علوم داده- ملاحظات فلسفی

این جلسه از موجِ امروزیِ علومِ داده آغاز می‌کند و آن را با جهشِ تاریخیِ کامپیوتر می‌سنجد؛ سپس سه وجهِ حجم و سرعت و تنوع را به انقلابِ صنعتیِ چهارم پیوند می‌دهد. مدلی ساده از علمِ تجربی — آزمایش، مدلِ محاسباتی، پیش‌بینی و ابطال — را باز می‌کند تا روشن شود دادهٔ عظیم کجا همان مدار را تقویت می‌کند و کجا مرکز را از نظریه به جعبه‌سیاه می‌کشاند. تنشِ محاسبه و تبیین، خطرِ همبستگیِ بی‌معنا در علومِ اجتماعی، و فراموشیِ هستی‌شناسیِ قوانین، سه لایه‌ای‌اند که فلسفهٔ علم را دوباره به میان می‌آورند؛ و پرسشِ نهایی این است که ساختنِ مدلِ بدونِ تبیین هنوز علم است یا فقط مهندسیِ پیش‌بینی.

موجِ علومِ داده و قیاس با دورانِ کامپیوتر

امروز «همه جا حرف از دیتا ساینس» است: دوره‌های دانشگاهی، تقاضایِ بازار، سمینارها و برنامه‌هایِ تحصیلاتِ تکمیلی. این شتاب به‌خودی‌خود برهانِ فلسفی نیست، اما نشانه است که جامعهٔ علمی و صنعتی حس می‌کند مرحله‌ای تازه در کار است، نه فقط ابزاری کمکی. وعده داده می‌شود که نیاز به این دانش سال‌ها پایدار بماند؛ تقریباً همهٔ دانشگاه‌هایِ بزرگ شاخه‌ای از آن گشوده‌اند. اهمیتِ عملی روشن است. آنچه باید جدا نگه داشته شود، تبدیلِ این اهمیت به شعارِ بی‌سنجشِ انقلابِ معرفتی است.

قیاسِ تاریخی با پیدایشِ کامپیوتر راه را باز می‌کند. پنجاه‌شصت سال پیش نیز عده‌ای پیش‌بینی می‌کردند ماشینِ محاسبه علم و مهندسی و صنعت را متحول می‌کند، و چنان شد: شاخه‌هایِ تازه، انقلابِ صنعتیِ همراه، و ورود به دورانی تازه از دانش. در برابرِ کسانی که می‌گفتند علومِ داده همان کارهایِ سی‌چهل‌ساله با نامِ تازه است، تمثیلِ درستی هست: وقتی کامپیوتر آمد، می‌شد گفت محاسبهٔ صفر و یک از پیش بوده؛ اما مقیاسِ توان چنان عوض شد که کیفیتِ کار جابه‌جا شد. اینجا نیز انکار با تکیه بر قدمتِ آمار و پایگاهِ داده کافی نیست، اگر ذخیره و پردازش از آستانه‌ای گذشته باشد.

لایهٔ فرهنگی نیز هست. جوامعی که معمولاً یک دهه از موج‌هایِ علمی عقب می‌مانند، اگر فقط مصرف‌کنندهٔ ابزار بمانند، هم فرصتِ پژوهشی و هم فرصتِ صنعتی را از دست می‌دهند. بخشِ سخت‌افزاری لزوماً مانعِ اصلی نیست؛ آنچه باید فراگرفته شود بیشترِ جنسِ دانش و روش و زیرساختِ تحلیلی است. از همین‌رو معرفیِ علومِ داده دو لایه دارد: اهمیتِ عملی و هم‌ترازی با موجِ جهانی، و ادعایِ پارادایمِ تازه که بر تصویرِ کلاسیکِ علم فشار می‌آورد. این دو را نباید قاطی کرد. ممکن است حوزه از حیثِ اشتغال حیاتی باشد و از حیثِ فلسفهٔ علم همان علمِ قبلی با ابزارِ قوی‌تر بماند؛ یا برعکس، ظاهرِ آماری داشته باشد و باطنِ معیارِ تبیین را جابه‌جا کند.

