京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据不应成为作恶的工具
牛津大学互联网学院教授维克托·迈尔-舍恩伯格曾以《大数据时代》《删除》两本看似“自相矛盾”的著作炸响了大数据的深潭,前者着重挖掘大数据的价值,而后者则指出在记忆不可磨灭状态下大数据对我们的生活造成的困扰,两书呈现了大数据的两面性。然而,在现实应用中,前者在商业及金融领域的潜在价值被不断挖掘,而《删除》中那些啼笑皆非的案例,总是被人们选择性遗忘,在大数据的裹挟下,我们正在进入被操控的“黑箱社会”。
美国马里兰大学教授弗兰克·帕斯奎尔所著的《黑箱社会:控制金钱和信息的数据法则》,分析了在互联网时代,各类数据收集挖掘企业是如何仔细检索、审视我们的生活和习惯,设置我们的生活议程,控制我们的视野范围,甚至左右社会的政治走向。帕斯奎尔可谓是向社会不公现象宣战的斗士,他曾在美国众议院的司法委员会上叫板谷歌、微软、雅虎,与他们的法律总顾问对峙。在书中,作者再燃愤怒之火,剑指这些掌握信息技术大权的互联网大鳄如何操控我们的生活,设置不平等的规则,将他人的命运甚至是整个经济社会的未来操纵于掌心。
所谓“黑箱社会”,是指在我们看不到的角落,有潜在的法则在暗暗起效,被黑色幕布遮掩之处,恰是人们的隐私、权益被暴露、利用、加工贩卖的狂欢之所。现代社会,人们已经无法查清自己被“贩卖”的次数,从第一次接到“神机妙算”的电话,到手机被各种借贷、炒房信息轰炸,再到自己被各种购物网站服务得“无微不至”,其实我们已经在大数据的牵引下,成为信息时代的透明人,是无数利益机构“精准营销”、“策略营销”的对象。
假如仅仅是商业上的“超服务”,尚在可接受的范围之类,但假如我们在互联网中留下的所有蛛丝马迹都被过度解读,无限联想,对于我们来说则可能是一场灾难。比如,A君在网上购买了一些糖尿病辅助食品,则被有心的大数据运营公司记录为“糖尿病患者”,而后他在求职过程中屡屡受挫,他始终不清楚导致他被拒的原因是他“被糖尿病”了。大数据带来的误解令我们百口莫辩,甚至年少轻狂时在网上偶发的言论都被当成“呈堂证供”。
大数据技术在给人们带来便捷的同时,也渗透进了人们生活的所有公共和私人空间,在人们完全不知情的情况下,我们的行为、特征、语言,被一遍遍计算、算计,它给我们贴上各种各样的标签,影响我们的日常生活,我们却鲜有申诉的权利。没有人能完全明了在数据的黑箱里究竟装了哪些运算法则,没有人能够在智能计算中“独善其身”。
技术秘密是大型互联网企业的万用挡箭牌,即使是在立法机构的一次次调整中,互联网企业也总能在现实的变通中,完美规避法律,毕竟没有哪个政府部门会在互联网时代拥有比企业更灵敏的嗅觉和快速的反应能力。
以书中所示的英国“Foundem”垂直搜索引擎公司来说,作为搜索领域的新生儿,简直是被谷歌玩弄于股掌之间,只要谷歌对其作出搜索降级的“处分决定”,它就难以在用户搜索关键词“价格对比”时出现在靠前的页面中,这对于一家互联网企业而言无异于灭顶之灾。只要谷歌稍动手脚,一家风光一时的企业就会在互联网中石沉大海,而谷歌想捧红哪家企业,也只要将其置顶,这家企业就会拥有源源不断的点击率。当公众质疑其搜索结果的公正性时,谷歌总会有相当多的理由以及技术秘密用以搪塞用户,只要谷歌不掀开自己的“技术黑箱”没有人知道里面究竟装的是规则与秩序,还是权利与利益。在流量为王的时代,谷歌仿若商业世界的帝王。当然,拥有这种权利的互联网企业,绝不仅谷歌一家,脸谱网、推特这些大型互联网企业在各自的领域亦有着相似的能量。
在美国的政治竞争中,互联网企业也会扮演重要的角色,它们甚至可以决定人们对这位候选人的认知度和整体印象,还可以设置话题议程,左右舆论风向,其强大的排序能力已经远远超出了其技术所应伸出的触角。一个被大型企业垄断的世界同独裁统治的世界一样是可怕的,一股缺乏有效制衡的“超力量”必然会不断地制造社会的“暗箱”,将规则与公平关进笼子里,而放出来的则是金钱与权利的欲望之火。
认清政府、大型企业之间的利益关系,更有助于我们看到很多社会问题的成因。就如同华尔街的贪婪并不能一味从金融大鳄身上找问题一样,其背后错综复杂的利益格局,信用评级机构、金融监管者及立法者之间相互缠绕的关系,才是问题的症结所在。在本书中,作者也用相当篇幅介绍了在金融领域“大数据”作恶的案例,其背后同样是人对数据的误用与滥用。
在《删除》中,维克托·迈尔-舍恩伯格曾就针对大数据带来的诸多社会病提出了以“删除”为核心,包括数字化节制、保护信息隐私权、打造良性的信息生态在内的六大对策。在《黑箱社会》中,作者继续进行了一些思路及方法上的探讨,虽在深度及广度上有所进步,可两位作者同样陷入了从揭露问题到提出希望式的书写。理论上正确的方法需要更多与现实短兵相接的能力,美好希望在现实中总会遭遇种种挫折尴尬。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16