سی اس اس برای شما

به گزارش کارگروه فناوری اطلاعات سی اس اس؛ انویدیا رسما اعلام کرده که نسخه ۳۹۰ درایور کارت گرافیک این شرکت آخرین درایوری خواهد بود که از نسخه های ۳۲ بیتی سیستم عامل های ویندوز، لینوکس و فری بی اس دی پشتیبانی می کند.

البته این امر چندان تعجب آور نیست و بسیاری از شرکت های سخت افزاری دردو سال اخیر از پایان پشتیبانی از سیستم عامل های ۳۲ بیتی خبر داده اند و حتی برخی تولیدکنندگان انواع نرم افزار و مرورگر هم دیگر برنامه های ۳۲ بیتی عرضه نمی کنند.

یکی از علل این تحول ایمنی کمتر سیستم عامل های ۳۲ بیتی است که با عرضه باج افزارهایی مانند واناکرای تشدید شده است. این در حالی است که سیستم عامل های ۶۴ بیتی پایدارتر و ایمن تر هستند و سواستفاده از آنها دشوارتر است.

ادامه مطلب

 وقتی گوشی ما خاموش می‌شود، ارتباط ما با دنیای بیرون بسیار محدود می‌شود و نمی‌توانیم آزادانه و هر وقت که نیاز است از کسب و کار و دوستانمان باخبر شویم. خود من هر وقت با پیغام Battery Low مواجه می‌شوم، به این نتیجه می‌رسم که داشتن یک گوشی با باتری قدرتمند، می‌تواند مفیدتر از یک گوشی با پردازنده قوی باشد. با در نظر گرفتن  اهمیت عمر باتری، به سراغ پنج گوشی با عمر باتری عالی در رده‌های قیمتی مختلف رفته‌ایم. با شبکه همراه باشید تا بهتر انتخاب کنید.

۱- Xiaomi Mi Max 2

خواننده گرامی: برای ادامه مطالعه این مقاله نیاز به عضویت در سایت دارید. اگر عضو سایت هستید اطلاعات کاربری خود را وارد کنید؛ در غیر این‌صورت ثبت نام نمایید، تا به تمامی مقالات دسترسی داشته باشید.

ادامه مطلب

به گزارش کارگروه فناوری اطلاعات سی اس اس؛ راه حل مورد نظر ترکیبی از مایکروسافت ۳۶۵ و «پلتفرم ارتباطات جهانی» فوجیتسو است که از سرویس های دیگری مانند «هوش مصنوعی انسان محور» کمپانی ژاپنی و پلتفرم Azure نیز بهره می برد.

این دو غول تکنولوژی به منظور ارتقای کیفیت دستاوردهای مشترک، چندین طرح آزمایشی را در کشورهای مختلف برگزار خواهند کرد.

در بیانیه رسمی فوجیتسو به مواردی که قرار است روی آن تمرکز شود اشاره شده است:

۱٫ تمرکز روی کار خلاقانه و تولید ارزش افزوده

۲٫ اجرای خودکار و روان وظایف با بهره گیری اهرم هوش مصنوعی

۳٫ کاوش در ایده ها، شبکه ها و افراد و یافتن گزینه های مناسب

۴٫ تجزیه و تحلیل محرک های بازدهی و انگیزشی با سنجش افراد، تیم ها و شرکت ها

«جادسن اولداف»، معاون اجرایی کسب و کار اقتصادی جهانی مایکروسافت در رابطه با اجرای طرح های مشترک با فوجیتسو می گوید:

    یکپارچه سازی محصولات ما و راهکارهای منحصر به فرد فوجیتسو، روش های جدیدی را برای بهره بردن از مزایا و قابلیت های هوش مصنوعی در راستای بهبود همکاری و خلاقیت در اختیار افراد قرار می دهد.

این دو کمپانی در کنار ارائه سرویس های مشاوره ای، دوره هایی آموزشی را نیز در مراکز مخالفی از قبیل دفتر مایکروسافت در توکیو برگزار خواهند کرد.