مسیرِ ادامه از اهمیتِ موج به درونِ سازوکار می‌رود: نخست چه ظرفیتِ تازه‌ای آمده، سپس علمِ تجربی در مدلِ ساده چه بوده، آن‌گاه کجا داده فقط ابزار است و کجا جایگزینِ نظریه می‌شود. بدونِ این ترتیب، بحث یا تبلیغ می‌شود یا بدبینیِ صرف. حتی اگر نام‌گذاریِ دانشگاهی و صنعتی پر سر و صدا باشد، داوریِ معرفتی باید آرام و با مدلِ علم پیش برود، نه با فهرستِ فرصت‌هایِ شغلی.

سه وجهِ کلان‌داده و کارخانهٔ شبکه‌ای

آنچه از نظرِ فنی عوض شده، پیش از هر چیز مقیاسِ ذخیره و سرعتِ پردازش است. «قدرت اصلا ذخیره سازی ما بینهایت زیاد شد» و هم‌زمان پردازشِ برخطِ جریانِ داده ممکن گشت. گفته می‌شود از حدودِ سالِ ۲۰۱۳ به بعد، ظرفِ دو سال تقریباً به‌اندازهٔ کلِ دادهٔ تاریخِ پیش از آن ذخیره شده و پس از آن نیز شتاب کمتر نشده است. در ادبیاتِ کلان‌داده معمولاً از سه وجه سخن می‌رود: حجم، سرعت، و تنوع. حجم یعنی مقیاسِ انباشت؛ سرعت یعنی گرفتن و تحلیلِ همزمان؛ تنوع یعنی خروج از بردارِ اعدادِ ساده به‌سویِ صوت، تصویر، متن و پرونده‌هایِ بزرگِ ناهمگون.

تنوع از این‌رو کلیدی است که علمِ کلاسیک قرن‌ها با دادهٔ نسبتاً هم‌شکل کار می‌کرد. امروز همان آزمایشگاه می‌تواند مسیرِ میلیون‌ها ذره، تصویرِ کهکشان، یا واکنشِ جمعی در شبکه را نگه دارد و بعداً بازخوانی کند. چارچوب‌هایِ کار با دادهٔ بزرگ، آمارِ ناپارامتری، یادگیریِ ماشین و یادگیریِ عمیق به‌تدریج ساخته شدند و ناگهان در ترکیب با سخت‌افزار حسِ جهش دادند. پس ادعا این نیست که یک قضیهٔ ریاضیِ یک‌شبه پدید آمده؛ ادعا این است که آستانهٔ کمّی چنان گذشته که کیفیتِ کار عوض شده است. تغییراتِ جزئی اگر انباشته نشوند، حسِ مرحلهٔ تازه نمی‌دهند؛ اینجا انباشت حس شده است.

در صنعت این حس را با عنوانِ «انقلاب چهار صنعتی» بیان می‌کنند. کارخانه‌هایی که دستگاه‌هایشان به مرکزی مشترک وصل‌اند، داده رد و بدل می‌کنند، تحلیل می‌شوند و فرمانِ تازه می‌گیرند؛ حتی کارخانه‌ای در یک قاره می‌تواند با کارخانهٔ مادر در قاره‌ای دیگر هم‌زمان هماهنگ شود. اگر تولید در یک نقطه کند یا تند شود، پردازندهٔ مرکزی بهینه‌سازی می‌کند و در نقطهٔ دیگر سرعت را کم و زیاد می‌نماید. اجزا حالتی ارگانیک می‌یابند: ارتباطِ زنده میانِ بخش‌ها، نه خطِ تولیدِ گسستهٔ قدیمی. خطِ تولیدِ پیشین خود انقلابی بود؛ این مرحله نیز، در روایتِ صنعتی، مرحله‌ای واقعی است نه فقط استعاره.

با این حال فلسفه باید بپرسد چه چیز در معرفت عوض شده است. اتصالِ دستگاه‌ها به‌خودی‌خود معرفتِ تازه نیست؛ معرفت وقتی جابه‌جا می‌شود که شیوهٔ ساختنِ مدل، معیارِ پذیرشِ نظریه، و نسبتِ پیش‌بینی با فهم عوض شود. سه وجهِ کلان‌داده امکاناتِ آزمایش را گسترش می‌دهد، اما هنوز نگفته است خروجیِ مطلوبِ علم چیست: قانونِ خوانا، یا فقط نگاشتِ دقیقِ ورودی به خروجی. ادامه درست از همین دوراهی به مدلِ کلاسیکِ علم برمی‌گردد. بدونِ این بازگشت، تصویرِ کارخانه جایِ تصویرِ معرفت می‌نشیند و داوری ناممکن می‌شود.

