓桌會(huì)議上，在第五次會(huì)議上有一個(gè)關(guān)于數(shù)據(jù)倫理的討論[15]。舉例說(shuō)明，一個(gè)城市希望在犯罪高發(fā)的地區(qū)部署警力。警察們手握逮捕發(fā)生地的數(shù)據(jù)，結(jié)果是他們?cè)谀切┑貐^(qū)確實(shí)逮捕了更多的人。但是，逮捕行動(dòng)并不僅僅反映犯罪的發(fā)生，也反映了警察到場(chǎng)進(jìn)行逮捕行動(dòng)本身。數(shù)據(jù)造成了誤區(qū)。就是說(shuō)，歷史原因，警察優(yōu)先被派往某些地區(qū)，數(shù)據(jù)真實(shí)地反映出，在那些地區(qū)有更多的人被捕。也許本質(zhì)上只是因?yàn)?#xff0c;在警力不足的地方，逮捕率較低。

數(shù)據(jù)可能使偏見永久化的另一個(gè)常見例子，一家公司在決定晉升時(shí)總是歧視婦女。他們希望利用機(jī)器學(xué)習(xí)建立一個(gè)AI系統(tǒng)，來(lái)處理簡(jiǎn)歷，并識(shí)別那些與他們成功晉升員工相似的特征。

但數(shù)據(jù)顯示，女性候選人往往不會(huì)成功，機(jī)器學(xué)習(xí)算法便從數(shù)據(jù)中學(xué)習(xí)，從而拒絕女性的申請(qǐng)。這些數(shù)據(jù)再次延續(xù)了現(xiàn)有的偏見。但是這些數(shù)據(jù)并沒有產(chǎn)生偏見，而是人產(chǎn)生了偏見。

數(shù)據(jù)反映了一個(gè)我們不喜歡的世界

有一種對(duì)數(shù)據(jù)使用的指責(zé)是，由數(shù)據(jù)產(chǎn)生的系統(tǒng)反映了說(shuō)話者所反對(duì)的社會(huì)的某些東西。這種誤讀的一個(gè)明顯例子涉及 Word2Vec [13] ，這是谷歌幾年前開發(fā)的一個(gè)系統(tǒng)(后來(lái)被BERT所取代) ，該系統(tǒng)將單詞嵌入到高維向量空間中，從而使具有相似意義的單詞具有相近的向量。直觀的想法是看看通常圍繞在單詞 w 周圍的單詞。那么 w 的向量就是與其周圍關(guān)聯(lián)單詞的方向的加權(quán)組合。例如，我們預(yù)期「可口可樂(lè)」和「百事可樂(lè)」有相似的向量，因?yàn)槿藗冋務(wù)撍鼈兊姆绞酱笾孪嗤?/p>

當(dāng)觀察到某些向量方程的規(guī)律時(shí)，問(wèn)題就出現(xiàn)了，例如作為向量,

London ? England + France = Paris

也就是說(shuō)，倫敦和巴黎，作為各自國(guó)家的首都和最大的城市，周圍有許多反映這種地位的詞匯。我們預(yù)期倫敦周圍會(huì)有更多與英格蘭有關(guān)的詞匯，所以把它們拿走，代之以與法國(guó)有關(guān)的詞匯。

這個(gè)觀察結(jié)果無(wú)關(guān)緊要，但是其他方程式引起了一些嚴(yán)重的爭(zhēng)議，例如，

doctor ? man + woman = nurse

這個(gè)方程式，它是在要求“給我找一個(gè)像醫(yī)生一樣的職業(yè)詞匯，但要更傾向于女性。”。大約50% 的醫(yī)生是女性，但接近90% 的護(hù)士是女性。我們希望醫(yī)生和護(hù)士這兩個(gè)詞是相似的，但是后者更多地出現(xiàn)在「她」這樣的詞附近。所以這個(gè)等式是有一定道理的。