این راه حل های مبتنی بر هوش مصنوعی پیش از انتشار به صورت جهانی در سه ماهه دوم سال ۲۰۱۸ در ژاپن معرفی خواهند شد و بر اساس برآوردهای صورت گرفته در چند سال آینده حدود ۲ میلیارد دلار را برای این دو شرکت به ارمغان می آورند.

مایکروسافت در سال های اخیر هوش مصنوعی را یکی از اولویت های خود قرار داده و هفته گذشته در رویداد «هر روز هوش مصنوعی» ویژگی های جدیدی از کورتانا، بینگ و مجموعه آفیس را به نمایش گذاشت که همگی به لطف پیشرفت های حاصل در فضای هوش مصنوعی امکان پذیر شده اند.

ادامه مطلب

به گزارش کارگروه فناوری اطلاعات سی اس اس؛ ارتقای فهم و درک ربات ها توسط پژوهشگران موجب می شود تا آنها در حین تعامل با انسان ها برخوردی با کسی نداشته باشند و گفتگو و همراهی با هر شخصی را به شکلی محترمانه تر و مناسب تر صورت دهند.

محققان دانشگاه ملی سان خوان در آرژانتین می گویند در جریان تعاملات مختلف با هر فردی، وی حریم شخصی خاص خود را دارد که باید توسط دیگران محترم شمرده شود. این حریم بر حسب موقعیت و وظایف برنامه ریزی شده، توقعات فرهنگی، اولویت های فرد، شرایط اجتماعی و غیره متفاوت است.

به گفته این دانشمندان ربات ها باید به حریم شخصی انسان ها احترام بگذارند تا به تدریج در جامعه انسانی پذیرفته شوند و لذا سیستم های کنترلی جدیدی برای آنها طراحی شده که تحرکات و تعاملات ربات ها را با دقت بیشتری تنظیم می کند.

برای طراحی سیستم یادشده از الگوی تعامل یک رهبر و افراد تابع وی در محیط های مختلف الگو گرفته شده و انتظار می رود برنامه نویسی های ضروری و اقدامات سخت افزاری در این زمینه ظرف چند ماه آینده انجام شود.

ادامه مطلب

به گزارش کارگروه بین‌الملل سی اس اس؛ مسابقات قهرمانی جهان راگبی ۲۰۱۹، المپیک و پاراالمپیک ۲۰۲۰ رویدادهایی جهانی هستند که در ژاپن برگزار خواهند شد و احتمالاً توجه فعالان حملات سایبری را با هدف تبلیغات، مزیت استراتژیک و سود کیفری جذب می‌کنند.

برای شناسایی این تهدیدها، اکتبر گذشته موسسه مطالعات صلح ساساکاوای آمریکا (Sasakawa Peace Foundation USA) از یک مانور امنیتی (TTX) با عنوان “operation rugby daemon” به‌عنوان بخشی از کنفرانس سایبری c3 که در دانشگاه کیو (keio) در توکیو ژاپن برگزار شد حمایت مالی کرد. این تمرین که نمایندگانی از وزارت صنعت، تجارت، اقتصاد، (NTT)، هیتاچی و دیگر شرکت‌ها را به چهار گروه نیروی کار سایبری در جام جهانی راگبی سازمان‌دهی کرد، منجر به درک مهمی از آمادگی سایبری ژاپن شد که باید جهت آمادگی ژاپن برای مسابقات جهانی پیش رو در نظر گرفته شوند.

 در هنگام برگزاری این مانور تمرینی، چهار گروه با تهدیدهای سایبری مفهومی، علیه میزبانی ژاپن در این مسابقات دست‌وپنجه نرم کردند. هر تیم به‌طور مستقل بازی کرد و مسئول شناسایی تهدیدهای سایبری، ارزیابی اثر آن و هدایت تلاش‌های کاهش‌یافته بود.