مدلِ سادهٔ علم: آزمایش، محاسبه، ابطال

برایِ سنجیدنِ ادعایِ انقلاب، باید تصویرِ ساده‌ای از علمِ تجربی داشت که بسیاری از گرایش‌هایِ فلسفهٔ علم دست‌کم اجزایِ آن را بپذیرند. در این تصویر، کار از مشاهده و آزمایش آغاز می‌شود: ورودی‌هایی تنظیم می‌شود، برخی پارامترها ثابت و برخی متغیر می‌ماند، و خروجی اندازه‌گیری می‌گردد. مدارِ سادهٔ جریان و ولتاژ، یا رشتهٔ ژنتیکی و وجود یا نبودِ بیماری، هر دو در همین قالب می‌گنجند. هدف فقط انباشتِ عدد نیست؛ هدف ساختنِ چیزی معادل روی کاغذ است: مدلِ ریاضی یا محاسباتی که اگر همان ورودی را بگیرد، همان خروجی را پیش‌بینی کند و برایِ ورودی‌هایِ تازه نیز رفتارِ طبیعت را تخمین بزند.

از این مدل، مهندسی و کنترل زاده می‌شود. وقتی بتوان پیش‌بینی کرد، می‌توان تنظیم کرد. پارادایمی که از گالیله و کوپرنیک به‌این‌سو علمِ تجربی نام گرفت، طبیعیاتِ ارسطویی را کنار گذاشت و بر اندازه‌گیری، محاسبه و آزمونِ سخت پای فشرد. در روایتِ ابطالی، اثباتِ نهایی در کار نیست: «فقط می‌توانیم ابطال بکنیم چیزی رو اثبات نمیتونیم بکنیم»، اما همچنان مدل باید با آزمایش جور درآید. حکیم در فلسفهٔ قدیم کسی بود که در ذهن صورتی مطابقِ عالم داشته باشد؛ علمِ جدید همان تطبیق را می‌خواهد، با این قید که صورت، محاسباتی و آزمون‌پذیر باشد.

همین معیار بود که گاه جامعه‌شناسی و سیاست را علم به معنایِ سخت نمی‌شمرد: پیش‌بینیِ پایدار و مدلِ محاسباتیِ قابلِ اتکا کمتر به دست می‌آمد. اگر شیوهٔ کار با داده متحول شود، دقیقاً همین نقطه‌ضعف می‌تواند هدفِ حمله باشد. حجم و سرعت و تنوع، فضایِ ورودیِ آزمایش را از چند عدد به جریان‌هایِ پیچیده می‌کشاند؛ خروجی نیز می‌تواند غنی‌تر شود. تأییدِ مدلِ استاندارد پس از دهه‌ها، نمونه‌ای است که در آن دادهٔ آزمایش نه یک عدد که میلیون‌ها ردِّ برخوردِ ذخیره‌شده بود و تحلیلِ سال‌ها طول کشید. بدونِ ذخیره و پردازشِ عظیم، آن نتیجه در دسترس نبود.

پس پیوندِ نخستِ علومِ داده با علمِ کلاسیک، گسترشِ همان مدار است نه نفیِ آن: آزمایشِ پیچیده‌تر، مدلِ پیش‌بین‌تر، ابطال یا تأییدِ دشوارتر. اگر داستان همین‌جا تمام می‌شد، علومِ داده ابزاری نیرومند در خدمتِ همان آرمان می‌بود. تنش وقتی آغاز می‌شود که مدلِ میانجی دیگر معادله‌ای خوانا نباشد و جعبه‌ای شود که فقط کار می‌کند. در آن نقطه، پرسش از حقیقتِ علمی از نو باز می‌شود. این پرسش را نمی‌توان با آمارِ اشتغال بست؛ باید با تعریفِ علم گشود.

