De l'autre côté de la machine

Paradoxalement, les biais algorithmiques sont, je pense, la meilleure chose qui pouvait nous arriver, à nous, les scientifiques. Savoir que ces biais existent, et qu'ils sont inévitables, nous fournit de nouvelles manières de regarder et de construire nos modèles et nos algorithmes, en nous appuyant sur de nouvelles perspectives et en considérant encore davantage le polymorphisme de la société, et donc sa complexité.

comment savoir si la mesure que je réalise ne perturbe pas le phénomène que je souhaite analyser et quantifier?

Comme le disait le professeur Richard Feynman : "Si vous ne savez pas expliquer quelque chose simplement, c'est que vous ne l'avez pas compris." J'ajouterai : Si personne ne vous pose de questions suite à votre explication, c'est que vous n'avez pas été suffisamment clair !". La curiosité est l'une des plus belle qualité : la déclencher chez les autres est, pour moi, une source de joie immense et une satisfaction personnelle.

Maintenant que ma simulation fonctionne dans les grandes lignes, me voici à présent à l'étape de la calibration: c'est l'étape où je dois identifier avec précision la valeur de tous les paramètres de mon algorithme.
A cette étape, on fonctionne encore par tâtonnement, en faisant évoluer les paramètres et en observant les résultats obtenus, pour faire petit à petit coîncider les mesures virtuelles aux mesures observées dans la réalité. Cette étape de grande précision est elle aussi réalisée grâce à un algorithme, dit "d'optimisation", qui réalise des simulations en faisant varier les paramètres jusqu'à obtenir les valeurs les plus justes.

Parce qu'ils sont inévitables, les biais nous forcent à développer notre esprit critique. Ils sont, en quelque sorte, l'ingrédient magique de l'autodéfense intellectuelle chez le numéricien: ils nous posent à remettre sans cesse en question les résultats d'autrui, mais aussi nos propres idées.

Tout d'abord, j'ai du mal à obtenir des données sur des pays réputés très instables politiquement, tels que l'Iran ou le Soudan - soit parce que l'usage de certains réseaux sociaux y est interdit par l'État, soit en raison d'une autocensure des utilisateurs. C'est un gros problème. Comment puis-je développer un algorithme de corrélation des instabilités politiques et économiques d'un pays si je ne peux le calibrer que sur les données de pays stables ?!

Si je n'ai découvert et écrit mon premier algorithme qu'en 2001, la disciplind algorithmique ne m'avait pas attendue pour exister. Car le pays des algorimes a une histoire-une longue histoire, même, qui remonte jusqu'avant notre ère...
Et pourtant, la plupart des gens (comme moi-même au debut) croient queles algorithmes sont nés dans la Silicon Vallée avec Facebook et Google. En vérité, l'algorithme numérique-celui qui est destiné à être exécuté par un ordinateur-n'est qu'un type d'algorithme ...

Comme disait le Pr Richard Feynman : "Si vous ne savez pas expliquer quelque chose simplement, c'est que vous ne l'avez pas compris."

Il est un dernier point que je n'ai pas encore abordé:c'est le paradoxe de l'observation et de la mesure.Car on modélise souvent un phénomène à partir d'observations directes...Mais nos propres observations peuvent être sources de biais!

La syntaxe est, avec la sémantique, la notion la plus importante à assimiler quand on apprend un langage informatique. Pour faire un parallèle simple: toutes les langues parlées-l'anglais, le français, le chinois, l'arabe ou encore l'allemand-diffèrent par leur grammaire et leur syntaxe.