Ξέρουν τα ΠΑΝΤΑ | Greekonomics #59

Κοσμάς Μαρινάκης · Greekonomics · Άνοιγμα στο YouTube

Το βίντεο φορτώνεται από το YouTube μόνο όταν πατήσετε αναπαραγωγή (προσωπικά δεδομένα) · Άνοιγμα στο YouTube

Θέμα Οικονομία ΜΜΕ & Τεχνολογία

Οι ισχυρισμοί κατά βάση ισχύουν

Εξετάστηκαν 17 ισχυρισμοί του βίντεο για τη συλλογή δεδομένων και τους αλγορίθμους, και οι περισσότερες έρευνες και αποκαλύψεις που επικαλείται υπάρχουν και αποδίδονται σωστά, από τη μελέτη για τα likes στο Facebook ως την πώληση δεδομένων οδήγησης σε ασφαλιστικές. Δεν στέκει ότι το μερίδιο αγοράς του Target αυξανόταν «απελπιστικά αργά», αφού τα έσοδά του μεγάλωναν τετραπλάσια από το σύνολο της λιανικής. Ο ΟΗΕ, επίσης, απέδωσε ρόλο στο Facebook για τη βία στη Μιανμάρ, όχι ειδικά στον αλγόριθμό του, ενώ μερικές χρονολογίες είναι της δημοσίευσης και όχι του γεγονότος.

10 Ισχύει 6 Ισχύει κυρίως 1 Παραπλανητικό

Μοντέλο: claude-opus-5-5 · Έλεγχος στις 2026-10-20 · Οι πηγές κάθε ισχυρισμού παρατίθενται παρακάτω.

Οι ισχυρισμοί

Ισχύει κυρίως 0:00 Το λέει: Κοσμάς Μαρινάκης #1
Απομαγνητοφώνηση
«Το 2012 ένας Αμερικανός γύρω στα 40 μπήκε στο σούπερμάρκετ Target που βρισκόταν στα παράστα της Μινεάπολης.»

Ισχυρισμός

Το 2012 ένας πατέρας παραπονέθηκε σε κατάστημα Target κοντά στη Μινεάπολη ότι η ανήλικη κόρη του λάμβανε προσφορές για είδη εγκυμοσύνης, και αργότερα αποδείχθηκε ότι η κόρη ήταν πράγματι έγκυος, χωρίς να το ξέρει η οικογένεια — το Target το είχε συμπεράνει από τις αγορές της.

Έλεγχος

Τι ισχύει

  • Ένας Αμερικανός μπήκε σε κατάστημα Target στα περίχωρα της Μινεάπολης (το περιστατικό με τον πατέρα που διαμαρτυρήθηκε) Το περιστατικό το αφηγείται ο Charles Duhigg στο New York Times Magazine (Φεβρουάριος 2012) και στο βιβλίο The Power of Habit, χωρίς επώνυμη πηγή· ο Eric Siegel (KDnuggets) το θεωρεί ανεπιβεβαίωτο.

Τι δεν ισχύει

  • Το περιστατικό έγινε το 2012 Κατά τον Duhigg, το περιστατικό έγινε «περίπου ένα χρόνο αφότου» ο Andrew Pole, που προσλήφθηκε στην Target το 2002, έφτιαξε το μοντέλο πρόβλεψης εγκυμοσύνης, άρα πριν από το 2012· το 2012 είναι η χρονιά δημοσίευσης του άρθρου.
Αναλυτική εξήγηση

Η ιστορία προέρχεται από το άρθρο του Charles Duhigg «How Companies Learn Your Secrets» (New York Times Magazine, Φεβρουάριος 2012), όπου «ένας άνδρας μπήκε σε ένα Target έξω από τη Μινεάπολη» διαμαρτυρόμενος για κουπόνια εγκυμοσύνης που έλαβε η ανήλικη κόρη του, η οποία αποδείχθηκε έγκυος. Το περιστατικό δεν έγινε το 2012: ο Duhigg το τοποθετεί περίπου έναν χρόνο αφότου ο στατιστικολόγος Andrew Pole, που προσλήφθηκε το 2002, έφτιαξε το μοντέλο, και το 2012 είναι η χρονιά της δημοσίευσης. Η ηλικία του πατέρα δεν αναφέρεται στην πηγή, και το ίδιο το ανέκδοτο στηρίζεται σε ανώνυμη αφήγηση που ο Eric Siegel (KDnuggets) χαρακτηρίζει ανεπιβεβαίωτη.

Πηγές (4)
Ισχύει 2:29 Το λέει: Κοσμάς Μαρινάκης #2
Απομαγνητοφώνηση
«10 χρόνια πριν το περιστατικό, το target είχε δαπανήσει εκατομμύρια για να δημιουργήσει ένα επιστημονικό εργαστήριο με αντικείμενο την ανάλυση των δεδομένων που αποθήκευαν καθημερινά στα συστήματά τους από τις δραστηριότητες των πελατών τους.»

Ισχυρισμός

Περίπου δέκα χρόνια πριν από το περιστατικό (δηλαδή γύρω στο 2002) το Target είχε δαπανήσει εκατομμύρια για να στήσει μονάδα ανάλυσης των δεδομένων των πελατών του.

Έλεγχος

Τι ισχύει

  • Το Target είχε στήσει ειδική μονάδα με αντικείμενο την ανάλυση των δεδομένων που συγκέντρωνε από τις δραστηριότητες των πελατών του Duhigg (New York Times, 2012): το τμήμα Guest Marketing Analytics του Target, με δεκάδες μέλη, ανέλυε τα δεδομένα αγορών των πελατών.
Αναλυτική εξήγηση

Σύμφωνα με το ρεπορτάζ του Charles Duhigg στους New York Times (2012), από το οποίο προέρχεται η ιστορία, το Target είχε τμήμα ανάλυσης δεδομένων πελατών, το Guest Marketing Analytics, με δεκάδες μέλη, και ο στατιστικός Andrew Pole προσλήφθηκε εκεί το 2002. Το ρεπορτάζ δεν αναφέρει πόσα δαπάνησε η εταιρεία ούτε πότε ακριβώς δημιουργήθηκε το τμήμα· τα «εκατομμύρια» του κειμένου αφορούν άλλη εταιρεία, την P&G και το Febreze. Ούτε χρονολογεί το περιστατικό με τον πατέρα στη Μινεάπολη, πέρα από το ότι έγινε περίπου έναν χρόνο αφού ο Pole έφτιαξε το μοντέλο του, οπότε τα «δέκα χρόνια» δεν ελέγχονται. Ελέγχεται η ουσία, ότι το Target είχε ήδη επενδύσει σε ειδική μονάδα ανάλυσης δεδομένων, και αυτή ισχύει.

Πηγές (3)
Παραπλανητικό 6:28 Το λέει: Κοσμάς Μαρινάκης #3
Απομαγνητοφώνηση
«Το νούμερο ένα πρόβλημα που αντιμετώπιζε το target ήταν ότι ενώ τα προηγούμενα χρόνια είχε επενδύσει δισεκατομμύρια στο να αναβαθμίσει τα καταστήματά του, το μερίδιο του στην αγορά αυξανόταν απελπιστικά αργά.»

Ισχυρισμός

Στις αρχές της δεκαετίας του 2000 το Target είχε επενδύσει δισεκατομμύρια στην αναβάθμιση των καταστημάτων του, αλλά το μερίδιό του στις τακτικές αγορές των καταναλωτών (π.χ. τρόφιμα) αυξανόταν πολύ αργά, επειδή οι πελάτες πήγαιναν εκεί μόνο περιστασιακά.

Έλεγχος

Τι ισχύει

  • Τα προηγούμενα χρόνια το Target είχε επενδύσει δισεκατομμύρια στα καταστήματά του 10-K Target: 3,16 δισ. δολ. επενδύσεις το 2001 (2,53 δισ. το 2000), το 71% για νέα καταστήματα, επεκτάσεις και ανακαινίσεις
  • Αφορά το Target στις αρχές της δεκαετίας του 2000, όταν προσέλαβε τον στατιστικολόγο Andrew Pole Duhigg, NYT 2012: ο Pole προσλήφθηκε το 2002

Τι δεν ισχύει

  • Το νούμερο ένα πρόβλημα του Target ήταν ότι, παρά τις επενδύσεις, το μερίδιό του στην αγορά αυξανόταν απελπιστικά αργά Σύμφωνα με την ετήσια έκθεση του Target (SEC), τα έσοδα του Target αυξήθηκαν 13,1% το 2001, ενώ οι συνολικές λιανικές πωλήσεις στις ΗΠΑ μόλις 3,3% (Census Bureau)· και το ρεπορτάζ του Duhigg (NYT), από όπου προέρχεται η ιστορία, περιγράφει ως πρόβλημα ότι οι πελάτες πήγαιναν στο Target μόνο για ορισμένα είδη, όχι αργή αύξηση μεριδίου.
Αναλυτική εξήγηση

Οι επενδύσεις ισχύουν: σύμφωνα με την ετήσια έκθεση του Target στην SEC, το 2001 δαπάνησε 3,16 δισ. δολάρια, κυρίως σε νέα καταστήματα, επεκτάσεις και ανακαινίσεις. Το μερίδιό του όμως δεν αυξανόταν αργά: τα έσοδα του Target αυξήθηκαν 13,1% το 2001, ενώ οι συνολικές λιανικές πωλήσεις στις ΗΠΑ μόλις 3,3% (Census Bureau), και το ρεπορτάζ του Duhigg στους New York Times, από όπου προέρχεται η ιστορία, περιγράφει ως πρόβλημα ότι οι πελάτες πήγαιναν εκεί μόνο για ορισμένα είδη. Το ίδιο ρεπορτάζ σημειώνει ότι από το 2002 ως το 2010 τα έσοδα του Target ανέβηκαν από 44 σε 67 δισ. δολάρια.

Πηγές (5)
Ισχύει κυρίως 6:51 Το λέει: Κοσμάς Μαρινάκης #4
Απομαγνητοφώνηση
«Υπήρχαν τρεις συγκεκριμένες περιστάσεις που χαμήλωναν αυτή την αδράνεια και έκαναν τους καταναλωτές πολύ πιο δεκτικούς στο να αλλάξουν τα μέρη που ψώνιζαν. όταν αγόραζαν καινούργιο σπίτι, όταν έπαιρναν διαζύγιο ή όταν περίμεναν παιδί.»

Ισχυρισμός

Πρόσφατες τότε μελέτες είχαν βρει ότι τρεις περιστάσεις — η αγορά νέου σπιτιού, το διαζύγιο και η αναμονή παιδιού — κάνουν τους καταναλωτές πιο πρόθυμους να αλλάξουν τα καταστήματα όπου ψωνίζουν.