آزمایشِ نویزی و طراحیِ تجربهٔ تازه

وقتی ورودی و خروجی می‌توانند پیچیده باشند، خودِ طراحیِ آزمایش عوض می‌شود. در فیزیک می‌توان میلیون‌ها توپ را در جعبه ریخت، مسیرشان را ردیابی کرد و به پرسش‌هایِ بهینه‌سازیِ آماری پاسخ داد؛ کاری که تا همین اواخر نه از حیثِ حسگر و نه از حیثِ ذخیره و تحلیل تصورپذیر نبود. در روان‌شناسی، آزمونِ قدیمیِ تداعیِ واژه‌ها با زمان‌سنجِ ساده، امروز می‌تواند به ضبطِ صدا، لحن، تصویرِ حرکتِ بدن و تکرار رویِ میلیون‌ها نفر گسترش یابد و ماشینی برایِ تشخیصِ الگو آموزش ببیند. خروجی دیگر فقط یک برچسبِ ساده نیست؛ می‌تواند لایه‌هایِ غنی‌تری از الگو باشد، به شرطِ آنکه داده و روش تحملش را داشته باشند.

نکتهٔ مهم‌تر شاید این باشد که «دادهها میتونن به اصطلاح نویزی باشن» و حسگرِ نادقیق دیگر به‌ضرورت دشمنِ علم نیست. در نگاهِ کلاسیک، دقتِ دو سرِ اندازه‌گیری شرطِ جدی بودن بود. در نگاهِ داده‌محور، انبوهی می‌تواند نویز را جبران کند: دادهٔ پرخطا اگر بسیار باشد، پاکسازی و الگویِ آماری همچنان ممکن است. در نتیجه آزمایش‌هایی معنا می‌یابند که دستگاه‌شان دقیقِ آزمایشگاهی نیست اما پوشش‌شان وسیع است. شبکه‌هایِ اجتماعی، واکنشِ جمعی به خبر، جریانِ اقتصادیِ برخط — همه میدان‌هایی‌اند که پیش‌تر داده به این معنا تولید نمی‌کردند، نه فقط چون بسترشان نبود، بلکه چون ذخیره و تحلیل در این مقیاس ممکن نبود.

این گسترش دو پیامد دارد. پیامدِ نخست گشودنِ نسبیِ برخی پرسش‌هاست: لازم نیست هر پژوهش در شرایطِ ایدئالِ آزمایشگاه باشد تا شروع شود. پیامدِ دوم خطرِ سرمستیِ روش‌شناختی است: هر همبستگیِ پایدار در انبوهِ داده، به‌سرعت یافته خوانده می‌شود، در حالی که ممکن است مصنوعِ نمونه‌گیری، زمان، یا متغیرِ پنهان باشد. علومِ داده امکانِ تجربهٔ تازه می‌دهد؛ داوری دربارهٔ علمی بودنِ نتیجه هنوز نیازمندِ معیار است. معیار همان‌جاست که مدلِ کلاسیک بر آن ایستاده بود: آیا چیزی بیش از پیش‌بینیِ موفق در کار است؟

از همین‌رو نمی‌توان گفت صرفِ پیچیده‌شدنِ آزمایش، پارادایم را عوض کرده است. می‌توان سال‌ها آزمایشِ عظیم طراحی کرد و همچنان در همان مدارِ فرضیه، مدل و آزمون ماند. آنچه ادعا می‌شود پارادایمِ چهارم است، چیزی فراتر از حسگرِ بیشتر است: جابه‌جاییِ مرکز از نظریهٔ انسان‌ساخته به داده و ساختِ خودکارِ نگاشت‌ها. این جابه‌جایی است که باید نامیده و سنجیده شود، نه صرفاً بزرگ‌شدنِ جدول‌ها.

جعبه‌سیاه و انتقالِ مرکز به داده

در روایتِ پارادایم‌هایِ علم، گاه از پارادایمِ چهارم سخن می‌رود. دقتِ واژه‌شناختیِ پارادایم محلِ نزاع است؛ آنچه مهم است مقصودِ عملیِ مدعیان است. در تصویرِ قدیم، پژوهشگر مدلی نظری می‌ساخت — مثلاً مکانیکِ نیوتونی — آن را با داده می‌آزمود، و اگر ناسازگاری پایدار می‌ماند، در مبانی بازاندیشی می‌کرد و مدلِ تازه‌ای از دلِ فرض‌هایِ نو استخراج می‌نمود. مرکزِ کار، فکرِ نظری و استنتاج بود؛ داده داور بود نه نویسنده.

