By Michael Luca/ Jon Kleinberg/ Sendhil

نوشته: ‌مایکل لوکا و جان کلاینبرگ و سندیل مولایناتان 

ترجمه: هومن صفاریان

الگوریتم‌ها تمایلات نزدیک‌بینانه دارند. تمرکز آن‌ها روی داده‌های دم‌دستی است که اغلب ‌تنها مناسب نتایج کوتاه‌مدت هستند. الگوریتم‌هاْ ابزارهای پیش‌بینی‌کننده قدرتمندی هستند، اما اگر به‌درستی به‌کار گرفته نشوند می‌توانند خارج از کنترل عمل کنند. به آن‌چه اغلب برای ‌سایت‌های رسانه‌های اجتماعی رخ می‌دهد توجه کنید. امروزهْ بسیاری برای تصمیم‌گیری در مورد این‌که کدام تبلیغات و لینک‌ها را به کاربران نشان دهند از الگوریتم‌ها استفاده می‌کنند. اما هنگا‌می ‌که تمرکز این الگوریتم‌ها ‌تنها بر بالا بردن تعداد کلیک‌ها روی تبلیغات باشد، ‌سایت‌ها به‌سرعت مملو از مطالبی با کیفیت پایین می‌شوند. در همان حال که تعداد کلیک‌ها افزایش ‌می‌یابد، رضایت مشتریان سقوط می‌کند. ‍ به‌گفته‌ نویسندگان، این خطاها به الگوریتم‌ها مربوط نمی‌شود، بلکه به شیوه تعامل ما با آن‌ها برمی‌گردد. بنابراین، مدیران باید دو محدودیت عمده آن‌ها را بشناسند: نخست، آن‌ها کاملا «گنگ» هستند؛ الگوریتم‌ها دقیقا آن‌چه گفته شده را انجام می‌دهند و ملاحظه دیگری ندارند. یک انسان متوجه می‌شود که طراحان ‌سایت‌ها از طریق محاسبه تعداد کلیک‌ها می‌خواهند کیفیت سایت را ارتقا دهند. در حالی که الگوریتم‌ها تعداد کلیک‌ها را به قیمت افت کیفیت ‌وب‌سایت افزایش می‌دهند. دوم، الگوریتم‌ها جعبه‌های سیاه هستند؛ گرچه می‌توانند رویدادهای آینده را با دقت بسیار بالایی پیش‌بینی کنند، اما قادر نیستند درباره علت و چرایی وقوع یک رویداد توضیحی ارائه دهند. برای مثال، آن‌ها خواهند گفت کدام‌یک از مقاله‌های این مجله احتمالا در توییتر به‌اشتراک گذاشته خواهد شد، اما توضیحی درباره انگیزه افراد برای به‌اشتراک‌گذاشتن آن‌ ارائه نخواهند داد. برای اجتناب از گام‌های اشتباهْ هنگام فرموله‌کردن الگوریتم‌ها باید نسبت به کلیه اهداف (سخت و نرم) خود دقیق و صریح باشید. برای حصول اطمینان از عدم تمرکز نزدیک‌بینانه الگوریتم‌ها بر نتایج کوتاه‌مدت، باید پیامد بلندمدت داده‌هایی که الگوریتم‌ها شامل می‌شوند را در نظر گیرید. هم‌چنین، داده‌های ورودی صحیحی را انتخاب کنید تا نسبت به گردآوری طیف وسیعی از اطلاعات از منابع گوناگون اطمینان حاصل کنید.