Έλεγχος

Τι ισχύει

  • Η αγορά καινούργιου σπιτιού, το διαζύγιο και η αναμονή παιδιού μειώνουν την αδράνεια των καταναλωτών και τους κάνουν πιο δεκτικούς να αλλάξουν τις αγοραστικές τους συνήθειες Η μελέτη Andreasen (1984) και το ρεπορτάζ του Duhigg (NYT, 2012) για την Target: μετακόμιση, διαζύγιο και γέννηση παιδιού κάνουν τις αγοραστικές συνήθειες ευέλικτες

Τι δεν ισχύει

  • Ήταν τρεις συγκεκριμένες περιστάσεις που είχαν αυτό το αποτέλεσμα Η έρευνα του Andreasen, όπως την παραθέτει ο Duhigg, δεν περιορίζεται σε τρεις περιστάσεις: περιλαμβάνει επίσης τον γάμο, την απώλεια ή αλλαγή δουλειάς, την αποφοίτηση και την αλλαγή πόλης.
Αναλυτική εξήγηση

Η μελέτη του καθηγητή του UCLA Alan Andreasen (1984), όπως την περιγράφει ο Charles Duhigg στους New York Times και στο «The Power of Habit», βρήκε ότι μεγάλα γεγονότα ζωής κάνουν τις αγοραστικές συνήθειες ευέλικτες: όποιος μετακομίζει σε νέο σπίτι αλλάζει δημητριακά, όποιος παίρνει διαζύγιο αλλάζει μάρκα μπίρας, ενώ η γέννηση παιδιού είναι κατά τον Duhigg «η» στιγμή που οι συνήθειες και η πίστη σε μάρκες ανοίγουν. Δεν ήταν όμως μόνο τρεις περιστάσεις: η ίδια έρευνα περιλαμβάνει και τον γάμο, την αλλαγή ή απώλεια δουλειάς και τη μετακόμιση σε άλλη πόλη. Η ουσία του ισχυρισμού ισχύει, με την απλούστευση ότι η έρευνα μετρούσε κυρίως αλλαγές μάρκας και προϊόντων, που η Target αξιοποίησε για να κερδίσει πελάτες από άλλα καταστήματα.

Πηγές (3)
Ισχύει 9:17 Το λέει: Κοσμάς Μαρινάκης #5
Απομαγνητοφώνηση
«Τι προϊόντα προέκυψαν μυλοσιόν, μία αρωματικά σαπούνια, συμπληρώματα ασβεστείου, μαγνησίου και ψτεδαργύρου, μεγάλες συσκευασίες βαμβάκι, αντισυπτικά χεριών και τέτοια.»

Ισχυρισμός

Τα προϊόντα που το μοντέλο του Target συνέδεσε με την εγκυμοσύνη περιλάμβαναν λοσιόν, μη αρωματικά σαπούνια, συμπληρώματα ασβεστίου, μαγνησίου και ψευδαργύρου, μεγάλες συσκευασίες βαμβάκι και αντισηπτικά χεριών.

Έλεγχος

Τι ισχύει

  • Το μοντέλο του Target συνέδεσε με την εγκυμοσύνη αγορές καθημερινών προϊόντων όπως λοσιόν, σαπούνια, συμπληρώματα, βαμβάκι και αντισηπτικά Duhigg/NYT 2012: ο Andrew Pole εντόπισε περίπου 25 προϊόντα για το «pregnancy prediction» score
  • Στα προϊόντα ήταν μεγάλες συσκευασίες βαμβάκι και αντισηπτικά χεριών Duhigg/NYT: «extra-big bags of cotton balls, in addition to hand sanitizers and washcloths»
  • Στα προϊόντα ήταν η λοσιόν Duhigg/NYT: «larger quantities of unscented lotion» στην αρχή του δεύτερου τριμήνου
  • Στα προϊόντα ήταν συμπληρώματα ασβεστίου, μαγνησίου και ψευδαργύρου Duhigg/NYT: «supplements like calcium, magnesium and zinc» στις πρώτες 20 εβδομάδες
  • Στα προϊόντα ήταν τα μη αρωματικά σαπούνια Duhigg/NYT: «lots of scent-free soap»
Αναλυτική εξήγηση

Το ρεπορτάζ του Charles Duhigg στους New York Times (16 Φεβρουαρίου 2012) περιγράφει ότι οι αναλυτές του Target, με επικεφαλής τον Andrew Pole, εντόπισαν περίπου 25 προϊόντα που μαζί έδιναν «βαθμό πρόβλεψης εγκυμοσύνης». Ανάμεσά τους αναφέρει τη λοσιόν χωρίς άρωμα, τα συμπληρώματα ασβεστίου, μαγνησίου και ψευδαργύρου, το σαπούνι χωρίς άρωμα, τις μεγάλες σακούλες με βαμβάκι και τα αντισηπτικά χεριών. Η απαρίθμηση του ομιλητή αντιστοιχεί σε αυτή την περιγραφή· το «αρωματικά σαπούνια» των αυτόματων υποτίτλων είναι προφανώς το «μη αρωματικά».

Πηγές (2)
Ισχύει 15:01 Το λέει: Πάνος Ιπειρώτης · Άλλος #6
Απομαγνητοφώνηση
«Για παράδειγμα, είναι γνωστό ότι μπορούν να προβλέψουνε χαρακτηριστικά, όπως πολιτικές πεποιθήσεις και ο σεξουαλικός προσανατολισμός από βασικά likes τα οποία κάνει κάποιος στο Facebook.»

Ισχυρισμός

Έχει αποδειχθεί ερευνητικά ότι αλγόριθμοι μπορούν να προβλέψουν χαρακτηριστικά όπως οι πολιτικές πεποιθήσεις και ο σεξουαλικός προσανατολισμός ενός ατόμου από τα likes του στο Facebook.

Έλεγχος

Τι ισχύει

  • Είναι γνωστό (ερευνητικά τεκμηριωμένο) ότι από τα likes κάποιου στο Facebook μπορούν να προβλεφθούν προσωπικά χαρακτηριστικά του Μελέτη Kosinski, Stillwell & Graepel, PNAS 2013, σε 58.000 χρήστες
  • Από τα likes στο Facebook μπορούν να προβλεφθούν οι πολιτικές πεποιθήσεις PNAS 2013: 85% ακρίβεια στη διάκριση Δημοκρατικού από Ρεπουμπλικάνο
  • Από τα likes στο Facebook μπορεί να προβλεφθεί ο σεξουαλικός προσανατολισμός PNAS 2013: 88% ακρίβεια για τον σεξουαλικό προσανατολισμό ανδρών
Αναλυτική εξήγηση

Η μελέτη των Kosinski, Stillwell και Graepel (PNAS, 2013), με δεδομένα πάνω από 58.000 χρηστών του Facebook στις ΗΠΑ, έδειξε ότι από τα likes μπορούν να προβλεφθούν αυτόματα ευαίσθητα χαρακτηριστικά, ανάμεσά τους ο σεξουαλικός προσανατολισμός και οι πολιτικές απόψεις. Το μοντέλο ξεχώριζε σωστά ομοφυλόφιλους από ετεροφυλόφιλους άνδρες στο 88% των περιπτώσεων και Δημοκρατικούς από Ρεπουμπλικάνους στο 85%. Οι προβλέψεις βασίζονταν κυρίως σε φαινομενικά άσχετα likes, αφού λιγότεροι από 5% των ομοφυλόφιλων χρηστών είχαν κάνει like σε σελίδες όπως «Gay Marriage».

Πηγές (2)
Ισχύει κυρίως 15:01 Το λέει: Κοσμάς Μαρινάκης #7
Απομαγνητοφώνηση
«Το 2009, μία ομάδα απλών φοιτητών του MIT έφτιαξε ένα αλγόριθμο που μόνο από τη λίστα των φίλων του στο Facebook μπορούσε να προσδιορίσει με ακρίβεια τον σεξουαλικό σου προσανατολισμό.»

Ισχυρισμός

Το 2009 φοιτητές του MIT ανέπτυξαν αλγόριθμο που, μόνο από τη λίστα φίλων ενός χρήστη στο Facebook, προσδιόριζε με ακρίβεια τον σεξουαλικό του προσανατολισμό.

Έλεγχος

Τι ισχύει

  • Ένας αλγόριθμος μπορούσε, μόνο από τη λίστα φίλων ενός χρήστη στο Facebook, να προσδιορίσει τον σεξουαλικό του προσανατολισμό Μελέτη Jernigan & Mistree στο First Monday: το ποσοστό φίλων που δηλώνουν ομοφυλόφιλοι άνδρες προέβλεπε τον προσανατολισμό ανδρών χρηστών, και σε προφίλ που δεν τον δήλωναν
  • Το έφτιαξαν φοιτητές του MIT Carter Jernigan και Behram Mistree, φοιτητές του MIT, ως εργασία μαθήματος (ABC News, Boston Globe, First Monday)

Τι δεν ισχύει

  • Ο αλγόριθμος τον προσδιόριζε με ακρίβεια, για κάθε χρήστη Κατά τη δημοσίευση στο First Monday, η μέθοδος λειτούργησε μόνο για άνδρες (ευαισθησία 78%, ειδικότητα 83%) και όχι για γυναίκες, όπου η υπόθεση των ερευνητών δεν επιβεβαιώθηκε.
  • Το έφτιαξαν το 2009 Σύμφωνα με τη δημοσίευση στο First Monday, τα δεδομένα συλλέχθηκαν τον Οκτώβριο–Νοέμβριο 2007 στο πλαίσιο μαθήματος· το 2009 δημοσιεύθηκε και έγινε γνωστή η έρευνα.
Αναλυτική εξήγηση

Πρόκειται για το «Project Gaydar» των φοιτητών του MIT Carter Jernigan και Behram Mistree, που δημοσιεύθηκε στο περιοδικό First Monday τον Σεπτέμβριο του 2009: από το ποσοστό των φίλων που δήλωναν ομοφυλόφιλοι, ο αλγόριθμος προέβλεπε τον προσανατολισμό ανδρών χρηστών, ακόμη και όσων δεν τον δήλωναν. Ωστόσο λειτούργησε μόνο για άνδρες, με ευαισθησία 78% και ειδικότητα 83%, όχι για γυναίκες, και τα δεδομένα συλλέχθηκαν το 2007, ενώ το 2009 είναι η χρονιά της δημοσίευσης. Η ουσία, ότι η λίστα φίλων αρκεί για να αποκαλύψει τον προσανατολισμό, στέκει· η γενίκευση σε όλους και η χρονολογία θέλουν διόρθωση.

