Doing Data Science: Straight Talk from the Frontline

Mientras que O'Neil se centra en los algoritmos y su impacto, Zuboff amplía la conversación a la arquitectura económica y social que permite esta recopilación masiva de datos y su uso para el control, ofreciendo una perspectiva más macro sobre las implicaciones del "doing data science" que va más allá de la ética intrínseca del modelo.

Mientras O'Neil examina las fallas y sesgos inherentes al uso de los datos y algoritmos en sistemas sociales, Gawdat ofrece una perspectiva opuesta, buscando activamente aplicar una mentalidad algorítmica y basada en datos ¡a la búsqueda personal de la felicidad! Es una conexión no obvia al invertir la aplicación de los principios.

Ambos autores, O'Neil y Taleb, comparten una profunda sospecha hacia la aparente objetividad y poder predictivo de los modelos basados en datos. O'Neil lo ve en la injusticia algorítmica, mientras Taleb se enfoca en cómo la "fat tails" y la falta de robustez enmascaran riesgos sistémicos, cuestionando la capacidad de "hacer ciencia de datos" de forma segura en entornos complejos.

Mientras O'Neil discute las implicaciones de lo que *hacemos* con la ciencia de datos, De Landa explora la *historia y la filosofía* detrás de cómo la ciencia (incluido el análisis de datos) ha llegado a ser lo que es. Conecta con la pregunta fundamental: ¿cómo y por qué confiamos en los métodos que utilizamos para extraer conocimiento de los datos, y cuáles son sus límites históricos y epistemológicos?

O'Neil aborda cómo los sistemas algorítmicos pueden perpetuar y escalar injusticias de manera sistémica y deshumanizada. Weiss, a través del teatro documental, confronta la deshumanización y el horror burocrático de los campos de concentración. Hay un eco en cómo los sistemas masivos (sean algoritmos o burocracias totalitarias) pueden procesar y reducir a individuos a meros datos o estadísticas, con consecuencias devastadoras.

Mientras O'Neil se centra en los problemas éticos y sociales inherentes al "backend" de los datos y los algoritmos, Parikka nos invita a mirar más allá de lo superficial de la computación. Su trabajo revela la complejidad oculta y las implicaciones materiales de la tecnología que subyacen a cualquier sistema de datos, haciendo una conexión con la necesidad de entender la capa inferior de la que surgen los algoritmos y sus fallas.

Aunque ficticio, la idea de "S. o la esperanza" resonaría con la preocupación de O'Neil sobre cómo los algoritmos, al buscar patrones en grandes volúmenes de datos, pueden pasar por alto o desechar la subjetividad y la singularidad humana. La búsqueda obsesiva de Castel por un único significado en un pequeño detalle es el reverso de la trituradora de datos de los algoritmos que buscan la media o la correlación.

El libro de O'Neil desglosa cómo los modelos de datos, que son esencialmente teorías aplicadas, interactúan con la realidad, a menudo con consecuencias no intencionadas. La discusión de Popper sobre la falsabilidad y cómo las teorías deben ser estructuralmente abiertas a la refutación conecta directamente con la necesidad de examinar y criticar los modelos algorítmicos, buscando sus fallos y sesgos en lugar de aceptarlos como verdades absolutas.