در تصویرِ تازه، مرکز به داده منتقل می‌شود. مجموعه‌ای عظیم از ورودی و خروجی در اختیار است و ماشینی ساخته می‌شود که نگاشت را یاد می‌گیرد. ممکن است هیچ معادلهٔ خوانا و قابلِ تدریس در میانه نباشد؛ حتی طراح نداند دقیقاً چه پارامترهایی داخلِ شبکه تنظیم شده‌اند. شعارِ رایج این است که «بدون تئوری کار می‌کند»، به معنایِ بدونِ نظریهٔ کلاسیکِ خوانا؛ و بلک باکس نامِ همان واسطه است: کار می‌کند، پیش‌بینی می‌کند، و توضیحِ درونی‌اش در دسترس نیست. ادعا این است که داده حتی می‌تواند بدونِ دخالتِ مداومِ انسان تولید، ذخیره و تحلیل شود و پیوندهایی آشکار کند که هیچ‌کس پیش‌تر نپرسیده بود.

حسگرها کار می‌گذارند، تصویرِ کهکشان‌ها انباشته می‌شود، دادهٔ اجتماعی جریان می‌یابد، و ناگهان ماشینی اعلام می‌کند که میانِ دو سری از پدیده‌ها پیوندی پایدار است. بعداً می‌توان برایش نظریه بافت؛ اما مرحلهٔ کشفِ الگو، خودکار به نظر می‌رسد. اگر دکمه را بفشاری و جعبه‌سیاه و پاسخ را بگیری، نقشِ نظریه‌پردازِ کلاسیک کجاست؟ اصطلاحِ بدونِ نظریه گمراه‌کننده است: پشتِ هر الگوریتم نظریه‌ای آماری هست. فرق در نوعِ نظریه است. نظریهٔ بنیادینِ فیزیکی جهان‌بینی می‌سازد؛ نظریهٔ آموزشِ شبکه، دستورِ بهینه‌سازی رویِ خطاست. دومی می‌تواند از حیثِ پیش‌بینی درخشان باشد و از حیثِ تبیین خاموش بماند. درست در همین شکاف، ملاحظاتِ فلسفی اجباری می‌شود.

محاسبه در برابرِ تبیین و فشارِ پول

یک خوانشِ تاریخی می‌گوید علمِ جدید از همان آغاز بیشتر گرایشِ محاسباتی داشت تا گرایش به فهمِ ماهیت. «گرایش به اکسپلینیشن نداشت» به آن معنایِ عمیقِ فهم؛ مدل‌هایی ساخته شد که در تنظیماتِ خاص می‌گفتند چه رخ می‌دهد و دستگاه‌ها بر همان اساس مهندسی شدند. در این خوانش، حرکت تا عصرِ داده ادامهٔ همان مسیر است نه خیانت به آن. اگر علم را ابزارِ پیش‌بینی و کنترل بدانیم، علومِ داده نه بحران که تحققِ آرمان است. مهندس نیاز ندارد بداند چرا جریانِ معین به خروجیِ معین می‌انجامد؛ کافی است جعبه‌ای داشته باشد که بگوید اگر این را چنین بگذارد، آن را چنان می‌گیرد. خط‌کشِ محاسبه جدولِ لگاریتم را از جیب انداخت؛ ماشینِ پیش‌بین نیز می‌تواند معادلهٔ درسی را از مدارِ روزمره بیندازد.

خوانشِ دیگر مقاومت می‌کند. دانشمند می‌خواست بفهمد چرا چیزی به چیزِ دیگر مربوط است، نه فقط عدد تحویل بگیرد. جعبه‌سیاهِ کاملاً موفق که هرگز ابطال نمی‌شود چون مدام با دادهٔ تازه بازتنظیم می‌شود، از حیثِ عملی عالی و از حیثِ معرفتی مبهم است. پرسشِ علم چیست دوباره داغ شده است: تبیین مهم است یا فقط محاسبه؟ تاریخِ پروژه‌هایِ هوشِ مصنوعی هشدار می‌دهد که پول و نهاد می‌توانند ادبیاتِ توجیه بسازند. خطر این است که در دفاع از علومِ داده هر پیش‌بینیِ پول‌ساز علم خوانده شود و هر خواستِ تبیین کهنه شمرده شود. دو بحرانِ ظاهراً مخالف — نظریهٔ بی‌آزمایش و آزمایشِ بی‌نظریه — در یک نقطه هم‌داستان‌اند: معیارِ کلاسیکِ پیوندِ نظریه و آزمون ترک برمی‌دارد.