Πηγές (4)
Ισχύει 15:25 Το λέει: Κοσμάς Μαρινάκης #8
Απομαγνητοφώνηση
«Το 2013 ερευνητές κατάφεραν μόνο από τα likes να συμπεράνουν την πολιτική τοποθέτηση των Χριστών και ποιοι από αυτούς είχανε θυσμό σε ουσίες.»

Ισχυρισμός

Το 2013 ερευνητές κατάφεραν, μόνο από τα likes στο Facebook, να συμπεράνουν την πολιτική τοποθέτηση των χρηστών και ποιοι από αυτούς έκαναν χρήση ουσιών.

Έλεγχος

Τι ισχύει

  • Ερευνητές κατάφεραν μόνο από τα likes στο Facebook να συμπεράνουν την πολιτική τοποθέτηση των χρηστών. Kosinski, Stillwell & Graepel (PNAS): μοντέλο μόνο με Likes ξεχώρισε Δημοκρατικούς από Ρεπουμπλικανούς στο 85% των περιπτώσεων
  • Από τα ίδια likes συμπέραναν ποιοι χρήστες έκαναν χρήση ουσιών. Η ίδια μελέτη πρόβλεψε τη χρήση εθιστικών ουσιών, με ακρίβεια 65-73%
  • Η έρευνα έγινε το 2013. Δημοσιεύθηκε στο PNAS τον Μάρτιο 2013 (τόμ. 110, τεύχ. 15)
Αναλυτική εξήγηση

Η μελέτη των Kosinski, Stillwell και Graepel, που δημοσιεύθηκε στο PNAS τον Μάρτιο του 2013 με δεδομένα από πάνω από 58.000 εθελοντές, έδειξε ότι μόνο από τα Likes στο Facebook μπορούν να προβλεφθούν ευαίσθητα χαρακτηριστικά, ανάμεσά τους οι πολιτικές απόψεις και η χρήση εθιστικών ουσιών. Το μοντέλο ξεχώρισε Δημοκρατικούς από Ρεπουμπλικανούς στο 85% των περιπτώσεων, ενώ για τη χρήση ουσιών η ακρίβεια ήταν χαμηλότερη, 65-73%. Τα στοιχεία αυτά επιβεβαιώνουν όσα λέει ο ομιλητής.

Πηγές (4)
Ισχύει κυρίως 15:25 Το λέει: Κοσμάς Μαρινάκης #9
Απομαγνητοφώνηση
«Το 2014 οι ερευνητές του Κορνέλ σε συνεργασία με το Facebook ανέλυσαν 1,3 εκατομμύρια χρήστες και βρήκαν με 70% επιτυχία το ποιος είναι σε σχέση με ποιον. Μια άλλη ομάδα επιστημόνων μπόρεσε με τη χρήση αλγθμου να προβλέψει και ποιοι θα χώριζαν και πότε.»

Ισχυρισμός

Το 2014 ερευνητές του Cornell σε συνεργασία με το Facebook ανέλυσαν 1,3 εκατομμύρια χρήστες και εντόπισαν με επιτυχία περίπου 70% ποιος είναι σε σχέση με ποιον, ενώ μια άλλη ομάδα μπόρεσε να προβλέψει ποια ζευγάρια θα χώριζαν.

Έλεγχος

Τι ισχύει

  • Ερευνητές του Κορνέλ σε συνεργασία με το Facebook βρήκαν με 70% επιτυχία ποιος είναι σε σχέση με ποιον. Backstrom (Facebook) και Kleinberg (Cornell): ο σύντροφος εντοπίστηκε στο 70,5% των περιπτώσεων.
  • Ανέλυσαν 1,3 εκατομμύρια χρήστες. Δείγμα περίπου 1,3 εκατ. χρηστών, κατά το paper και το Cornell Chronicle.
  • Η μελέτη έγινε το 2014. Παρουσιάστηκε στο συνέδριο CSCW τον Φεβρουάριο 2014 (προδημοσίευση Οκτώβριο 2013).

Τι δεν ισχύει

  • Μια άλλη ομάδα επιστημόνων μπόρεσε με αλγόριθμο να προβλέψει ποιοι θα χώριζαν και πότε. Το εύρημα για τους χωρισμούς προέρχεται από την ίδια μελέτη Backstrom–Kleinberg και δείχνει μόνο ότι, όταν ο αλγόριθμος δεν εντοπίζει τον σύντροφο, η πιθανότητα μετάβασης σε «single» μέσα σε 60 ημέρες είναι έως περίπου 50% μεγαλύτερη, όχι πρόβλεψη του ποιοι θα χωρίσουν και πότε.
Αναλυτική εξήγηση

Η μελέτη των Lars Backstrom (Facebook) και Jon Kleinberg (Cornell), που παρουσιάστηκε τον Φεβρουάριο 2014, ανέλυσε περίπου 1,3 εκατομμύρια χρήστες και εντόπισε τον σύντροφο στο 70,5% των περιπτώσεων, όπως είπε ο ομιλητής. Το εύρημα για τους χωρισμούς όμως προέρχεται από την ίδια μελέτη, όχι από άλλη ομάδα, και δεν προβλέπει ποιοι θα χωρίσουν και πότε: δείχνει ότι όπου ο αλγόριθμος δεν εντόπιζε τον σύντροφο, η πιθανότητα μετάβασης σε «single» μέσα σε 60 ημέρες ήταν έως περίπου 50% μεγαλύτερη. Το κεντρικό στοιχείο ισχύει, αλλά η δυνατότητα πρόβλεψης χωρισμών παρουσιάζεται πιο ακριβής απ' ό,τι ήταν.

Πηγές (4)
Ισχύει κυρίως 15:49 Το λέει: Κοσμάς Μαρινάκης #10
Απομαγνητοφώνηση
«Ενώ το 2017 ψυχολόγοι κατάφεραν να εντοπίσουν περιστατικά ψυχικής νόσου πριν αυτά εμφανιστούν μόνο από τα γλωσσικά μοτίβα σε δημόσιες αναρτήσεις.»

Ισχυρισμός

Το 2017 ψυχολόγοι κατάφεραν να εντοπίσουν περιστατικά ψυχικής νόσου πριν διαγνωστούν, μόνο από τα γλωσσικά μοτίβα σε δημόσιες αναρτήσεις στα μέσα κοινωνικής δικτύωσης.

Έλεγχος

Τι ισχύει

  • Ψυχολόγοι κατάφεραν να εντοπίσουν περιστατικά ψυχικής νόσου πριν αυτά εμφανιστούν (διαγνωστούν), από δημόσιες αναρτήσεις στα μέσα κοινωνικής δικτύωσης. Μελέτη Reece κ.ά. στο Scientific Reports: ενδείξεις κατάθλιψης στο Twitter έως εννέα μήνες πριν τη διάγνωση, και PTSD πολλούς μήνες πριν τη διάγνωση
  • Η έρευνα έγινε το 2017 από ψυχολόγους. Δημοσίευση Scientific Reports 2017· επικεφαλής ο Andrew Reece και η Ellen Langer του Τμήματος Ψυχολογίας του Harvard, με μαθηματικούς του University of Vermont

Τι δεν ισχύει

  • Ο εντοπισμός έγινε μόνο από τα γλωσσικά μοτίβα των αναρτήσεων. Σύμφωνα με τη δημοσίευση στο Scientific Reports, τα μοντέλα χρησιμοποίησαν, εκτός από τη γλώσσα των tweets, και δεδομένα συμπεριφοράς, όπως πόσα tweets ανέβαζε κάθε χρήστης την ημέρα και αν ήταν retweets ή απαντήσεις.
Αναλυτική εξήγηση

Η μελέτη υπάρχει: ερευνητές του Τμήματος Ψυχολογίας του Harvard και του University of Vermont δημοσίευσαν το 2017 στο Scientific Reports ανάλυση 279.951 tweets από 204 άτομα, όπου ενδείξεις κατάθλιψης εμφανίζονταν έως εννέα μήνες πριν από τη διάγνωση και ενδείξεις PTSD πολλούς μήνες πριν. Σημαίνει όμως εντοπισμό πριν από τη διάγνωση, όχι πριν από την εκδήλωση της νόσου, και πρόκειται για στατιστικά μοντέλα σε μικρό δείγμα εθελοντών. Τα μοντέλα δεν στηρίχτηκαν μόνο στη γλώσσα: χρησιμοποίησαν και δεδομένα συμπεριφοράς, όπως τη συχνότητα των αναρτήσεων και το αν ήταν retweets ή απαντήσεις.

Πηγές (3)
Ισχύει 16:35 Το λέει: Κοσμάς Μαρινάκης #11
Απομαγνητοφώνηση
«Το 2012 η Wall Street Journal κατήγγειλε ότι το Orbit έδειχνε ακριβότερα ξενοδοχεία ως όσους έμπαιναν από Mac και αλυσίδα ειδων γραφείου staples χρεώνε περισσότερο όσους ζούσαν μακριά από κατάστημα ανταγωνιστή.»

Ισχυρισμός

Το 2012 η Wall Street Journal αποκάλυψε ότι η Orbitz έδειχνε ακριβότερα ξενοδοχεία στους χρήστες Mac και ότι η Staples χρέωνε online υψηλότερες τιμές σε όσους ζούσαν μακριά από κατάστημα ανταγωνιστή.

Έλεγχος

Τι ισχύει

  • Η αλυσίδα ειδών γραφείου Staples χρέωνε περισσότερο όσους ζούσαν μακριά από κατάστημα ανταγωνιστή Έρευνα WSJ, 24 Δεκεμβρίου 2012: εκπτωτική τιμή στο Staples.com όταν OfficeMax ή Office Depot απείχε έως ~20 μίλια
  • Η Orbitz έδειχνε ακριβότερα ξενοδοχεία σε όσους έμπαιναν από Mac WSJ, Dana Mattioli, 26 Ιουνίου 2012: «different, and sometimes costlier, travel options» για χρήστες Mac
  • Το 2012 η Wall Street Journal κατήγγειλε τις πρακτικές αυτές Δημοσιεύματα WSJ 26 Ιουνίου 2012 (Orbitz) και 24 Δεκεμβρίου 2012 (Staples)
Αναλυτική εξήγηση

Στις 26 Ιουνίου 2012 η Wall Street Journal αποκάλυψε ότι η Orbitz, έχοντας διαπιστώσει ότι οι χρήστες Mac ξοδεύουν έως 30% περισσότερο ανά διανυκτέρευση, τους έδειχνε διαφορετικές και ενίοτε ακριβότερες επιλογές ξενοδοχείων. Στις 24 Δεκεμβρίου 2012 έρευνα της ίδιας εφημερίδας έδειξε ότι το Staples.com έδινε συνήθως χαμηλότερη τιμή όταν κατάστημα OfficeMax ή Office Depot βρισκόταν σε απόσταση περίπου 20 μιλίων, άρα χρέωνε ακριβότερα όσους ζούσαν μακριά από ανταγωνιστή. Η Orbitz δεν χρέωνε το ίδιο δωμάτιο ακριβότερα, αλλά ο ομιλητής είπε ότι «έδειχνε» ακριβότερα ξενοδοχεία, που είναι ακριβές.