چندین نتیجه قابل‌توجه از این آزمایش به دست آمد. اول اینکه از تعداد شرکت‌کننده‌های رسمی ژاپنی به‌روشنی می‌توان دریافت که ژاپن تهدیدهای سایبری را جدی گرفته است. این موضوع حائز اهمیت است زیرا حملات سایبری با مقیاس بزرگ پیچیده هستند و شامل سوءاستفاده از دارایی‌هایی می‌شود که در اختیار ادارات دولتی قرار دارند، می‌شوند. کاهش مؤثر حملات به این نیاز دارد که همه ادارات و مؤسسات باتجربه حملات سایبری، در این مانور جی داشته باشند.

دوم آنکه، هر دو بخش دولتی و بخش خصوصی ژاپن کارکنان ماهر تکنیکی و عملیاتی دارند که در این مانور شرکت کرده و قادر بودند تهدیدهای واقعی را از تهدیدهای گیج‌کننده جدا کنند و نیز اقدامات لازم برای کاهش تهدیدات را اجرا کنند.

سوم آنکه، برای همه شرکت‌کنندگان روشن بود که پاسخ به یک حمله سایبری بزرگ مقیاس یک تلاش پیچیده است که به یک گروه یکپارچه پاسخگو نیاز دارد که با هم تمرین کرده باشند و به نقش‌ها و مسئولیت‌های یکدیگر نیز آگاه باشند.

ازآنجاکه رقابت‌های جهانی راگبی ۲۰۱۹ و المپیک و پاراالمپیک ۲۰۲۰ نزدیک می‌شوند، بسیار ضروری است که ژاپن یک مکانیسم پاسخی تدارک ببیند که شامل بخش‌های خصوصی و عمومی مناسب بوده و به‌منظور تهیه بازی‌هایی جهت شبیه‌سازی و تمرینات گروهی تلاش‌هایش را ادامه دهد.

ادامه مطلب

عواملی از قبیل رشد هزینه‌های دفاعی، افزایش تقاضا برای امنیت سایبری در زیرساختارهای حیاتی، به‌علاوه خدمات و شرکت‌های همواره درحال گسترش تولید تسلیحات نظامی در تجارت امنیت سایبری برخی از معیارهای هستند که مسئولیت هدایت این بازار را دارند. محققان پیش‌بینی کرده‌اند که این تجارت بر طبق نرخ مرکب سالانه در طی سال‌های ۲۰۱۷ تا ۲۰۲۵ رشد ۴٫۰۷ درصدی خواهد داشت.

بینش بازاری

تقسیم‌بندی بازار امنیت سایبری جهانی بر اساس نوع و کاربرد آن انجام می‌شود. کاربرد این تجارت را می‌توان در شبکه‌های ارتباطی، سامانه‌های دفاع ملی، کنترل صنعتی، کنترل ترافیک هوایی، شبکه برق هوشمند، حمل‌ونقل خودکار، بیمارستان‌ها، ارگان‌های دولتی و تسهیلات عمومی پیدا کرد.

بینش منطقه‌ای

ازلحاظ جغرافیایی، تقسیم‌بندی بازار سلاح‌های سایبری به‌صورت آسیا اقیانوسیه، اروپا، آمریکای شمالی و سایر قسمت‌های جهان تقسیم می‌شوند. پیش‌بینی می‌شود تا پایان سال ۲۰۲۵ بازار سلاح‌های سایبری امریکای شمالی به دلیل افزایش تعداد حملات سایبری در ایالات‌متحده و کانادا، قسمت اعظم بازار جهانی را به خود اختصاص دهد. در طرف دیگر، بازار آسیا و اقیانوسیه نیز سریع‌ترین رشد را در بازه زمانی مذکور خواهد داشت. بازار آسیایی با افزایش تهدیدات علیه زیرساخت‌های حیاتی هدایت می‌شود.

