2.7: גל מתפתח- ביג דאטה ולמידת מכונה

Last updated
Save as PDF

Page ID: 207086

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

מטרות למידה

בסוף פרק זה, תוכל:

הגדירו נתונים גדולים ולמידת מכונה
הסבר כיצד משתמשים בביג דאטה ולמידת מכונה במדע המדינה

מדע המדינה הוא תחום דינאמי מכיוון שהוא מוכן ללוות מדיסציפלינות אחרות כדי לשפר את לימודו על שחקנים, מוסדות ותהליכים פוליטיים. ישנם כמה גלים מתעוררים שמשנים את אופי החקירה המדעית ושל מדע המדינה. שני גלים שאנחנו רוצים להדגיש כאן הם נתונים גדולים ולמידת מכונה.

המוח האנושי אינו מסוגל לנפות, למיין ולנתח את מערכי הנתונים הגדלים הללו, אך מחשבים כן. כדאי לציין שעד סוף שנות השמונים ותחילת שנות התשעים נאלצו החוקרים לחשב נתונים סטטיסטיים תיאוריים ורגרסיות לינאריות ביד ועם מחשבונים. אך במהלך 20 השנים האחרונות הטכנולוגיה הפכה לזמינה באופן נרחב והגישה לתוכנה גדלה. עם החומרה והתוכנה בידי מדענים פוליטיים נוספים, אנו מגדילים את טווח החקר ויצירת הידע שמגיע עם ניתוח תופעות פוליטיות.

ביג דאטה מוגדר כהר המידע, בצורה של פטה-בייט ואקסה-בייט, המאוחסן במחשבים ובשרתים ברחבי העולם. ככל שהמחשבים מתרבים והשימוש שלנו בהם לשימוש אישי, ארגוני, ארגוני וממשלתי גדל באופן אקספוננציאלי, כמות המידע שאנו מייצרים כחברה אנושית מתפוצצת בקפיצות בכל יום ויום. ויש חששות לגבי המשמעות של זה עבור החברה (בריידי 2019). עם הרים הולכים וגדלים של נתונים, עולות כמה שאלות: כיצד נוכל ללמוד אותם? כיצד נוכל לחשוף דפוסים בנתונים? כיצד נוכל להפיק משמעויות והבנות חדשות מנתונים אלה?

ביג דאטה הוא "גדול" מכיוון שכמות השטח שהוא לוקח בכונן הקשיח של המחשב, אך הטכניקות לניתוח "ביג דאטה" זמינות בתוכנות מחשב שמדענים פוליטיים השתמשו במשך שנים לניתוח סטטיסטי של מערכי נתונים גדולים. SPSS, Stata, R ו- Python הם כל המרכיבים העיקריים של תוכנת ניתוח נתונים סטטיסטיים בתחום.

אבל, בעשור האחרון, שני שינויים גדולים מחוללים מהפכה בחקר הכל, מפוליטיקה וכלכלה לביולוגיה וכימיה. ראשית, ראינו התקדמות משמעותית בטכנולוגיית חומרת המחשב. באופן ספציפי, ההתקדמות ביחידות עיבוד גרפי הידועות גם בשם GPUs שינתה באופן מהותי את יכולתנו לנתח הררי נתונים. הקצר של הארוך הוא שיחידות עיבוד מחשב או מעבדים הצטמצמו בגודלם אך גדלו בכוח החישוב. למה אתה חושב שאתה יכול להחזיק מחשב בכף היד שלך? ל- GPUs, העובדים באופן עצמאי ובשילוב עם מעבדים, יש כוח חישוב אדיר.

שנית, מדעני מחשבים פיתחו שפות תכנות חדשות, מנגנונים לשיתוף פעולה בתכנות ופורצים את גבולות הבינה המלאכותית. זה המקום שבו הגל השני של למידת מכונה מתחיל לצוץ. מכיוון שמדעי המחשב דחפו את גבולות התוכנה, בהתחשב בהתקדמות במעבדים וב- GPU, היא פורצת את הגבולות של מה שתוכנה יכולה לעשות ביחס להזנה, ניתוח ולמידה מנתונים בעולם הסובב אותנו. למידת מכונה היא היכולת של תוכנת מחשב להתחיל עם נתוני מודל ראשוניים, לנתח נתונים בפועל, ללמוד מניתוח זה ולעדכן אוטומטית את המודל הראשוני הזה כדי לשלב את הממצאים מהניתוח שלו. עכשיו, זה לא קורה רק ברגע שתוכנת המחשב נעשית, מחזור זה יכול לקרות באופן איטרטיבי ובכך לאפשר לתוכנה לחשוף קטגוריות, דפוסים ומשמעויות.

מה כל זה אומר על מדע המדינה? בכנות, אין לנו תשובה לשאלה זו. מה שאנחנו כן יודעים הוא שהדור הבא של מדעני המדינה יוביל מאמצים לנצל נתונים גדולים ולמידת מכונה כדי להסביר התנהגויות פוליטיות, מוסדות ותהליכים. זו תקופה מרגשת להיכנס לתחום והחוויות שיש לך, השאלות שמסקרנות אותך והמחקר יערוך יעזרו לבנות את הידע שלנו בפוליטיקה.