Πηγές (2)
  • On Orbitz, Mac Users Steered to Pricier Hotels The Wall Street Journal (AllThingsD, 26 Ιουνίου 2012)

    «Orbitz Worldwide Inc. has found that people who use Apple Inc.'s Mac computers spend as much as 30 percent more a night on hotels, so the online travel agency is starting to show them different, and sometimes costlier, travel options than Windows visitors see.»

  • Web Sites Vary Prices, Deals Based on Users' Information The Wall Street Journal (AllThingsD, 24 Δεκεμβρίου 2012)

    «Staples appeared to consider the person's distance from a rival brick-and-mortar store, either OfficeMax Inc. or Office Depot Inc. If rival stores were within 20 miles or so, Staples.com usually showed a discounted price.»

Ισχύει 16:59 Το λέει: Κοσμάς Μαρινάκης #12
Απομαγνητοφώνηση
«Το 2015 έρευνα του Probl έδειξε ότι το φροντιστήριο πριν στο review χρεώνε ακριβότερα δίδακτρα στις περιοχές που κατοικούσαν περισσότεροι ασιάτες.»

Ισχυρισμός

Το 2015 έρευνα του ProPublica έδειξε ότι το Princeton Review χρέωνε ακριβότερα δίδακτρα για τα online μαθήματά του σε περιοχές με περισσότερους κατοίκους ασιατικής καταγωγής.

Έλεγχος

Τι ισχύει

  • Το Princeton Review χρέωνε ακριβότερα δίδακτρα στις περιοχές όπου κατοικούσαν περισσότεροι Ασιάτες ProPublica: σε περιοχές με πυκνό ασιατικό πληθυσμό η πιθανότητα υψηλότερης τιμής ήταν 1,8 φορές μεγαλύτερη, ανεξαρτήτως εισοδήματος
  • Η έρευνα έγινε από το ProPublica το 2015 Άρθρο του ProPublica, 1 Σεπτεμβρίου 2015
Αναλυτική εξήγηση

Η έρευνα του ProPublica, που δημοσιεύθηκε την 1η Σεπτεμβρίου 2015, βρήκε ότι οι τιμές για τα online πακέτα προετοιμασίας SAT του Princeton Review διέφεραν ανά ταχυδρομικό κώδικα (από 6.600 έως 8.400 δολάρια για το Premier) και ότι σε περιοχές με πυκνό ασιατικό πληθυσμό η πιθανότητα υψηλότερης τιμής ήταν 1,8 φορές μεγαλύτερη, ανεξαρτήτως εισοδήματος. Η εταιρεία απέδωσε τις τιμές στο κόστος και στον ανταγωνισμό κάθε αγοράς και αρνήθηκε ότι πρόκειται για διάκριση, όμως ο ομιλητής περιέγραψε το αποτέλεσμα της έρευνας, όχι πρόθεση.

Πηγές (2)
Ισχύει 16:59 Το λέει: Κοσμάς Μαρινάκης #13
Απομαγνητοφώνηση
«Και το 2016 ο επικεφαλής οικονομικής έρευνας της δήλωσε ότι το να σου τελειώνει η μπαταρία στο κινητό είναι από τους ισχυρότερους δείκτες ότι θα δεχτείς υψηλότερο κόμιστρο.»

Ισχυρισμός

Το 2016 ο επικεφαλής οικονομικής έρευνας της Uber δήλωσε ότι η χαμηλή μπαταρία στο κινητό είναι από τους ισχυρότερους δείκτες ότι ο χρήστης θα δεχτεί υψηλότερο κόμιστρο (surge pricing).

Έλεγχος

Τι ισχύει

  • Η χαμηλή μπαταρία στο κινητό είναι από τους ισχυρότερους δείκτες ότι ο χρήστης θα δεχτεί υψηλότερο κόμιστρο Δήλωση του Keith Chen στο Hidden Brain του NPR: «one of the strongest predictors… is how much battery you have left», όπως μεταδόθηκε από NZ Herald, Engadget και άλλα μέσα
  • Το δήλωσε ο επικεφαλής οικονομικής έρευνας της Uber Ο Keith Chen ήταν τότε head of economic research της Uber (NPR, NZ Herald, Engadget)
  • Η δήλωση έγινε το 2016 Συνέντευξη στο NPR Hidden Brain, Μάιος 2016
Αναλυτική εξήγηση

Τον Μάιο του 2016 ο Keith Chen, τότε επικεφαλής οικονομικής έρευνας της Uber, είπε στο podcast Hidden Brain του NPR ότι «ένας από τους ισχυρότερους δείκτες» για το αν κάποιος θα δεχτεί αυξημένη χρέωση (surge) είναι πόση μπαταρία του έχει απομείνει στο κινητό. Η δήλωση καταγράφηκε από NZ Herald, Engadget και άλλα μέσα. Ο Chen πρόσθεσε ότι η Uber δεν χρησιμοποιεί την πληροφορία για να ανεβάζει τις τιμές, κάτι που ο ομιλητής δεν ισχυρίστηκε.

Πηγές (3)
Ισχύει 18:34 Το λέει: Κοσμάς Μαρινάκης #14
Απομαγνητοφώνηση
«Η General Motors, η Hyundai και η Honda έχουν ήδη μοιραστεί τέτοια στοιχεία με ασφαλιστικές.»

Ισχυρισμός

Οι General Motors, Hyundai και Honda έχουν μοιραστεί με ασφαλιστικές εταιρείες δεδομένα οδήγησης που συλλέγουν τα αυτοκίνητά τους, τα οποία μπορούν να επηρεάσουν τα ασφάλιστρα.

Έλεγχος

Τι ισχύει

  • Αυτοκινητοβιομηχανίες έχουν ήδη μοιραστεί με ασφαλιστικές δεδομένα οδήγησης από τα αυτοκίνητα των πελατών τους FTC (2025) και επιστολή Wyden–Markey (2024): τα δεδομένα πουλήθηκαν σε εταιρείες δεδομένων που τα πούλησαν σε ασφαλιστικές
  • Η General Motors έχει μοιραστεί τέτοια δεδομένα Καταγγελία και τελική απόφαση της FTC για GM/OnStar (2025–2026)
  • Η Hyundai έχει μοιραστεί τέτοια δεδομένα Επιστολή Wyden–Markey: δεδομένα 1,7 εκατ. αυτοκινήτων στη Verisk έναντι ~1,04 εκατ. δολαρίων
  • Η Honda έχει μοιραστεί τέτοια δεδομένα Επιστολή Wyden–Markey: δεδομένα ~97.000 αυτοκινήτων στη Verisk έναντι 25.920 δολαρίων
Αναλυτική εξήγηση

Η Ομοσπονδιακή Επιτροπή Εμπορίου των ΗΠΑ (FTC) διαπίστωσε ότι η GM πουλούσε δεδομένα οδήγησης (απότομα φρεναρίσματα, υπερβολική ταχύτητα, νυχτερινή οδήγηση) σε εταιρείες αξιολόγησης καταναλωτών, που τα χρησιμοποίησαν ασφαλιστικές για να ορίσουν ή να αρνηθούν ασφάλιστρα· τον Ιανουάριο 2026 της απαγόρευσε την πρακτική για πέντε χρόνια. Η έρευνα των γερουσιαστών Wyden και Markey (Ιούλιος 2024) έδειξε ότι η Hyundai έδωσε στη Verisk δεδομένα 1,7 εκατ. αυτοκινήτων και η Honda περίπου 97.000, και η Verisk πουλούσε σχετικές αναφορές σε ασφαλιστικές. Τα δεδομένα δεν πήγαν απευθείας στις ασφαλιστικές αλλά μέσω εταιρειών δεδομένων, κάτι που δεν αλλάζει την ουσία του ισχυρισμού.

Πηγές (4)
Ισχύει 20:52 Το λέει: Κοσμάς Μαρινάκης #15
Απομαγνητοφώνηση
«Στο πανεπιστήμιο της εξφορδίς λειτουργεί ένα πρόγραμμα υπολογιστικής προπαγάνδας που καταγράφει τις αλγωριθμικές επιθέσεις σε ολόκληρο τον πλανήτη.»

Ισχυρισμός

Στο Πανεπιστήμιο της Οξφόρδης λειτουργεί πρόγραμμα για την υπολογιστική προπαγάνδα που καταγράφει τις οργανωμένες εκστρατείες χειραγώγησης στα μέσα κοινωνικής δικτύωσης σε όλο τον κόσμο.

Έλεγχος

Τι ισχύει

  • Το πρόγραμμα καταγράφει τις αλγοριθμικές επιθέσεις (οργανωμένη χειραγώγηση στα μέσα κοινωνικής δικτύωσης) σε όλο τον πλανήτη Ετήσιες παγκόσμιες καταγραφές του OII: 48 χώρες το 2018, 70 το 2019
  • Στο Πανεπιστήμιο της Οξφόρδης λειτουργεί πρόγραμμα για την υπολογιστική προπαγάνδα Computational Propaganda Project του Oxford Internet Institute (σελίδες του OII)
Αναλυτική εξήγηση

Το Oxford Internet Institute του Πανεπιστημίου της Οξφόρδης φιλοξενεί το Computational Propaganda Project, που ορίζει την υπολογιστική προπαγάνδα ως χρήση αλγορίθμων, αυτοματισμού και δεδομένων για τη χειραγώγηση της κοινής γνώμης. Το πρόγραμμα δημοσιεύει παγκόσμιες καταγραφές οργανωμένης χειραγώγησης στα μέσα κοινωνικής δικτύωσης από κυβερνήσεις και κόμματα: 48 χώρες στην έκθεση του 2018 και 70 στην έκθεση του 2019. Η περιγραφή του ομιλητή αντιστοιχεί στο έργο αυτό.

Πηγές (2)
Ισχύει 21:17 Το λέει: Κοσμάς Μαρινάκης #16
Απομαγνητοφώνηση
«Ήδη υπάρχουν επίσημα απορίσματα που τεκμηριώνουν την εκτεταμένη χρήση τέτοιων πρακτικών από τη Ρωσία, σαφείς ενδείξεις ανάλογης δράσης από την Κίνα και τις Φιλιπίνες.»