بینش رقابتی

شرکت حمل‌ونقل هوافضای اروپا (ایرباس کنونی)، شرکت صنایع دفاعی و هوافضای بریتانیا (BAE Systems)، جنرال دینامیکس (General Dynamics)، شرکت سمانتیک (Symantec Systems)، ماندیانت با همکاری فایر آی (Mandiant)، نرم‌افزارهای آواست (Avast Software)، شرکت ای‌وی‌جی (AVG Technologies)، بوئینگ، سامانه‌های سی اس اس، کسپراسکای، مکافی با همکاری امنیت اینتل، ریتیون (Raytheon) و لاک هید مارتین (Lockheed Martin)، نمونه‌هایی از شرکت‌هایی هستند که در تجارت سلاح‌های سایبری جهانی مشغول هستند.
 

ادامه مطلب

به گزارش کارگروه امنیت سی اس اس؛ براساس اظهارات یک شرکت امنیت سایبری آمریکایی به نام «SecureWorks»، گروه هکری لازاروس (Lazarus Group) در تلاش است تا از طریق حملات فیشینگ، بیت کوین شرکت‌های رمزنگاری را سرقت کنند. این حملات فیشینگ از طریق ایمیل صورت گرفته است و شرکت‌های رمزنگاری حوزه اروپا را هدف قرار داده‌اند. در پیوست این ایمیل‌های آلوده فایل وردی قرار داده‌اند و به قربانی گفته می‌شد که این فایل ورد نیاز به ویرایش دارد و فرد با دریافت و باز کردن این فایل، بدافزاری بر روی سیستم فرد نصب خواهد شد و این بدافزار امکان کنترل از راه دور را برای هکر فراهم می‌کند.

این گروه هکری حملاتی شامل سرقت ۸۱ میلیون دلار از بانک بنگلادش و حمله سایبری به استودیوهای هالیوودی سونی در سال ۲۰۱۴ را در کارنامه خوددارند.

محققان این شرکت امنیتی اظهار کردند که کره شمالی از سال ۲۰۱۳ به سرقت بیت کوین علاقه‌مند بوده است. در بررسی‌هایی که از همان زمان صورت گرفته بود آدرس آی پی و پروکسی‌های کره شمالی یافت شده بود و موضوع ازاین‌قرار بود که هکرها از پروکسی کشورهای دیگر استفاده می‌کردند و برخی اوقات این پروکسی‌ها قطع شد و موجب انتشار آی پی اصلی می‌شود.
در ۲۵ اکتبر ۲۰۱۶ حملات مشابهی به همان روش مجدداً رخ داد که توسط این شرکت امنیت سایبری شناسایی و اعلام‌شده است. ازاین‌رو شرکت امنیت سایبری «SecureWorks» معتقد است که هنوز هم این حملات فیشینگ با تمرکز روی سرقت بیت کوین ادامه دارد.
 

ادامه مطلب

این مطلب مقدمه مجموعه مقالات پرونده ویژه «داده‌های بزرگ؛ فردای بزرگ‌تر» شماره ۱۹۷ سی اس اس است. علاقه‌مندان می‌توانند کل این پرونده ویژه را از روی سایت شبکه دانلود کنند.


