ビッグデータの哲学 / Philosophy of Big Data

5346146aca9add2e6c02b01bf4c0df2e?s=47 jeey
April 24, 2020

ビッグデータの哲学 / Philosophy of Big Data

オンラインLT回 第2回発表資料
Presentation about Philosophy of Big Data.
Philosophy of Big Data related to (Science / Information) Philosophy and Data Science (Data Analysis, Machine learning, Deep Learning).
It makes you to have broaden perspective in deal with problem of (Big) Data Science.

5346146aca9add2e6c02b01bf4c0df2e?s=128

jeey

April 24, 2020
Tweet

Transcript

  1. ビッグデータの哲学
 ビッグデータとの付き合い方


  2. 目的と流れ
 データサイエンスとビッグデータを哲学的に見るということ、
 そしてその利点を知り、日頃の業務に生かすこと
 
 哲学⊃科学哲学⊃ビッグデータ哲学という集合関係なので、
 この順番で話します
 


  3. 哲学


  4. 哲学とは
 死とはなにか…
 僕たちは何のためにうまれて
 なんのために生きるのか?
 わからないまま終わるそんなのは嫌だ! 
 
 
 人や世界の謎を
 解明すること


  5. ざっくり哲学の歴史
 (哲学者の皆さんはぜひ哲学者らしく広い心で聞いて下さい) 
 古代
 人間と自然を対象
 その解明を仕事としていた
 つまりわからないこと全部
 今は科学とよんでいる領域 もすべて哲学の担当
 


    
 中世
 科学が分離
 自然を対象とした問題のう ち、解明の方法にこれまで の哲学とは異なる手法が使 われる(実験的に定量的に 証明するなど)問題の種類 が現れ始める=科学
 哲学と分離していく
 近世から現代
 人間と科学哲学
 人間を対象にした問題と、 科学となったものの範囲で も依然として哲学的手法で 考察されるべき問題(科学 哲学)が、哲学には残され た

  6. 科学の哲学とは
 「科学の対象や手法」を対象とし、
 明晰化・抽象化して体系立てたり、
 倫理的な問題を研究する
 (主に存在論・認識論・倫理学) 
 
 これにより実践の現場に何らかの
 利益をもたらす
 


    哲学の定義
 〜 ルートヴィヒ・ヴィトゲンシュタインの場合〜
 哲学の目的は思考の論理的明晰化である。
 哲学は学説ではなく、活動である。
 哲学の仕事の本質は解明することにある。
 哲学の成果は「哲学的命題」ではない。諸命題の明確化 である。
 思考は、そのままではいわば不透明でぼやけている。哲 学はそれを明晰にし、限界をはっきりさせねばならない。
 『論理哲学論考』、野矢茂樹訳、岩波文庫、2003年、51頁より 
 

  7. ドゥーユーアンダスタン?


  8. でも、僕らがいつもやっていることだって哲学だ
 体系化
 モデル、データの分類
 年齢は比例尺度で、性別 は名義尺度で…
 クラスタリングには、階層型 と非階層型があって…
 ”良さ”とはなにか
 評価尺度
 スパムを判定する機械学習

    モデルの”良さ”は、再現率 だけでみるべきではない
 モデルの”良さ”は、解く問 題によって異なる
 真正性(正しさ)
 定性的真値
 このレコメンドは本当に顧客 にとって欲しいもの(正しい もの)を推薦してあげられて いるだろうか
 →こういったことを抽象・明晰化する(=哲学)と、発想がより柔軟になる 

  9. ビッグデータ哲学


  10. ビッグデータとは
 
 ビッグな情報、あるいは、情報がビッグ
 ・情報とは
 “最も一般的には、情報の現代的な定量化の定式化とは、
 あらゆる媒体に保存、送信、受信、操作されたデータ、コード、テキストの
 量のことである”
 ・ビッグデータとは
 量(Volume)速さ(Velocity)種類(Variety)正確さ(Veracity)価値(Value) 


  11. ビッグデータ哲学とは
 科学哲学である情報哲学の一分野
 ・ビッグデータはどういうものか(存在論)
 ・ビッグデータをどう扱うか、どう役立つのか、真実なのか(認識論)
 ・ビッグデータは我々や社会にどういう影響を及ぼすか(倫理学)
 といった側面がメインであり、こういった観点から考察する
 
 研究分野としては新しく、哲学としてまとめた文献はあまりない
 


  12. 今回は、ビッグデータ哲学の
 トピックのうちのひとつを取り上げる
 
 〜私達とビッグデータの相互理解性〜


  13. 私達と
 ビッグデータ
 私達はデータを前に
 無力感を感じることがある
 しかしそれはお互い様
 お互いに容易に認識できない
 お互いがお互いを直観できていない
 共通の表現・認知を持っていないため
 
 ぱっと見で三ヶ月後に故障しそうなトラクターのセンサーデー

    タだってわかる人がいたりしたらごめんなさい 

  14. 宇宙人と交信するみたいなもの
 人間 ビッグデータ ぼくはたこじゃなくて宇宙人だよ おいしいよ ?

  15. 歩み寄りが必要
 相手の認識できる表現に拡張する
 相手の認識手法を取り込む、など
 相手が慣れ親しんだ形に変形することにより 
 直感的な理解が可能になる 


  16. 具体例


  17. 人・データに何らかの工夫をする
 説明可能なAI
 例)RISE
 画像認識において、AIが重 要視しているところを可視 化
 ”可視化”はもう古い?
 例)Immersive Analytics
 VRやARを使い、データを

    三次元で見たり、触れられ るようにする
 NNに認識論を
 例)Relational Neural Networks 
 現在のニューラルネットワー クは、インスタンスの集合と いう”経験”でしか物事を捉 えられない
 そこで、人間の認知の特徴 である”概念”を持ち込む

  18. 哲学の問題は、意識していなくても潜んでいる
 これらの問題は、哲学の問題として意識して取り組まれているわけではない
 しかし、たしかにそこには、共通の問題意識が存在する=必要なのはたしか
 
 したがって、このように哲学の視点で問題を捉えると、
 相互の情報交換や演繹的推論により、
 個別の問題解決の一助となったり、新しい問題の発見が可能かもしれない
 
 哲学と実践(抽象と具象)を意識することは有益なので、あなたもレッツ哲学!


  19. 参考文献
 Melanie Swan(2015), Philosophy of Big Data Expanding the Human-Data

    Relation with Big Data Science Services 
 J. Lanier(2014), The Myth of AI, EDGE 
 http://edge.org/conversation/themyth-of-ai. 
 Vitali Petsiuk, Abir Das, Kate Saenko(2018), RISE: Randomized Input Sampling for Explanation of Black-box Models 
 伊藤貴之, “まだ可視化なんて言ってるの?~人間中心型のデータ探索技術の潮流に向けて ~” 
 http://www.comm.tcu.ac.jp/miyachilab/vis_ws/invited/itoh_sensei.pdf
 Spherical Layout and Rendering Methods for Immersive Graph Visualization 
 https://www.youtube.com/watch?v=I7gdrPOo-18 
 Federico Castellano, “What can Philosophy teach Machine Learning?” 
 https://towardsdatascience.com/what-can-philosophy-teach-machine-learning-4ff091d43de6 
 Battaglia P. et al. (2018), “Relational Inductive Biases, Deep Learning, and Graph Networks”.