Big data e algoritmi. Prospettive critiche

Indice
Introduzione
1. Per una genealogia dell’intelligenza artificiale
La plasticità dell’intelligenza artificiale/Contro la memoria umana: da Leibniz a Turing/Esternalizzare la memoria per automatizzare l’intelligenza/Intelligenza meccanica, intelligenza artificiale/Corpo e linguaggio nell’intelligenza artificiale/La cibernetica e l’interazione con la macchina/La macchina della memoria di Vannevar Bush/Licklider, il futuro delle biblioteche e l’insieme delle conoscenze/Intelligenza artificiale e reti neurali: opinioni a confronto
2. Big data tra tecnica e politica
La riorganizzazione dei contenuti per il Web/Web 2.0 e piattaforme: normalizzare le relazioni, categorizzare le emozioni/La scienza orientata ai dati/Che cosa sono i big data?/Dati: una nozione ambivalente/La costruzione dei dati: riflessioni ontologiche, epistemologiche e critiche/Correlazioni spurie e altri rischi nei big data/Chi possiede, controlla, sfrutta i dati personali?/Protezione dei dati e capitalismo della sorveglianza
3. Correlazioni tra dati e conseguenze impreviste
Gli esperimenti di Facebook in data science/Contagio emotivo e consenso informato/Il fallimento di Google Flu Trends: errori di valutazione/Le ragioni degli errori nella raccolta dati/Cambridge Analytica: una piccola genealogia/Cambridge Analytica e il test sulla personalità/La previsione dei comportamenti basata sui dati dei social/Piattaforme e disinformazione/I rischi di un unico repository di dati/I dilemmi nell’uso dei big data
4. Algoritmi, intelligenza artificiale, pattern recognition
Correlare e prevedere/L’algoritmo tra matematica e cultura/Decisione algoritmica e rischio della pigrizia umana/Una definizione di intelligenza artificiale/Machine learning e pattern recognition/Apprendimento supervisionato e non supervisionato/Deep learning e backpropagation: la gestione degli errori /Apprendimento per rinforzo e learning bias: alcune osservazioni critiche/L’etica nell’intelligenza artificiale: tra istituzioni pubbliche e aziende private
5. Astrazione, raccomandazione e predizione algoritmica
Profilare, misurare, astrarre/Chi è responsabile delle decisioni algoritmiche?/Ethics washing nella Silicon Valley/Algoritmi di raccomandazione, filtraggio e predizione/L’arbitraggio algoritmico e la produzione di pubblici calcolati/Problemi epistemici degli algoritmi di profilazione e filtraggio: induzione e somiglianza/Predire o prescrivere il futuro?/L’opacità epistemica e il potere degli algoritmi di nacondere la teoria/Epistemologia e politica degli algoritmi
6. Gli algoritmi tra efficienza, equità e tutela dei margini
La fairness degli algoritmi: tra diritto e cognizione/Gli ostacoli all’equità algoritmica/Dati in medicina: l’espansione dell’infrastruttura algoritmica/Care management tra efficienza ed equità/Naturalizzare le disuguaglianze: welfare digitale e decisione algoritmica/Quando l’algoritmo, invece di giudicare, è giudicato/Il governo dei numeri e le sue storture/Algoritmi e valutazione universitaria: tecniche per migliorare la prestazione scientifica/Neutralità algoritmica o discriminazione positiva?
7. Categorie e tecniche dell’astrazione algoritmica: interpretare il presente, prescrivere il futuro
Categorie sociali e pregiudizi nascosti/Abitudine, dipendenza, omofilia e segregazione/Chi sono i lavoratori dell’intelligenza artificiale?/Face recognition e discriminazione/Riconoscimento delle immagini e pregiudizi/Affect recognition come pseudoscienza/Query suggestion e associazioni indebite/Algoritmi discriminatori nei social network/Un dialogo tra data science e critical algorithmic studies
Conclusioni
Bibliografia