مطلب پیشنهادی

دانلود کنید: پرونده ویژه داده‌های بزرگ؛ فردای بزرگ‌تر

برای آن‌ دسته از افرادی که از طریق حل مشکلات گوناگون زندگی خود را می‌گذرانند، ظهور بزرگ داده‌ها همانند یک فرصت طلایی است. دانشمندان علم داده‌ها و برنامه‌نویسان می‌توانند با واکشی داده‌های انسانی، آن‌ها را در مواردی به ‌کار بگیرند که تا یک دهه پیش در حد فکر و خیال بود. اما در بین این همه شور و هیجان به‌تدریج شاهد جنبه‌های نگران‌کننده هستیم. مواردی وجود دارد که نشان می‌دهد الگوریتم‌های منظم و زیبا و مدل‌های پیش‌بینی ما کمبودها و نقایص مهمی دارد. اما چه کسی زمینه‌ساز بروز این کمبودها شده است؟ کسی که این فناوری را به وجود آورده است؛ عامل انسانی. به‌ عنوان مثال، به ‌خبری که باعث رسوایی گوگل شد توجه کنید. پژوهش‌های به عمل آمده نشان داد که این شرکت ترجیح می‌دهد تبلیغات مرتبط با مشاغل پردرآمد را به‌جای آنکه برای زنان نشان دهد بیشتر برای مردان به نمایش بگذارد. واقعیت این است که ما اغلب جنبه‌های تجاری و اقتصادی بزرگ داده‌ها و الگوریتم‌ها را مورد بررسی قرار می‌دهیم، حال آنکه بزرگ داده‌ها و الگوریتم‌ها این قابلیت را دارند تا زمینه‌ساز تبعیضات مختلفی شوند.

کتی اونیل ریاضی‌دان و دانشمند علم داده در رابطه با این مدل‌های تبعیضی که روز به ‌روز در حال گسترش هستند از یک واژه پرمعنا استفاده می‌کند: سلاح‌های کشتار جمعی. وی در کتاب جدید خود که به‌ همین نام منتشر شده است، روش‌های مورد استفاده در الگوریتم‌ها را که عموماً باعث وخامت بی‌عدالتی و نابرابری می‌شوند به‌دقت شرح داده است. چندی پیش وی در یکی از جلسات زنده فیسبوک شرکت کرد و به سؤالات کاربران و شرکت‌کنندگان پاسخ داد. وی در این مصاحبه درخصوص اینکه برنامه‌نویسان و دانشمندان داده چه کارهایی می‌توانند انجام دهند تا مدل‌های آن‌ها بیشتر از صدمه زدن، باعث بهتر شدن اوضاع شود صحبت کرد. در این مقاله به اختصار چند بخش مهم از صحبت‌های خانم اونیل را برای شما آماده کرده‌ایم.

مطلب پیشنهادی

انتقال سریع و هوشمندانه داده‌ها، معدن طلای عصر جدید

چالش بزرگ بعدی اکوسیستم داد‌ه‌محور چیست؟

۱- نشانه‌های سلاح‌های ویرانگر مبتنی بر ریاضیات را بشناسید

این مسئله اهمیت زیادی دارد. اساس وجود سلاح‌های ویرانگر مبتنی بر محاسبات/ ریاضیات، استفاده از آن‌ها برای شناخت نقاط بحرانی در زندگی افراد است. در حال حاضر، از الگوریتم‌هایی استفاده می‌شود که رزومه‌های کاری را مرتب‌سازی می‌کنند، به‌ طور خودکار شیفت کاری نیروهای خدمات‌رسان را زمان‌بندی می‌کنند، هزینه بیمه و نرخ سود وام بانکی را یا حتی اینکه یک مجرم چه مدت زمانی را به‌عنوان مدت محکومیت خود در زندان سپری خواهد کرد، تعیین می‌کنند. از آنجا که نتایج این الگوریتم‌ها می‌تواند اثرات بحرانی روی زندگی میلیون‌ها نفر داشته باشد، پتانسیل خراب‌کاری‌های گسترده در آن‌ها وجود دارد. 

* این سلاح‌ها کاملاً سری و توصیف‌ناپذیر هستند


شکل ۱- کتی اونیل ریاضی‌دان و دانشمند علم داده

کسانی ‌که از WMD ضربه می‌خورند معمولاً نمی‌توانند منبع این ضربه را درک کنند یا حتی متوجه نمی‌شوند از چه جایی ضربه خورده‌اند. روشی که پشت این مسئله قرار دارد «راز تجارت» است. با اینکه برخی از شرکت‌ها اعتقاد دارند این کار باعث جلوگیری از یادگیری قوانین و نحوه بازی سیستم می‌شود، اما نبود شفافیت باعث می‌شود تا راهی برای بررسی دقیق این موضوع نباشد. ولی سیستم یادگیری ماشین توانسته است این مشکل را یک قدم به جلو ببرد، زیرا از یک طرف ابزار بسیار قدرتمندی برای یافتن روابط است و از طرف دیگر، در اکثر مواقع حتی برای سازندگان آن هم حکم جعبه سیاه را دارد.