«این نکته مهمیه یک جایی هست آن نظریه» که معناداریِ تبیین را نمی‌توان یکسره دور انداخت، حتی اگر ماشین در لایه‌هایی شبیه تبیین تولید کند. باید انواعِ تبیین و انتظار از آن را روشن کرد. بدونِ این کارِ مفهومی، رضایتِ عملی جایِ داوریِ معرفتی را می‌گیرد. فلسفهٔ علم اینجا حاشیه نیست؛ وسطِ میدانِ تصمیم دربارهٔ بودجه، آموزش و معیارِ انتشار است. اگر این میدان را خالی بگذاریم، تعریفِ علم را بازار پر می‌کند.

همبستگیِ فریبنده، هستی‌شناسی، و پرسشِ پایان

یکی از مثال‌هایِ هشدار — پیوندِ ظاهریِ تولیدِ کره در بنگلادش با شاخصِ بورس در آمریکا — خنده می‌آورد چون شهوداً بی‌ربط است. خنده نشانه است: جامعهٔ علمی هنوز انتظار دارد رابطه معقول و تبیین‌پذیر باشد، نه فقط پایدار در داده. ممکن است متغیری پنهان هر دو را حرکت دهد؛ ممکن است همبستگی جعلی باشد. علومِ داده در خوش‌بینانه‌ترین روایت می‌گوید حسنِ روش کشفِ پیوندِ پیش‌بینی‌نشده است. پرسشِ فلسفی این است که بدونِ گامِ تبیین، آیا کارِ علمی تمام شده یا تازه فرضیه ساخته شده است.

در علومِ اجتماعی خطر تیزتر است. دانشکده‌هایی که به کمّی‌سازیِ افراطی خو کرده‌اند، ممکن است به جعبه‌سیاهی رضایت دهند که کار می‌کند بی‌آنکه بفهمند درونش چیست. از حیثِ روان‌شناختی، جعبه‌سیاه گاهی پذیرفتنی‌تر از فرمول است: ده بار درست جواب داده، پس کافی است. این راحتی می‌تواند فاجعه باشد اگر سیاست‌گذاری بر همبستگیِ بی‌تبیین سوار شود. لایهٔ دیگر، هستی‌شناسی است. از پیدایشِ علمِ جدید، واژه‌هایی چون قانون به‌کار می‌رود و گاه حساسیت به چیستیِ خودِ قانون و موجوداتِ نظری کم می‌شود و تعبیرِ «اونتولوژی نداریم» توصیفِ همین کم‌حساسیتی است. فاجعه آنتولوژی همین است: عادت به به‌کاربردنِ واژه‌ها بدونِ پرسش از هستی‌شناسی‌شان. یکی از ریشه‌هایِ نگاهِ علمی، «محاصره پذیر دیدن جهانه» است: جهان همچون چیزی اندازه‌پذیر و محاسبه‌پذیر. این نگاه قدرت می‌دهد و هم‌زمان معنا و هستی را به حاشیه می‌راند.

در فیزیکِ کلاسیک دست‌کم تصویری از آنچه رخ می‌دهد در دست بود؛ در فیزیکِ کوانتومی حتی همان تصویر ناپایدار است. علومِ داده با افزودنِ لایهٔ مدل‌هایِ غیرقابلِ خواندن، کم‌حساسیتی به هستی‌شناسی را تشدید می‌کند: مهم این می‌شود که پیش‌بینی بخورد، نه این‌که بگوییم در جهان چه چیزی متناظرِ پارامترهاست. در پایان، پرسشِ صریح روی میز می‌ماند: «ساختن مدل بدون اکسپلیمیشن ساینس محسوب می‌شود یا نمی‌شود». این پرسش را بازار حل نمی‌کند. سه وجهِ کلان‌داده و کارخانهٔ شبکه‌ای نشان می‌دهند مقیاس عوض شده است؛ مدلِ کلاسیکِ آزمایش و ابطال نشان می‌دهد آرمانِ قدیم چه بود؛ جعبه‌سیاه نشان می‌دهد کجا آرمان دو نیم می‌شود. میانِ محاسبه و تبیین، میانِ همبستگی و علت، و میانِ پیش‌بینی و هستی‌شناسی، باید انتخاب‌هایِ صریح کرد — پیش از آن‌که ادبیاتِ توجیهْ عمل را تثبیت کند. فلسفهٔ علم اگر اینجا غایب باشد، تعریفِ علم را دیگران می‌نویسند.