Ισχυρισμός

Υπάρχουν επίσημα πορίσματα που τεκμηριώνουν την εκτεταμένη χρήση δικτύων ψεύτικων λογαριασμών για επηρεασμό εκλογών ή πολιτικού κλίματος σε άλλες χώρες από τη Ρωσία, και σαφείς ενδείξεις ανάλογης δράσης από την Κίνα και τις Φιλιππίνες.

Έλεγχος

Τι ισχύει

  • Υπάρχουν επίσημα πορίσματα που τεκμηριώνουν την εκτεταμένη χρήση τέτοιων πρακτικών (οργανωμένης χειραγώγησης στα μέσα κοινωνικής δικτύωσης) από τη Ρωσία. Έκθεση Mueller (2019) και έκθεση της Επιτροπής Πληροφοριών της Γερουσίας των ΗΠΑ (τόμος 2, 2019) για την Internet Research Agency
  • Υπάρχουν σαφείς ενδείξεις ανάλογης δράσης από την Κίνα. Meta, 2023: το δίκτυο Spamouflage, η μεγαλύτερη γνωστή κρυφή επιχείρηση επιρροής, με δεσμούς με την κινεζική αστυνομία
  • Υπάρχουν σαφείς ενδείξεις ανάλογης δράσης από τις Φιλιππίνες. Meta, 2020: δίκτυο ψεύτικων λογαριασμών με δεσμούς με τον στρατό και την αστυνομία των Φιλιππίνων· Oxford Internet Institute για τον «στρατό τρολ» του Ντουτέρτε
Αναλυτική εξήγηση

Η έκθεση του ειδικού εισαγγελέα Mueller και η δικομματική έκθεση της Επιτροπής Πληροφοριών της Γερουσίας των ΗΠΑ (2019) κατέγραψαν ότι η ρωσική Internet Research Agency χρησιμοποίησε συστηματικά ψεύτικους λογαριασμούς για να επηρεάσει τις εκλογές του 2016. Για την Κίνα, η Meta απέδωσε το 2023 το δίκτυο Spamouflage, που χαρακτήρισε τη μεγαλύτερη γνωστή διαπλατφορμική κρυφή επιχείρηση επιρροής, σε πρόσωπα συνδεδεμένα με την κινεζική αστυνομία. Για τις Φιλιππίνες, η Meta αφαίρεσε το 2020 δίκτυο ψεύτικων λογαριασμών με δεσμούς με τον στρατό και την αστυνομία της χώρας, και το Oxford Internet Institute κατέγραψε πληρωμένους «τρολ» της εκστρατείας Ντουτέρτε το 2016· η φιλιππινέζικη δράση όμως στόχευε κυρίως το εσωτερικό κοινό, όχι άλλες χώρες.

Πηγές (5)
Ισχύει κυρίως 21:41 Το λέει: Κοσμάς Μαρινάκης #17
Απομαγνητοφώνηση
«Ενώ σύμφωνα με τον ΟΗΕ ο αλγόριθμος του Facebook έπαιξε σημαντικό ρόλο στη γενοκτονία της Mianmart το 2017 με χιλιάδες νεκρούς, βιασμούς και διωγμό 700.000 ανθρώπων.»

Ισχυρισμός

Σύμφωνα με τον ΟΗΕ, ο αλγόριθμος του Facebook έπαιξε σημαντικό ρόλο στη γενοκτονία των Ροχίνγκια στη Μιανμάρ το 2017, που είχε χιλιάδες νεκρούς, βιασμούς και τον εκτοπισμό 700.000 ανθρώπων.

Έλεγχος

Τι ισχύει

  • Σύμφωνα με τον ΟΗΕ, το Facebook έπαιξε σημαντικό ρόλο στη γενοκτονία των Ροχίνγκια στη Μιανμάρ Αποστολή διερεύνησης του ΟΗΕ (Darusman, 2018): «καθοριστικός» και «σημαντικός» ρόλος του Facebook· η ίδια αποστολή ζήτησε δίωξη για γενοκτονία
  • Η βία είχε χιλιάδες νεκρούς, βιασμούς και διωγμό 700.000 ανθρώπων ΟΗΕ: συντηρητική εκτίμηση 10.000 νεκρών, περίπου 725.000 πρόσφυγες στο Μπανγκλαντές· Διεθνής Αμνηστία για βιασμούς
  • Τα γεγονότα έγιναν το 2017 Επιχειρήσεις «εκκαθάρισης» από τον Αύγουστο 2017 (ΟΗΕ, Διεθνής Αμνηστία)

Τι δεν ισχύει

  • Ο ΟΗΕ απέδωσε τον ρόλο αυτό στον αλγόριθμο του Facebook Η αποστολή του ΟΗΕ μίλησε για το Facebook ως μέσο διάδοσης μίσους χωρίς να κατονομάσει τον αλγόριθμο· την ενίσχυση του μίσους από τους αλγορίθμους την κατήγγειλε η Διεθνής Αμνηστία το 2022.
Αναλυτική εξήγηση

Η Ανεξάρτητη Διεθνής Αποστολή Διερεύνησης του ΟΗΕ για τη Μιανμάρ είπε το 2018 ότι τα μέσα κοινωνικής δικτύωσης, δηλαδή το Facebook, είχαν «καθοριστικό» ρόλο στη βία κατά των Ροχίνγκια, και ζήτησε τη δίωξη στρατιωτικών ηγετών για γενοκτονία. Τα νούμερα στέκουν: ο ΟΗΕ θεώρησε συντηρητική την εκτίμηση των 10.000 νεκρών, κατέγραψε βιασμούς και περίπου 725.000 ανθρώπους που κατέφυγαν στο Μπανγκλαντές μετά τον Αύγουστο του 2017. Ο ΟΗΕ όμως μίλησε για το Facebook ως εργαλείο διάδοσης μίσους, όχι ειδικά για τον αλγόριθμό του· την ενίσχυση του μίσους από τους αλγορίθμους την τεκμηρίωσε η Διεθνής Αμνηστία το 2022.

Πηγές (5)

Σχόλια (0)

Δεν υπάρχουν ακόμη σχόλια.

