Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy

Не буду дочитывать. Сломался на середине третьей главы.

Во-первых, и в-главных, это не про математику. Вот пример:

Не сойти мне с этого места, если я понимаю, что есть среднеквадратичное отклонение портфеля.

Во-вторых, автор задолбала бейсболом, футболом, баскетболом и прочими болами:

Да простит меня Кэти О'Нил, это словесный понос. Можно было бы и яснее рассказать, как ведут себя хедж-фонды -- без привлечения "Кабс" или Теодора Рузвельта.

В-третьих, давно уже я не встречал настолько скучно написанной книги.

Ну и уж до кучи: бросается в глаза жизненный путь автора. Чистая математика в университете --> разработка моделей в большом хедж-фонде --> фирма по оценке бизнес-рисков --> интернет-магазин путешествий --> интернет-блог и движение "Захвати Уолл-стрит"... ну и наконец та самая книга, которую мы читаем. Эти этапы она преодолела меньше чем за десять лет. Отчётливо видно, как каждая следующая ступенька её карьерной лестницы ведёт вниз.
Я не о деньгах. Очень может быть, что блогингом Кэти О'Нил зарабатывает больше, чем математикой. Я об общей интеллектуальности её занятий. Автора всё более затягивает "актуальная повестка", и это совсем не то, чего я ожидал от книги. Очень может быть, что борьба за справедливость мира важна, но зачем путать политику с математикой?

Итог -- полное разочарование.

Основная мысль книги: компании и организации получают выгоду (финансовую, политическую) от использования математических моделей. Поскольку модели заточены на получение выгоды, они не «справедливы» сами по себе. Поэтому их широкое использование приводит к неприятным побочным эффектам в масштабе отдельных людей и общества в целом.

Автор акцентирует внимание на том, что математические модели (классификаторы покупателей и избирателей, модели рисков страховых компаний и банков, таргетированная реклама) особенно строги к людям в сложной жизненной ситуации, и что их широкое использование усиливает расслоение общества.

К сожалению, кроме этой мысли ценного в книге мало..

Кэти О’Нил как будто боится или не может дать рекомендации по нейтрализации воздействия этих моделей, даже очевидные. Половина перечисленных проблем лечится блокировкой рекламы. Но автор, видимо, еще надеется получить работу в рекламном агенстве, как до этого она разрабатывала те самые «несправедливые» модели в финансовой сфере и в продажах.

Кроме этого, она смело валит в одну кучу потенциально серьезные социальные проблемы (подсудимые, живущие в опасных районах, получают более длинные сроки заключения за сам этот факт) и выдуманные проблемы из современной социальной повестки (толстым людям чаще показывают рекламу спортзалов, О НЕТ ЭТО ФЭТШЕЙМИНГ И РАСИЗМ).

Ближе к концу книги меня добил раздел про использование микротаргетированной рекламы в ходе избирательных кампаний. Кэти долго описывает, как это плохо и нечестно, и какой это плохой инструмент; а потом на голубом глазу заявляет, что хотела бы его использовать, чтобы транслировать не их плохие ужасные заблуждения, а свои прекрасные прогрессивные идеи. Занавес.

Резюме

Человек является товаром для продавцов, рекламщиков, больниц, университетов, банков, страховых компаний и политиков (доброе утро). Вопреки мнению автора, математические модели, даже с очень циничной логикой внутри — не причина несправедливости, а всего лишь инструмент, и бороться нужно не с ними. На бытовом же уровне для обезвреживания большей части страшных «Weapons of Math Destruction» достаточно базовых навыков поиска информации и фактчекинга.

NB

Читал в оригинале, про качество перевода не могу ничего сказать. Текст написан очень по-американски (множественные самоповторы, футы, гамбургеры, бейсбол и расизм), но зато объясняет некоторые местные особенности типа кредитов на высшее образование.

С одной стороны, начинается книга с вполне здравой (хотя и водянистой) мысли -- вот это вот всё зачастую представляет собой бессмысленный и беспощадный чёрный ящик.

С другой стороны, после неплохого объяснения об том, что любая модель это неизбежное упрощение и что модели нужно воспринимать в контексте, с учётом ограничений и обновлять их по мере расхождения с действительностью -- вот после этого практически сразу же некритично вбрасывается некая статистика. Этой статистике, видимо, доверять можно, потому что это какая надо статистика.