علم در این تصویر فقط انباشتِ ابزار نیست؛ زنجیره‌ای از پرسش، مدل، آزمون و اصلاح است. وقتی یکی از حلقه‌ها سست شود، بقیه نیز معنا عوض می‌کنند. دادهٔ عظیم حلقهٔ مشاهده را ستبر می‌کند، اما اگر حلقهٔ مدلِ خوانا و حلقهٔ تبیین لاغر بماند، زنجیره به طنابِ پیش‌بینیِ صرف بدل می‌شود. این تبدیل ممکن است برایِ صنعت مطلوب باشد و هم‌زمان برایِ معرفت زیان‌بار. تمایزِ این دو افق — مطلوبیتِ مهندسی و مطلوبیتِ فهم — همان جایی است که فلسفه باید بایستد و نگذارد واژه‌ها جابه‌جا قاچاق شوند.

در تاریخِ علم بارها ابزارِ تازه پیش از نظریهٔ کامل آمده است: تلسکوپ پیش از کیهان‌شناسیِ نو، میکروسکوپ پیش از زیست‌شناسیِ سلولیِ پخته. علومِ داده نیز می‌تواند چنین باشد: ابزارِ کشف که بعدها تبیین می‌زاید. اما تاریخ هم‌زمان پر از ابزارهایی است که بدونِ نظریه به بت بدل شده‌اند و خطا را با دقتِ ظاهری پوشانده‌اند. شرطِ سلامت این است که هیجانِ ابزار، معیارِ داوری را نبلعد. معیار باید پیش از موج نوشته شود، نه پس از آن‌که بودجه و منصب به موج گره خورده باشد.

در سطحِ آموزش نیز پیامدها فوری است. اگر نسلِ تازهِ پژوهشگر فقط به جعبه‌هایِ آماده خو بگیرد، مهارتِ ساختنِ فرضیه و طراحیِ آزمایشِ ممیز ضعیف می‌ماند. آن‌گاه حتی وقتی داده دروغ می‌گوید، کسی نمی‌پرسد چرا. برعکس، اگر تبیین‌خواهیِ خام بدونِ توجه به قدرتِ پیش‌بینیِ داده بماند، فرصت‌هایِ کشفِ واقعی از دست می‌رود. تعادلِ مطلوب نه ستایشِ بی‌قیدِ جعبه‌سیاه است و نه نفرت از آن؛ تعادل این است که جعبه‌سیاه ابزار بماند و عنوانِ فهم را غصب نکند.

از سویِ دیگر، علومِ اجتماعی و سیاست‌گذاری بیش از فیزیک در معرضِ آسیب‌اند، چون موضوع‌شان بازخوردی و تاریخی است. پیش‌بینیِ کوتاه‌مدتِ رفتارِ جمعی ممکن است موفق باشد و هم‌زمان تفسیرِ علّی کاملاً غلط. وقتی تصمیم‌هایِ بزرگ بر پایهٔ همان پیش‌بینی گرفته شود، خطایِ تفسیر به زیانِ انسانی تبدیل می‌شود. از این‌رو سخت‌گیریِ فلسفی در این حوزه‌ها لوکس نیست؛ بخشی از اخلاقِ پژوهش است.

نسبتِ علومِ داده با فلسفهٔ علم را می‌توان سه لایه دید. لایهٔ نخست ابزاری است: گسترشِ مشاهده و آزمایش. لایهٔ دوم روش‌شناختی است: جابه‌جاییِ وزن از نظریهٔ خوانا به نگاشتِ ماشینی. لایهٔ سوم هستی‌شناختی است: فراموشیِ پرسش از چیستیِ قانون و مدل. هر لایه را باید جدا نامید، وگرنه بحث به ستایش یا نکوهشِ کلیِ فناوری فرو می‌غلتد. جلسه همین تفکیک را می‌خواهد زنده نگه دارد تا نسلِ بعد بداند کجا ایستاده است.

اگر این تفکیک فراموش شود، یا صنعت یکسره معیارِ حقیقت می‌شود یا فلسفه از واقعیتِ پژوهش جا می‌ماند. نگه داشتنِ هر دو در میدان، شرطِ سلامتِ گفتگوست.

این تمایز را باید در کارِ بعدی نیز زنده نگه داشت تا بحث به شعار برنگردد.