Απομαγνητοφώνηση (el, αυτόματη)
[0:00] เฮ Το 2012 ένας Αμερικανός γύρω στα 40
[0:32] μπήκε στο σούπερμάρκετ Target που βρισκόταν στα παράστα της Μινεάπολης. Εμφανώς ο εκνευρισμένος ζήτησε να δει τον υπεύθυνο. Όταν έγινε δεκτός από το διευθύν του καταστήματος πέταξε πάνω στο γραφείο του ένα ματσο διαφημιστικά φυλλάδια. Όλα αυτά του είπε είναι προσφορές για προϊόντα εκυμοσύνης και τα στέλνετε στην κόρη μου που είναι ανήλικη. Έχετε χάσει το μυαλό σας τελείως Ο διευθυντής πήρε στα χέρια του
[0:55] τα φυλλάδιασίου ότι πρόκειται για λάθος. Το target είχε δεδομένα για τους πελάτες που έστενε έξω ατομακευμένες διαφημίσεις και δεν θα ταχυδρομούσε ποτέ τέτοιες προσφορές σε ένα παιδί. Κι όμως τα στοιχεία της νεαρής ήταν κανονικά τυπωμένα στην πάνω δεξιά αγωνία κάθε φυλαδίου. Ο υπεύθυνος ζήτησε συγγνώμη από τον άνθρωπο και ανέφερε αμέσως το περιστατικό στα κεντρικά για να μην επαναληφθεί στο μέλλον. Λίγες μέρες μετά
[1:18] επικοινώνησε ξανά μαζί του για να ζητήσει ακόμα μια φορά συγγνώμη και να σιγουρευτεί ότι η κοπέλα έπαψε να λαμβάνει τα φυλλάδια. Μόνο που σ αυτό το τηλεφώνημα το ύφος του πατέρα ήταν εντελώς διαφορετικό. Αισθάνομαι πολύ άσχημα του είπε. Συνέβαιναν κάποια πράγματα στο σπίτι μου που δεν γνώριζα. Η κόρη μου είναι όντως έγκυος και σε λίγους μήνες θα γεννήσει. Δεν το ήξερα ούτε εγώ ούτε η σύζυγός μου. Το ήξερε
[1:41] όμως το target και μάλιστα χωρίς η κοπέλα ή κανείς άλλος να του το έχει αποκαλύψει ποτέ. Σήμερα στο Greγονόomx μιλάμε για τη νέα τάξη πραγμάτων στην πληροφορία. για το πώς καθημερινές ανυποψίαστες επιλογές σου διαρέουν τα πιο πολύτιμα μυστικά σου και πώς αυτά χρησιμοποιούνται εναντίον σου. Αυτό το επεισόδιο δεν είναι για κάτι που ίσως σου τύχει. Είναι για την ασύμετρη δύναμη της πληροφορίας που ήδη αλλάζει τη ζωή
[2:05] όλων μας. Πάμε να δούμε. Το target δεν είχε υποκλέψει την πληροφορία για την εγκυμοσύνη της νεαρής. Τα συνήθη δεδομένα είχε για εκείνη. το όνομά της, τη διεύθυνσή της και τα προϊόντα που άγριζε στο κατάστημα. Το μυστήριο λοιπόν του πώς γνώριζε δεν κρυβόταν στο πώς η πληροφορία διέθεται, αλλά στο πώς την χρησιμοποίησε για να συμπεράνει ποιες
[2:29] από τις εκατομμύρια πελάτισές του περίμεναν παιδί. Θα εξεχίσουμε πολύ αναλυτικά πώς οι εταιρείες χρησιμοποιούν κοινά μη απόρρητα δεδομένα για να εκμεύσουν ακόμα και τις πιο κρυφές λεπτομέρειες της ζωής σου. Πριν φτάσουμε όμως εκεί, έχει τεράστια σημασία το γιατί το κατάστημα προσπάθησε να μάθει ότι η κοπέλα ήταν έγκυος. 10 χρόνια πριν το περιστατικό,
[2:52] το target είχε δαπανήσει εκατομμύρια για να δημιουργήσει ένα επιστημονικό εργαστήριο με αντικείμενο την ανάλυση των δεδομένων που αποθήκευαν καθημερινά στα συστήματά τους από τις δραστηριότητες των πελατών τους. Μιλάμε για μία τερατώδη μάζα πληροφορίας που ήταν μάλιστα προσωποποιημένη. Πώς ήξερε το target ποιος αγοράζει τι από τις εκπτωτικές κάρτες >> Τα σούπερμάρκετ διάφορες αλυσίδες θέλουν
[3:17] να ξέρουνε τι αγοράζει ένας πελάτης όχι μόνο σε μία επίσκεψη αλλά ε ανάμεσα σε διαφορετικές επισκέψεις και να συνδέει τις καταναλωτικές συνθήκες πιο μακροπρόθεσμα. δίνουνε τέτοιες κάρτες στους πελάτες οι οποίες τις χρησιμοποιούνε κάθε φορά που κάνουνε μια αγορά παίρνοντας και κάποιες εκπτώσεις σαν αντάλλαγμα και έτσι οι αλυσίδες όπως
[3:41] το target μπορούν να χρησιμοποιήσουνε αυτά τα στοιχεία για να αναλύουν ένα ολόκληρο ιστορικό αγορών και μετά αναλύοντας αυτές τις αγορές μπορούν να βγάλουνε συσχετήσεις. Αυτός είναι ο Πάνος Ηπειρώτης, καθηγητής τεχνολογίας και business στο Πανεπιστήμιο της Νέας Υόρκης και κορυφαίος ειδικός παγκοσμίως σε θέματα online πληροφοριακών συστημάτων. Συζητάμε για το πώς οι εταιρείες μαθαίνουν για μας.
[4:04] >> Για παράδειγμα, κάποιος όταν αγοράζει ένα κινητό πολύ πιθανόν μετά να πάει και να αγοράσει και μία θήκη. Κάποιος ο οποίος θα αγοράσει παιδιλα του σκί μετά θα αγοράσει γάνθια ή μάσκα. Όταν βλέπεις τι αγοράζουνε πάρα πολλοί άνθρωποι μαζί μπορείς να εντοπίσεις τέτοιες συνδέσεις. Κατά την έκδοση της κάρτας λοιπόν, το μαγαζί σου ζητούσε το όνομά σου, τη διεύθυνση και την ημερομηνία γέννησης και χωρίς εσύ να το ξέρεις, σου άνοιγε
[4:28] στο σύστημά του έναν ονομαστικό φάκελο, όπου καταχωρούσε τι αγόρασες, πότε, σε ποια τιμή, σε ποια ποσότητα και σε ποιο υποκατάστημα. Ο αρχικός σκοπός ήταν να μελετήσουν πώς ανταποκρίνεται κάθε πελάτης στις προσφορές, γιατί αυτό θα μπορούσε να τους αποφέρει εκατομμύρια. Πρόσεξε όμως γιατί δεν έκαναν αυτό που νομίζεις. Το κατάστημα πειραματιζόταν, έβαζε ας πούμε το τάδε ακριβόβούρο 10% έκπτωση και οι πωλήσεις φυσικά
[4:52] ανέβαιναν. Αν έβλεπαν ότι η αύξηση προήλθε κυρίως από καταναλωτές που πριν αγόραζαν κάποια άλλη φθηνότερη μάρκα, τότε τι έκαναν επαναλάμβαναν τακτικά αυτή την προσφορά μέχρι οι πελάτες να συνηθίσουν να αγοράζουν το ακριβότερο προϊόν και χωρίς την έκπτωση. Δεν προσπαθούσαν δηλαδή απλώς να ερευνήσουν τη συνήθεση των καταναλωτών. Της τροποποιούσαν όπως τους συνέφερε. Παρόμοια πειράματα έκαναν και με τον
[5:16] τρόπο που τοποθετούσαν τα προϊόντα στο κατάστημα. >> Εδώ βρίσκεται και η δύναμη της κατάταξης. Όταν ψάχνεις για οποιοδήποτε προϊόν, δεν κοιτάς εκατοντάδες επιλογές με την ίδια προσοχή. Δίνεις περισσότερο χρόνο σε αυτές που εμφανίζονται πρώτες. Άρα μια εταιρεία μπορεί εύκολα να επηρεάσει το τι θα αγοράσεις, απλώς αλλάζοντας ποιες επιλογές θα δεις πρώτα. >> Το κάνουν συνειδητά αυτό οι εταιρείες. Δηλαδή καταβάλλουν προσπάθεια στο να
[5:39] κάνουνε preference engineering ακόμα και σε σούπερμάρκετ ή σε απλότερα καταστήματα, καταστήματα ρούχων κταλπ. >> Προφανώς ειδικά σε online αυτό γίνεται πάρα πολύ εύκολα. Προσπαθούμε να βρούμε ποια είναι τα προϊόντα τα οποία ο πελάτης θα αγοράσει εύκολα, τα οποία θα είναι πολύ κοντά στις προτιμήσεις του. Πιθανόν να έχουμε και περισσότερο κέρδος. Μην ξεχνάμε τώρα οι εταιρείες
[6:03] ενδιαφέρονται πάρα πολύ για το κέρδος τους. Οπότε δίνουμε προϊόντα τα οποία ο πελάτης θα αγοράσει πιο εύκολα. Και τα retail καταστήματα, τα σούπερμάρκετ καταστήματα ρούχων επίσης αλλάζουνε το πώς παρουσιάζουνε τα προϊόντα μέσα στο μαγαζί, αλλά όταν είμαστε online αυτό γίνεται πάρα πολύ πιο εύκολο. Ένα άλλο ζήτημα που ενδιέφερε τους επιστήμονες του target ήταν το πώς να
[6:28] χρησιμοποιήσουν αυτά τα δεδομένα για στοχευμένη διαφήμιση. Και πάλι όμως, όχι για αυτό που φαντάζεσαι. Το νούμερο ένα πρόβλημα που αντιμετώπιζε το target ήταν ότι ενώ τα προηγούμενα χρόνια είχε επενδύσει δισεκατομμύρια στο να αναβαθμίσει τα καταστήματά του, το μερίδιο του στην αγορά αυξανόταν απελπιστικά αργά. Ο κόσμος πήγαινε αλλά περιστασιακά για κάλτσες, χαρτικά και καθαριστικά. Τις τακτικές αγορές του
[6:51] συνέχισε να τις κάνει στα μαγαζιά που είχε συνηθίσει. Αυτό στο μάρκετιν ονομάζεται αδράνια επιλογής καταστήματος. Οι καταναλωτές μπορούν σχετικά εύκολα να μεταπηδήσουν από τη μία μάρκα προϊόντος στην άλλη. Τους είναι όμως πολύ πιο δύσκολο να αλλάξουν το κατάστημα, το φυσικό χώρο που πραγματοποιούν τις αγορές τους. Κάποιες πρόσφατες μελέτες ωστόσο είχαν ανακαλύψει κάτι πολύ ενδιαφέρον. Υπήρχαν τρεις συγκεκριμένες περιστάσεις που
[7:15] χαμήλωναν αυτή την αδράνεια και έκαναν τους καταναλωτές πολύ πιο δεκτικούς στο να αλλάξουν τα μέρη που ψώνιζαν. όταν αγόραζαν καινούργιο σπίτι, όταν έπαιρναν διαζύγιο ή όταν περίμεναν παιδί. Όπως καταλαβαίνεις από αυτές τις τρεις η τελευταία φάνηκε στο target η πιο ενδιαφέρουσα γιατί ξοδεύει και πολύ περισσότερα χρήματα στο σούπερμάρκετ. Γι αυτό ήθελα να ξέρουν αν μια γυναίκα είναι έγκυος από νωρίς για να της
[7:38] στέλνουν καλές προσφορές για είδη εκιμοσύνης, να κολλάνε και μερικές ακόμα καλύτερες για άλλα είδη και αφού την εκπαιδεύσουν να κάνει όλα τα ψώνια της εκεί, να τους μείνει μετά μόνιμα ως πελάτισα. Πώς καταλαβαίνεις όμως αν μια γυναίκα είναι έγκυος πριν από όλους τους άλλους Με τη χρήση μαθηματικών αλγθμών. Ένας αλγόριθμος είναι μια σειρά οδηγιών