這些負(fù)面例子真正反映的是，在這個(gè)社會(huì)中，女性更有可能和護(hù)理崗位聯(lián)系到一起。我同意，很可能在不遠(yuǎn)的將來(lái)，情況會(huì)變化。但我的觀點(diǎn)是: 不要責(zé)怪?jǐn)?shù)據(jù)。像 Word2Vec 或者 BERT 這樣的系統(tǒng)，當(dāng)在一個(gè)像維基百科這樣的大型語(yǔ)料庫(kù)上訓(xùn)練時(shí)，將會(huì)反映出廣大公眾使用的語(yǔ)言，而這種數(shù)據(jù)的使用又會(huì)反映出人們普遍認(rèn)為是真實(shí)的東西，不管我們是否喜歡這個(gè)真實(shí)。

The Last Word

我希望讀者可以吸收到以下想法:

• 數(shù)據(jù)及其管理仍然是數(shù)據(jù)科學(xué)的本質(zhì)。

• 盡管機(jī)器學(xué)習(xí)非常重要，但它遠(yuǎn)非實(shí)現(xiàn)有效數(shù)據(jù)科學(xué)所需的唯一工具或想法。

• 盡管數(shù)據(jù)有誤用的情況，但如果數(shù)據(jù)反映的是世界的本來(lái)面目，而不是我們希望的那樣，我們就不應(yīng)該責(zé)怪?jǐn)?shù)據(jù)本身。

尋求報(bào)道、約稿、文案投放：
添加微信xixiaoyao-1，備注“商務(wù)合作”

后臺(tái)回復(fù)關(guān)鍵詞【入群】

加入賣萌屋NLP/IR/Rec與求職討論群

后臺(tái)回復(fù)關(guān)鍵詞【頂會(huì)】

獲取ACL、CIKM等各大頂會(huì)論文集！

?

[1] R. Agrawal, T. Imielinski, and A. Swami, “Mining associations between sets of items in massive databases,” Proc. ACM SIGMOD Intl. Conf. on Management of Data, pp. 207–216, 1993.

[2] R. Agrawal and R. Srikant, “Fast algorithms for mining association rules,” Intl. Conf. on Very Large Databases, pp. 487–499, 1994.

[3] T. Bolukbasi, K.-W. Chang, J. Zou, V. Saligrama, and A. Kalai, “Man is to computer programmer as woman is to homemaker? Debiasing word embeddings,” 30th Conference on Neural Information Processing Systems, Barcelona, 2016.

[4] A.Z. Broder, M. Charikar, A.M. Frieze, and M. Mitzenmacher, “Min-wise independent permutations,” ACM Symposium on Theory of Computing, pp. 327–336, 1998.

[5] T. Buonocore, “Man is to doctor as woman is to nurse: the gender bias of word embeddings,” https://towardsdatascience.com/gender-bias-word-embeddings-76d9806a0e17

[6] J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of deep bidirectional transformers for language understanding,” arXiv:1810.04805, 2018.

[7] A. Gionis, P. Indyk, and R. Motwani, “Similarity search in high dimensions via hashing,” Proc. Intl. Conf. on Very Large Databases, pp. 518–529, 1999.

[8] B. Howe, M.J. Franklin, L.M. Haas, T. Kraska, and J.D. Ullman: “Data science education: we’re missing the boat, again,” ICDE, pp. 1473–1474, 2017.

[9] https://www.kaggle.com/

[10] https://www.kdnuggets.com/2016/10/battle-data-science-venn-diagrams.html

[11] J. Leskovec, A. Rajaraman, and J.D.Ullman, Mining of Massive Datasets 3rd edition, Cambridge Univ. Press, 2020. Available for download at http://www.mmds.org

[12] P. Li, A.B. Owen, and C.H. Zhang. “One permutation hashing,” Conf. on Neural Information Processing Systems 2012, pp. 3122–3130.

[13] T. Mikolov, K. Chen, G. Corrado, and J. Dean, “Efficient estimation of word representations in vector space,” ArXiv:1301.3781, 2013.

[14] https://www.nationalacademies.org/event/10-20-2017/docs/DCE05D1E271C31C585455B25E43AE9E5462ED3312DB2

[15] https://www.nationalacademies.org/event/12-08-2017/docs/D8EE65EFC7F4B0C368D267EDAD10E5AB1BAFBE3369D2

[16] https://www.nationalacademies.org/our-work/roundtable-on-data-science-postsecondary-education

[17] https://en.wikipedia.org/wiki/Right to explanation

總結(jié)

以上是生活随笔為你收集整理的图灵奖得主Jeff Ullman：机器学习不是数据科学的全部！统计学也不是！的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。