* مخرب و ویران‌کننده هستند

به گفته اونیل، سلاح‌های مبتنی بر ریاضیات این توانایی را دارند که واقعیت مخصوص خود را بسازند و سپس، از همان واقعیت برای توجیه مدلشان استفاده کنند. به‌ عنوان مثال، الگوریتمی که افراد ضعیف از نظر مالی را با وام‌های سنگین هدف قرار می‌دهد، با ساخت یک لوپ فیدبک، کار را برای خارج شدن این افراد از زیر بار بدهی سخت‌تر می‌کند. به ‌طور مشابه، مدلی که برچسب اعتیاد بر کسی می‌زند که برای نخستین بار از مواد مخدر استفاده کرده است، احتمال ریسک را بالا می‌برد. زیرا این فرد در منطقه‌ای رشد کرده است که پتانسیل جرم و جنایت در آن بالا است. اگر این ریسک به محکومیت طولانی‌مدت زندان منجر شود، ارتباطات فرد خاطی با جامعه کمتر می‌شود و زمانی ‌که از زندان آزاد شود، فرصت‌های شغلی کمی برای وی وجود دارد.

مطلب پیشنهادی

پنج استراتژی برای موفقیت مرکز داده نرم‌افزار محور

برای حرکت به‌سوی SDDC چه اقداماتی لازم است؟

۲- به این مسئله توجه کنید که هیچ چیزی تحت عنوان «الگوریتم هدف» وجود ندارد

یکی از جنبه‌هایی که باعث جذابیت بالای بزرگ داده‌ها می‌شود این فرضیه است که این فناوری باعث از بین رفتن فردیت انسان‌ها و تبعیض در بین آن‌ها می‌شود. اما این طرز فکر غلط است. به ‌گفته اونیل، مدل‌ها و الگوریتم‌های پیش‌بینی کننده در واقع نظریات و عقایدی هستند که در دل ریاضیات گنجانده شده‌اند. الگوریتم‌ها با یک دستور مشخص توسط انسان‌ها نوشته شده‌اند. تعریف اینکه کدام الگوریتم موفق است، شبیه قضاوت ارزش‌ها است و آنچه برای سازندگان الگوریتم موفقیت محسوب می‌شود، همیشه برای عموم جامعه خوب و مفید نیست. برای همین لازم است دانشمندان علم داده‌ها به تصویر بزرگ‌تری نگاه کنند. آن‌ها باید این پرسش را برای خود مطرح کنند که چه کسانی در الگوریتم من پیروز خواهند شد و از همه مهم‌تر اینکه چه اتفاقی برای بازندگان می‌افتد؟ 


شکل ۲- کتاب Weapon of Math Destruction به‌خوبی نشان می‌دهد چگونه بزرگ داده‌ها می‌توانند زمینه‌ساز فشار مضاعف بر قشر ضعیف جامعه شوند.