[8:08] για να λύσεις ένα πρόβλημα ή να ολοκληρώσεις μία δουλειά. Σκέψου για παράδειγμα μια συνταγή μαγειρικής. Ακολουθείς συγκεκριμένα βήματα για να φτάσεις σε ένα αποτέλεσμα. Οι αλγόριθμοι δηλαδή δεν κατανοούν, δεν κρίνουν, απλά εκτελούν μία λίστα πράξεων. Παίρνουν το α, του κάνουν το Β, το γ και το Δ και σου δίνουν αυτό που θα προκύψει. Κοίταξε πώς θα μπορούσε να είναι μία απλοποιημένη εκδοχή του αλγόριθμου του
[8:32] target και δες αν καταλαβαίνεις τη λογική κάθε βήματος. Κάθε μέρα την τάδε ώρα μπες στο σύστημα και βρς όσες γυναίκες έχουν ανοίξει λίστα βάπτισης σε κάποια από τα καταστήματά μας. Ψάξε στο ιστορικό των αγορών τους πότε ξεκίνησαν να αγοράζουν πάνες. Πήγαινε άλλους 6 μήνες πίσω και δες τι αγόραζαν οι συγκεκριμένες γυναίκες που δεν αγόραζαν πριν και κράτα μια λίστα με τα 20 πιο δημοφιλή από αυτά τα προϊόντα. Έλεγξε
[8:55] ποιοι από τους υπόλοιπους πελάτες ξεκίνησαν να αγοράζουν τουλάχιστον 10 από αυτά και στις τρίτους προσφορές προϊόντων εγκυμοσύνης. Τι κάνει λοιπόν αυτός ο αλγόριθμος Στο πρώτο βήμα εντοπίζει τις πελάτσες που τεκμηριωμένα έχουν παιδιά. Στο δεύτερο βήμα βρίσκει κατά προσέγγιση το πότε γέννησαν. Στο τρίτο βήμα βλέπει τα 20 πιο συνήθη προϊόντα που αγόραζαν οι έγκυοι πριν τον τοκετό. Και στο τέταρτο ψάχνει ποιο από
[9:17] τους υπόλοιπους πελάτες ακολουθούν το ίδιο μοτίβο αγορών για να του στείλουν διαφημίσεις. Τι προϊόντα προέκυψαν μυλοσιόν, μία αρωματικά σαπούνια, συμπληρώματα ασβεστείου, μαγνησίου και ψτεδαργύρου, μεγάλες συσκευασίες βαμβάκι, αντισυπτικά χεριών και τέτοια. Αυτό που κάνει ο αλγόριθμος στην ανάλυση δεδομένων ονομάζεται συνεργατική διήθηση και συγκρίνει τις στατιστικές αλληλοσυσχετήσεις μεταξύ των προϊόντων.
[9:39] Σε ψαρεύει λοιπόν με την εξής απλούστατη μέθοδο. καταγράφει την ακολουθία των συμπεριφορών σου και κοιτάζει τι έπραξαν τελικά όσοι χρήστες είχαν παρόμια ακολουθία. Αν εκείνοι συγκλείναν σε μία συγκεκριμένη αντίδραση, ο αλγόριθμος περιμένει να κάνεις το ίδιο και εσύ και συνήθως έχει δίκιο. Πού βασίζεται περισσότερο η προβλεπτική ικανότητα ενός αλγόριθμου στο πώς τον έχουμε προγραμματίσει ή στα δεδομένα που έχει
[10:03] πρόσβαση >> Συνήθως το να έχουμε περισσότερα δεδομένα είναι καλύτερο από το να έχουμε ένα πιο σύνθετο και ένα πιο προχωρημένο αλγόριθμο. Μας ενδιαφέρει να έχουμε και καλά δεδομένα και να είναι τα κατάλληλα δεδομένα για αυτό που προσπαθούμε να προβλέψουμε. Αλλά αν θέλουμε να πάμε στα βασικά πράγματα, περισσότερα δεδομένα είναι καλύτερα από έναν πιο σύνθετο και πιο προχωρημένο αλγόρι.
[10:27] >> Εδώ έχει σημασία να καταλάβεις ότι ο αλγόριθμος δεν σε ψυχολογεί, δεν σε διαβάζει όπως ένας παίκτης στο πόκερ, δεν μαντεύει πως σκέφτεσαι, απλά δημιουργεί τεράστιους μαθηματικούς πίνακες αλλήλωσης συσχετήσεων και μέσα σε αυτό τον ωκεανό αριθμόν ψάχνει για επαναλαμβανομένα μοτίβα. Την ίδια μέθοδο με τα ίδια δεδομένα το target θα μπορούσε να χρησιμοποιήσει για να προβλέψει οτιδήποτε. να κοιτάξει ας
[10:48] πούμε τι ψώνιζαν πριν όσοι καταδικάστηκαν για ανθρωποκτονία προμελέτης και αν έχει επαρκές δείγμα τέτοιων περιπτώσεων να προβλέπει δολοφωνίες πριν καν συμβούν. Τώρα όλα αυτά ήταν δυνατά με τις επιστημονικές μεθόδους που είχαμε στα τέλη της δεκαετίας του 90. Κοίταξε να δεις τι μπορεί να κάνουν οι μοντέρνοι αλγόριθμοι. Πριν πάμε όμως αυτό σήμερα αντί για μήνυμα από το χορηγό θέλω να πω κάποια πράγματα για τις δικές μου
[11:12] επενδύσεις που νομίζω θα είναι χρήσιμα σε πολύ κόσμο. Όσοι παρακολουθούν το κανάλι γνωρίζουν ότι εδώ και ύ χρόνια διατηρώ ολόκληρο το συνταξιοδοτικό μου χαρτοφυλάκιο στη Freedom 24. Πρόσφατα λοιπόν αποφάσισα να το αυξήσω κατά 200.000€. Καταρχάς για να είμαι εντελώς διαφωνής απέναντί σου αυτά δεν είναι χρήματα που έχω βγάλει από επενδύσεις. Στα δύο χρόνια που είμαι στη Freedom, οι αρχικές
[11:35] 200.000€ που είχα βάλει απέδωσαν περίπου 60.000 χ κέρδη που είναι πολύ πιο πάνω από αυτό που περίμενα και φυσικά οφείλονται περισσότερο στην ευνοϊκή συγκυρία παρά στην επενδυτική μου ικανότητα. Επίσης δεν έχω και καμία προστοκία ότι τόσο υψηλές αποδόσεις μπορούν να συνεχιστούν. Οι 200.000 που βάζω τώρα είναι χρήματα που έχω βγάλει από τη δουλειά μου, κυρίως από συμβουλευτικές υπηρεσίες σε εταιρείες.
[11:56] Το ερώτημα όμως που μάλλον θα έχεις είναι γιατί επιλέγω να επενδύσω ένα τόσο μεγάλο ποσό τώρα που όλοι μιλάνε για κρίση, φούσκα και όλα αυτά. Η απάντηση είναι ότι σε όλες τις εποχές υπάρχουν τέτοιοι φόβοι και εμένα σαν μακροπρόθεσμο επενδυτή δεν με αφόρουν. Οι αγορές κάθε τρεις και λίγο ανεβαίνουν, πέφτουν και ξανανεβαίνουν αιώνες. Τώρα οι δικές μου επενδύσεις είναι σε ETF και θα μείνουν εκεί για
[12:18] 15-20 χρόνια τουλάχιστον. Οπότε δεν με ενδιαφέρουν τα προσωρινά σκαμπανεβάσματα, αλλά οι μακροχρόνια τάση των αγορών. Αν θέλεις και εσύ να ξεκινήσεις να επενδύεις για το μέλλον σου, κάνε το μέσα από το σύνθεσμο του Greconomics στη Freedom 24. Η Freedom είναι μία μεγάλη, αξιόπιστη και εύκολη στη χρήση επενδυτική πλατφόρμα. Μπορείς και έχει νόημα να ξεκινήσεις από ότι ποσό διαθέτησα, ακόμα και από 100€ το
[12:41] μήνα. Αν δεν ξέρεις από πού να ξεκινήσεις, κάτω στην περιγραφή θα βρεις και ένα σύνδεσμο με τον οδηγό του Greconomics που θα σου λύσει όλες τις απορίες. Οι πρωτόγονοι αλγοόριθμοί σαν του Target, αν και είχαν εκπληκτικές δυνατότητες, απλώς εκτελούσαν βήματα που είχαν γράψει πρωτίτερα οι προγραμματιστές τους. Στο παράδειγμα με τη μαγειρική που χρησιμοποίησε πριν ο Πάνος, για να τρέξει ένας τέτοιος αλγόριθμος και να μαγειρέψει πρέπει
[13:05] πρώτα κάποιος να του χει δώσει τη συνταγή. Τα τελευταία χρόνια έχουμε τους αλγόριθμους μηχανικής μάθησης οι οποίοι μαθαίνουνε τα βήματα από τα δεδομένα. Δηλαδή δεν γράφει κάποιος τη συνταγή, βλέπει πώς μαγειρεύουνε χιλιάδες και εκατομμύρια άτομα και με βάση το πώς μαγειρεύουνε μαντεύει τη συνταγή και σου βγάζει τα βήματα με βάση τα δεδομένα.
[13:29] Εδώ μιλάμε δηλαδή για αλγόριθμους που αλλονίζουν ελεύθερα μέσα στα δεδομένα. Ψάχνουν για οποιοδήποτε μοτίβο, ακόμα και εκείνα που δεν έχει φανταστεί ποτέ άνθρωπος ότι μπορεί να υφίστανται. Τεστάρουν μόνοι τους την απόδοσή τους στα κέρδη και αν είναι ευνοϊκοί τα εφαρμόζουν αυτόματα και δεν σταμάτον εκεί. Οι αλγόριθμοι μηχανικής μάθησης περιμένουν να δουν πόσο μέσα έπεσαν στις προβλέψεις τους και αυτοβελτιώνονται για
[13:52] να μπορούν στο μέλλον να πιάνουν και τις περιπτώσεις που τους ξέφυγαν. Δεν είναι όμως μόνο ότι οι αλγόριθμοι έχουν γίνει πολύ πιο έξυπνοι. έχουν πλέον πρόσβαση και σε πολύ περισσότερα δεδομένα. Για μας τα δεδομένα που παρέχουμε στο σούπερμάρκετ, στην εταιρεία ηλεκτρισμού, στην τράπεζα και σε όποιον ψωνίζουμε μπορεί κάποιος να πει ότι είναι ένα φυσικό επακόλουθο του να διατηρούμε το ιστορικό των συναλλαγών μας. Αν το
[14:16] σκεφτείς, το target γνώριζε για την κοπέλα λιγότερα από όσα ήξερε ο μέσος μπακάλης του ελληνικού κινηματογράφου το 1960. Και το ότι το σούπερμάρκετ ήξερε δεν μας τρομάζει. Απλώς μας εκπλήσει γιατί θεωρούμε ότι η σχέση μας με αυτό είναι τελείως απρόσωπη. Φαντάσου όμως έναν αλγόριθμο τον οποίο τροφοδοτείς με νέα δεδομένα για ώρες κάθε μέρα. Όχι μόνο τι αγοράζεις, αλλά και τι αγαπάς,
[14:38] τι μισείς, ποιος ή ποια σου αρέσει, πόσο ασχολείσαι με κάτι και κυρίως πώς αντιδράς σε οτιδήποτε. Τα συμπεριφορικά μοτίβα που θα διαθετεί αυτός ο αλγόριθμος για σένα θα είναι τόσο λεπτομερή που μπορεί να συμπεράνει για σένα τα πάντα. Μπορούν οι αλγόριθμοι να προβλέψουν τα προσωπικά μας μυστικά Ναι, μπορούνε. Μπορούνε πάρα πολύ εύκολα να κάνουν
[15:01] εκτιμήσεις για πολύ προσωπικά μας χαρακτηριστικά, ακόμα και δεν τα έχουμε δουλώσει πουθενά. Για παράδειγμα, είναι γνωστό ότι μπορούν να προβλέψουνε χαρακτηριστικά, όπως πολιτικές πεποιθήσεις και ο σεξουαλικός προσανατολισμός από βασικά likes τα οποία κάνει κάποιος στο Facebook. >> Ακριβώς. Το 2009, μία ομάδα απλών φοιτητών του MIT έφτιαξε ένα αλγόριθμο
