Способы познания
Мои читатели знают о моём философско-аналитическом пути, по которому я иду уже несколько лет. Он начался с байесовской статистики, продолжился причинно-следственным выводом и в итоге привёл меня к эпистемологии.
💎 Встречайте комбо: байесовская эпистемология.
Сейчас читаю книгу Майкла Тительбаума по этой теме и зашёл поделиться его лекцией.
Сказать, что мне это откликается - ничего не сказать. Одна из центральных мыслей лекции: данные не равны истине и даже не исчерпывают собой все основания для знания.
Я хорошо знаю это по своему опыту и уже неоднократно об этом писал и рассказывал. Разные люди могут смотреть на один и тот же график, видеть одни и те же значения - и делать совершенно разные выводы.
Обычно это воспринимают так, будто один из них обязательно ошибается. Но Тительбаум предлагает более интересную рамку: люди могут по-разному переходить от свидетельств к выводам, потому что используют разные эпистемические стандарты.
И здесь важно само слово свидетельство (evidence). Свидетельства - это не только данные и не только числа. Данные являются лишь одной из форм основания для убеждения.
Для нашей эпохи метрик, дашбордов и ИИ это, кажется, совсем не интуитивная мысль. Мы привыкли считать, что достаточно собрать правильные данные — и вывод возникнет почти автоматически. Но данные не говорят сами за себя. Между данными и выводом всегда находятся модель, допущения, критерии, опыт, ценности и сам способ мышления человека.
Мне кажется, это напрямую связано и с будущим аналитики. Расчёты, визуализации и даже первичную интерпретацию всё лучше будут выполнять машины. Но аналитическая работа не заканчивается там, где посчитана метрика. Остаются вопросы: что именно мы измерили, на каких предпосылках построен вывод, какие ещё объяснения возможны и достаточно ли у нас оснований, чтобы принимать решение.
Поэтому аналитик будущего для меня — не тот, кто лучше всех считает и владеет инструментами. Это человек, который умеет разбираться в том, как из данных возникает знание и где в этом переходе мы можем ошибиться.
#эпистемология #байес
Мои читатели знают о моём философско-аналитическом пути, по которому я иду уже несколько лет. Он начался с байесовской статистики, продолжился причинно-следственным выводом и в итоге привёл меня к эпистемологии.
💎 Встречайте комбо: байесовская эпистемология.
Сейчас читаю книгу Майкла Тительбаума по этой теме и зашёл поделиться его лекцией.
Сказать, что мне это откликается - ничего не сказать. Одна из центральных мыслей лекции: данные не равны истине и даже не исчерпывают собой все основания для знания.
Я хорошо знаю это по своему опыту и уже неоднократно об этом писал и рассказывал. Разные люди могут смотреть на один и тот же график, видеть одни и те же значения - и делать совершенно разные выводы.
Обычно это воспринимают так, будто один из них обязательно ошибается. Но Тительбаум предлагает более интересную рамку: люди могут по-разному переходить от свидетельств к выводам, потому что используют разные эпистемические стандарты.
И здесь важно само слово свидетельство (evidence). Свидетельства - это не только данные и не только числа. Данные являются лишь одной из форм основания для убеждения.
Для нашей эпохи метрик, дашбордов и ИИ это, кажется, совсем не интуитивная мысль. Мы привыкли считать, что достаточно собрать правильные данные — и вывод возникнет почти автоматически. Но данные не говорят сами за себя. Между данными и выводом всегда находятся модель, допущения, критерии, опыт, ценности и сам способ мышления человека.
Мне кажется, это напрямую связано и с будущим аналитики. Расчёты, визуализации и даже первичную интерпретацию всё лучше будут выполнять машины. Но аналитическая работа не заканчивается там, где посчитана метрика. Остаются вопросы: что именно мы измерили, на каких предпосылках построен вывод, какие ещё объяснения возможны и достаточно ли у нас оснований, чтобы принимать решение.
Поэтому аналитик будущего для меня — не тот, кто лучше всех считает и владеет инструментами. Это человек, который умеет разбираться в том, как из данных возникает знание и где в этом переходе мы можем ошибиться.
#эпистемология #байес