مطلب پیشنهادی

پیش‌پردازش‌ها و تبدیل داده‌ها، رمز موفقیت اینترنت اشیا

رویای دیروز، واقعیت امروز

۳- به داده‌هایی که مصرف می‌کنید توجه داشته باشد

یکی دیگر از دلایلی که الگوریتم‌ها به آن اندازه که فکر می‌کنیم قابل اعتماد و اطمینان نیستند این است که: داده‌هایی که مصرف می‌کنند اغلب از دنیایی می‌آید که به‌شدت مملو از نابرابری، تعصب و تبعیض است. شاید آمار جرایم این ‌طور نشان ندهد ولی به ‌عنوان مثال، به مکانیسم سیستم عدالت کیفری امریکا نگاه کنید. این سیستم همواره در طول تاریخ اقلیت‌ها را ناعادلانه هدف قرار داده است. این جانب‌داری در داده‌ها مربوط به جرایم به‌خوبی مشخص است. محققان می‌دانند که میزان مصرف ماریجوانا در بین سفیدپوستان و رنگین‌پوستان تقریباً مشابه هم است، اما احتمال دستگیری جوانان رنگین‌پوست به‌دلیل حمل ماریجوانا بیشتر از جوانان سفیدپوست است. این اختلاف و تضاد رفتاری به سیستم نژادپرستی و حضور دائم نیروهای پلیس در مناطق رنگین‌پوست نشین مربوط می‌شود. ما به‌عنوان یک جامعه تصمیم گرفته‌ایم تا تبعیض نژادی، جنسیتی، تمایلات جنسی، معلولیت و ناتوانی جسمی را کنار بگذاریم و خوشبختانه، بسیاری از دانشمندان داده هنگام استفاده از این خصوصیات برای گروه‌بندی افراد و یا مدل رفتاری با دقت زیادی عمل می‌کنند. اما داده دنیای واقعی اغلب گویای چیز دیگری است. 

مطلب پیشنهادی

بزرگ ‌داده‌ها چه هستند و چرا باید به آن‌ها اهمیت دهیم؟

بزرگ داده‌ها بازیگر اصلی فناوری‌های فردا

۴- در رابطه با چیزی که مدل‌سازی می‌کنید عدالت به‌خرج دهید

رفتار انسان خیلی پیچیده، به ‌هم ریخته و نامنظم است و به ‌همین دلیل، ارزیابی مستقیم این خصوصیات که سعی در مدل‌سازی آن‌ها داریم در واقع وجود ندارد. از همین رو، دانشمندان داده‌ها اغلب روی متغیرهای دیگری تکیه دارند که از نظر آن‌ها با چیزهایی که سعی در ارزیابی دارند در ارتباط هستند. به‌عنوان مثال، شرکت‌های بیمه خودرو از امتیازات راننده به‌عنوان راهی برای تعیین میزان اطمینان‌پذیری وی استفاده می‌کنند. شاید با یک نظر اجمالی، این ‌طور به‌ نظر برسد که راننده‌ای که همیشه قبض‌های خود را در موعد مشخص پرداخت می‌کند، مسئولیت‌پذیری بالاتری دارد. اما Consumer Reports اخیراً به نتایجی دست یافته است که خیلی عجیب به ‌نظر می‌رسد. افرادی که امتیاز منفی کمی دارند و سابقه پاکی در زمینه رانندگی دارند بیشتر از رانندگانی که امتیاز منفی دارند از طرف شرکت‌های بیمه جریمه می‌شوند.

افرادی که امتیاز منفی کمی دارند و سابقه پاکی در زمینه رانندگی دارند بیشتر از رانندگانی که امتیاز منفی دارند از طرف شرکت‌های بیمه جریمه می‌شوند

از طرفی، اونیل معتقد است حتماً دلیل پنهانی وجود دارد که شرکت‌های بیمه همچنان از امتیاز رانندگان در مدل‌های خود استفاده می‌کنند: در واقع، این نمونه بارزی از ارزیابی مستقیم آسیب‌پذیری مالی است. رانندگانی که امتیاز منفی کمی دارند بیشتر دنبال نرخ‌های پایین‌تر هستند، ولی فردی که به‌شدت به‌دنبال بیمه کردن خودروی خود است حاضر است مبلغ بیشتری هم برای آن پرداخت کند.