[15:25] που μόνο από τη λίστα των φίλων του στο Facebook μπορούσε να προσδιορίσει με ακρίβεια τον σεξουαλικό σου προσανατολισμό. Το 2013 ερευνητές κατάφεραν μόνο από τα likes να συμπεράνουν την πολιτική τοποθέτηση των Χριστών και ποιοι από αυτούς είχανε θυσμό σε ουσίες. Το 2014 οι ερευνητές του Κορνέλ σε συνεργασία με το Facebook ανέλυσαν 1,3 εκατομμύρια χρήστες και βρήκαν με 70% επιτυχία το ποιος είναι σε
[15:49] σχέση με ποιον. Μια άλλη ομάδα επιστημόνων μπόρεσε με τη χρήση αλγθμου να προβλέψει και ποιοι θα χώριζαν και πότε. Ενώ το 2017 ψυχολόγοι κατάφεραν να εντοπίσουν περιστατικά ψυχικής νόσου πριν αυτά εμφανιστούν μόνο από τα γλωσσικά μοτίβα σε δημόσιες αναρτήσεις. Και πρόσεξε, αυτές οι δημοσιευμένες μελέτες βασίστηκαν σε δεδομένα που είτε ήταν δημόσια είτε είχαν παραχωρηθεί
[16:11] εθελοντικά από χρήστες είτε δέχτηκαν να τα παραχωρήσουν οι ίδιες οι πλατφόρμες. Φαντάσου τι μπορεί να ξέρουν αυτές οι εταιρείες ιδιωτικά με τόση πληροφορία που διαθέτουν για μας. Και φυσικά όλο αυτό δεν γίνεται μόνο για τη διαφήμιση. Η γνώση που έχουν αποκτήσει οι αλγόριθμοι για μας έχει πλέον και άμεσο οικονομικό αποτέλεσμα πάνω μας. Όταν
[16:35] κάποιος ξέρει πόσο είσαι διατεθημένος να πληρώσεις για κάτι θα σε χρεώσει ακριβώς τόσο και μπορεί να χρεώσεις το διπλανό σου διαφορετικά αν καταλάβει ότι εκείνος διατίθεται να πληρώσει κάτι άλλο. Περνάμε δηλαδή από τις εξατομικευμένες διαφημίσεις στις πλήρως διαφορισμένες τιμές. Πόσο κάνει όσα ξέρω τι μπορώ να σου πάρω. Συμβαίνει εδώ και καιρό. Το 2012 η Wall Street Journal κατήγγειλε
[16:59] ότι το Orbit έδειχνε ακριβότερα ξενοδοχεία ως όσους έμπαιναν από Mac και αλυσίδα ειδων γραφείου staples χρεώνε περισσότερο όσους ζούσαν μακριά από κατάστημα ανταγωνιστή. Το 2015 έρευνα του Probl έδειξε ότι το φροντιστήριο πριν στο review χρεώνε ακριβότερα δίδακτρα στις περιοχές που κατοικούσαν περισσότεροι ασιάτες. Και το 2016 ο επικεφαλής οικονομικής έρευνας της δήλωσε ότι το να σου τελειώνει η μπαταρία στο κινητό είναι από τους
[17:23] ισχυρότερους δείκτες ότι θα δεχτείς υψηλότερο κόμιστρο. Σε όλες αυτές τις αρνητικές χρήσεις των αλγθμών υπάρχει και μία ευχάριστη νότα. Η εικόνα που βλέπεις αυτή τη στιγμή σε αυτό το βίντεο έχει γυριστεί με την ολοκανούργια κάμερα Α75 που μας πρόσφερε η Sony. Ένα εκπληκτικό κινηματογραφικό εργαλείο, το οποίο μάλιστα διαθέτει ειδικό επεξεργαστή για να τρέχει αλγόριθμους μηχανικής μάθησης. Έτσι η κάμερα έχει
[17:48] μάθει το πρόσωπό μου και μπορεί να προβλέψει πώς κινούμαι για να διατηρεί το φocus κάτω από οποισδήποτε συνθήκες. Και είναι ιδιαίτερα εντυπωσιακό αυτό που λέγαμε πριν για την αυτοβελτίωση των αλγόριθμών μηχανικής μάθησης. Γιατί όσο προσπαθούσα αυτές τις μέρες να το κοροϊδέψω και να το τεστάρω, αυτό το διαολύ τόσο περισσότερο με μάθαινε και πλέον με πιάνει από το πρώτο καρέ που θα μπω στο πλάνο. Κάτι που στις παλιότερες
[18:10] τεχνολογίας κάμερες ήταν αδιανόητο. Ίσως το σημαντικότερο πρόβλημα με τους αλγθμους είναι ότι οι πληροφορίες που αλεύουν για σένα μαζεύονται όλες μαζί και καταλήγουν σε αγορές δεδομένων. Εκεί στο φάκελό σου μπορεί να βγαίνει η προσπόληση σε οτιδήποτε. Από το αγαπημένο σου συγκρότημα όταν ήσουν έφηβος μέχρι ο ιατρικός σου φάκελος ακόμα και βιομετρικά ή γενετικά σου
[18:34] δεδομένα. Φαντάσου λοιπόν μία κατάσταση που θα σου αυξάνουν τα ασφάλιστρα του αυτοκινήτου γιατί η ασφαλιστική πήρε στοιχεία από τον εγκέφαλο του οχήματός σου και είδε ότι οδηγεί σε δρόμους που συμβαίνουν πολλά ατυχήματα. Όχι επειδή τράκαρες, όχι επειδή οδήγησες ανεύθυνα, επειδή περνάς από την κατεχάκη. Η General Motors, η Hyundai και η Honda έχουν ήδη μοιραστεί τέτοια στοιχεία με ασφαλιστικές. ή φαντάσου έναν εργοδότη
[18:58] που δεν θα σε προσλάβει μόνο και μόνο επειδή βρήκες τα δεδομένα σου κάτι που κανονικά δεν θα πρεπε να του πέφτει καν λόγος. Πρόσεξε, δεν ισχυρίζομαι ότι όλα αυτά γίνονται ή ότι θα γίνουν σύντομα. Αυτό που λέω είναι πως οι σημερινοί αλγόριθμοι μπορούν να τα κάνουν. Η οικονομική εκμετάλλευση και ο αποκλεισμός δεν είναι τα μοναδικά προβλήματα που δημιουργεί η ασύμμετρη
[19:22] δύναμη των αλγωριθμων. Στην προσπάθεια του ο αλγόριθμος να μεγιστοποιήσει το κέρδος, γιατί αυτό μόνο τον ενδιαφέρει, μαθαίνει μέσα από δισεκατομμύρια δοκιμές ότι το περιεχόμενο που τραβάει την προσοχή μας είναι αυτό που μας προκαλεί έντονο συναίσθημα, θυμό και αγανάκτηση. Ένας αλγόριθμος που σε έχει μάθει καλύτερα από όσο γνωρίζεις εσύ τον εαυτό σου, σκοπί μου σε βομβαρδίζει με περιεχόμενο που σε προκαλεί. Σε κρατάμε
[19:45] μέν εκεί για να μαζεύει τις πληροφορίες σου. Σε κάνει όμως και σιγά-σιγά να πιστεύεις ότι μόνο ο κόσμος που σ αγανακτεί υπάρχει. ότι οι ιδεολογικοί σου αντίπαλοι έχουν τρελαθεί και ότι προσπαθούν να επιβάλλουν και σε σένα αυτή την παραφροσύνη. Οι αλγόριθμοι δεν μας παραπληροφορούν απλώς. Μας πολλώνουν, μας δείχνουν τους απέναντι στη χειρότερη εκδοχή τους, τις πιο εξοργιστικές δηλώσεις τους, τα πιο
[20:06] ακραία μέλη τους και το αντίστοιχο κάνουν για μας και σε εκείνους. Όταν λοιπόν συναντιόμαστε στον πραγματικό κόσμο, δεν διαφωνούμε απλώς μεταξύ μας. μισιόμαστε γιατί δεν καταλαβαίνουμε πως οι αλγόριθμοι έχουν παρουσιάσει σε μαάς και σε αυτούς εντελώς διαφορετικές παραποιήσεις της πραγματικότητας. Αυτός είναι ο λόγος που οι μισοι Έλληνες σήμερα φοβούνται μην κάνει W agenda τα
[20:29] παιδιά τους gay και οι άλλοι μισοί ότι για όλα αυτοί ως όρος η εκκλησία ή ξέρω γω ο Μητσοτάκης. Δεν είναι καθόλου τυχαίο λοιπόν που οι πολιτικοί που μονοπολούν των ενδιαφέρον της κοινής γνώμης σήμερα δεν είναι ούτε η πιο άξη ούτε η πιο αποτελεσματική. είναι εκείνοι που έχουν μάθει να παίζουν το παιχνίδι των αλγορίθμων. Πώς να κάνουν δηλαδή τα σωστά καραγκιοζιλίκια που θα τσιμπήσουν οι αλγόριθμοι για να πετάξουν στο φίτη
[20:52] σου και να σε εξοργήσουν. Και κάπου εκεί καταλαβαίνεις πως ο αλγόριθμος μπορεί να γίνει όπλο. Κανονικό όπλο και μάλιστα μαζικής καταστροφής. Στο πανεπιστήμιο της εξφορδίς λειτουργεί ένα πρόγραμμα υπολογιστικής προπαγάνδας που καταγράφει τις αλγωριθμικές επιθέσεις σε ολόκληρο τον πλανήτη. Οι χώρες που τους οργανώνουν δεν αναπτύσσουν τους αλγόριθμους ούτε τους
[21:17] τροποποιούν. Απλώς τροφοδοτούν τους ήδη υπάρχοντες με στρατηγικό τρόπο. Στηνώντας τεράστια δίκτυα ψεύτικών λογαριασμών, κυρίως το TikTok, το X και το Facebook, προσπαθούν να πυροδοτήσουν κλίμα δημόσιας οργής. Έτσι παράγουν ή πλαστογραφούν περιεχόμενο που ο αλγόριθμος ήδη προτιμά με σκοπό να επηρεάσουν εκλογικά αποτελέσματα ή να προκαλέσουν πλαστό πολιτικό κόστος στις κυβερνήσεις άλλων χωρών. Ήδη υπάρχουν
[21:41] επίσημα απορίσματα που τεκμηριώνουν την εκτεταμένη χρήση τέτοιων πρακτικών από τη Ρωσία, σαφείς ενδείξεις ανάλογης δράσης από την Κίνα και τις Φιλιπίνες. Ενώ σύμφωνα με τον ΟΗΕ ο αλγόριθμος του Facebook έπαιξε σημαντικό ρόλο στη γενοκτονία της Mianmart το 2017 με χιλιάδες νεκρούς, βιασμούς και διωγμό 700.000 ανθρώπων. Καμία χώρα δεν θα αποφύγει να εκτεθεί σε τέτοιες επιθέσεις. Η δύναμη της πληροφορίας
[22:04] είναι τόσο ισχυρή, τόσο ύπουλη και τόσο συγκεκαλμένη που είναι θέμα χρόνου να χρησιμοποιηθεί και εναντίον της Ελλάδας. Τι μπορεί να μας προστατεύσει ισχυρά αντίβαρα, ανεξάρτητη δικαιοσύνη, πλουραλιστικά μέσα ενημέρωσης, καλύτερη παιδεία και το σημαντικότερο θεσμικό πλαίσιο όρια στην εκμετάλλευση των πληροφοριών μας και διαφάνεια στη χρήση των αλγωριθμών. Γι αυτό στο Greconomic σχεδόν σε κάθε βίντεο μιλάμε για την
[22:29] πιεστική ανάγκη αναβάθμισης στο θεσμό στη χώρα μας. Είμαι ο Κοσμάς Μαρινάκης. Είμαι καθηγητής οικονομικής επιστήμης στο Πανεπιστημίο της Σιγάπούρης. Και αυτά ήταν τα δεδομένα για τους αλγορίθμους. Τα συμπεράσματα όπως πάντα πρέπει να είναι δικά σου σου. Τα λέμε στο επόμενο. เฮ