« A View on the Transition from. Academia to Finance » Catherine O’Neil (en 2008 bien avant de découvrir le machine learning, big data, etc) ▻https://www.ams.org/notices/200806/tx080600700p.pdf
Weapons of Math Destruction : How Big Data Increases Inequality
/49175
-
-
Je me souviens avoir lu cet article à l’époque. Ce passage notamment m’avait marqué :
About the money: many mathematicians who talk to me about moving to finance are genuinely worried about the potentially corruptive power of money. I take that fear very seriously, and I think
I probably would have applied to the D. E. Shaw
group earlier if I hadn’t experienced it myself.
(...)
I think one can resist being corrupted by money by keeping a perspective and maintaining personal boundaries. I personally give a certain amount of my paycheck to my favorite grass-roots charity. I thereby see working here as a fantastic and rare opportunity to have a great job and to improve the world in some small way simultaneously.J’avais trouvé ça tellement facile de se justifier de gagner énormément d’argent par simplement donner à des œuvres caritatives, ça m’avait choqué de naïveté/cynisme.
Amusant de se rendre compte maintenant que c’était écrit par Cathy O’Neil, comme quoi les gens changent.
-
c’est une copine, aujourd’hui professeure a Harvard, qui m’avait pointé vers l’article, il y a quelques années (alors que j’écrivais une note de lecture, il y a 2 ans ►https://freakonometrics.hypotheses.org/49175 - ou la version publiée ▻https://freakonometrics.hypotheses.org/files/2018/11/Risques-108_Charpentier_ONeil.pdf) ! elle était très critique envers ce « retournement de veste »
-
-
Weapons of Math Destruction: How Big Data Increases Inequality | Freakonometrics
►http://freakonometrics.hypotheses.org/49175
Chaudement recommandé par notre ami Arthur Charpentier alias @freakonometrics sur seenthis
Weapons of Maths Destruction est un livre passionnant, qui, comme le sous-titre l’indique parle de bigdata. Beaucoup de livres parus ces jours-ci parlent de big data. Le point de vue est celui de Cathy, ancienne professeur de mathématiques (après ses études à Berkeley, elle a obtenu un doctorat à Harvard et enseigné au MIT lors de son postdoc), qui a travaillé sur les marchés financiers au moment de la crise de 2008 dans un hedge fund, avant de rejoindre RiskMetrics en 2009, comprenant qu’il était important de modéliser les risques financiers. Après avoir côtoyé le mouvement Occupy Wall Street, elle décide reprendre sa vie en main, en devenant Data Scientist. Elle a dirigé un des cursus de l’école de journalisme de Columbia tout en étant consultante en Data Science.
-
-
-
#intéressant, notamment (évidemment !) la partie sur les données biaisées (sl. 15).
Il y a des réponses qui posent problème - voire sont carrément contraires à la loi I&L en France.
blindness is not an answer
(sl. 13)
d’où (sl. 24)development of context-specific non-blind fairness metrics that utilize protected class attributes (eg gender, race, ability, etc)
Un argument intéressant (et très original, tjs sl. 15) : les données « sensibles » et les minorités (je reformule) sont mal renseignées dans les bases de données dégradant la qualité des prévisions… qui aboutit donc à augmenter les infos sur ces catégories …
D’ailleurs, on n’entend plus grand chose sur la question des #statistiques_ethniques qui a, un temps, agité le milieu des statisticiens publics.
-