مطلب پیشنهادی

پیش‌پردازش‌ها و تبدیل داده‌ها، رمز موفقیت اینترنت اشیا

رویای دیروز، واقعیت امروز

۵ – فرضیات خود را از نظر سیستمی ارزیابی و آزمایش کنید

این احتمال وجود دارد که حتی الگوریتم‌هایی که به‌خوبی نوشته شده‌اند فرضیات غلطی در خود داشته باشند. این قضیه درباره تلاش برای حفظ امنیت جوامع از طریق بازداشت افرادی که پتانسیل خشونت و ارتکاب جرم را دارند و آزاد کردن افرادی که رفتار خوبی از خود نشان داده‌اند به‌خوبی قابل بررسی است. کسانی ‌که موافق این سیستم هستند اعتقاد دارند که این کار باعث کاهش جمعیت زندان‌ها و برقراری بهتر عدالت در سیستم کیفری می‌شود. اما اونیل می‌گوید به‌ محض اینکه کسی به زندان می‌افتد مانند یک جعبه سیاه با وی رفتار می‌شود و دیگر سؤالی پرسیده نمی‌شود. 

اما روش غول‌های آنلاین دنیا مانند Amazon.com عکس آن است. در واقع، یادگیری، آموزش و آزمایش کردن در مدل کسب ‌و کار آن‌ها در نظر گرفته شده است. شرکت آمازون یک آزمایشگاه تخصصی داده دارد که محققان در آن به‌ طور پیوسته در حال بازبینی و ارزیابی چند باره تمام جنبه‌های تجارب مشتریان خود هستند. آن‌ها با این کار سعی دارند در طول فرآیند درخواست کالا توسط مشتری تا تحویل آن، هر چیزی که باعث سردرگمی و کلافگی مشتری می‌شود را پیدا کنند. این فیدبک باعث یادگیری دائمی آمازون می‌شود و در نتیجه سود کسب ‌و کار آنلاین آن‌ها بالاتر می‌رود. اونیل می‌گوید اگر واقعاً می‌خواستیم سیستم عدالت کیفری را بهینه‌سازی کنیم، باید دائم آزمایش‌های کنترل شده‌ای را انجام می‌دادیم. وقتی کسی پشت میله‌های زندان می‌رود و در کنار سایر مجرمان قرار می‌گیرد، احتمال ارتکاب جرم دوباره در وی بالا می‌رود یا پایین می‌آید؟ سلول انفرادی چه مزایایی دارد؟ هزینه درمان فردی که از اختلالات ذهنی رنج می‌برد در برابر بازداشت چند باره او چقدر است؟

در پایان باید گفت برای اینکه سرعتی برابر با توسعه فناوری داشته باشیم، نیاز به قوانین و استانداردهای صنعتی در کنار سطح مشخصی از شفاف‌سازی شرکت‌ها درخصوص نحوه استفاده آن‌ها از داده‌ها داریم. در این بین، برنامه‌نویسان نقش مهمی را ایفا می‌کنند و وظیفه سنگینی بر دوش آن‌ها است. اولین گام حیاتی در این زمینه کسب آگاهی درباره این مسئله است. شاید بهترین کار عمل کردن به تعهداتی باشد که در سال ۲۰۰۸ و در آستانه بحرانی مالی جهانی مطرح شد:

– به ‌خاطر خواهم داشت که من دنیا را نساخته‌ام و این دنیا توقعات من‌ را برآورده نمی‌کند.

– برای همین و به‌منظور ارزیایی ارزش‌ها از مدل‌ها استفاده می‌کنم و همیشه تحت ‌تأثیر ریاضیات نخواهم بود.

– هیچ‌گاه واقعیت را فدای زیبایی نمی‌کنم، مگر اینکه دلیل انجام آن‌ را توضیح دهم.

– هیچ‌گاه به افرادی که از مدل من استفاده می‌کنند، اطمینان نادرست درخصوص میزان دقت آن نمی‌دهم.

– درک می‌کنم که کار من می‌تواند تأثیر شگرفی بر روی جامعه و اقتصاد داشته باشد که بیشتر آن‌ها فراتر از قدرت درک من است.

ادامه مطلب