Algorithmische Paranoia und die gesellige Alternative

In einer Zeit von Big Data bedeutet es, über das Nachzudenken, wie wir gesehen werden und wie das unser Leben beeinflusst, unsere Vorstellung davon zu verändern, wer das Sehen übernimmt. Daten, die von Maschinen erzeugt werden, werden am häufigsten von anderen Maschinen 'gesehen'; das Auge, das hier in Frage steht, ist algorithmisch. Algorithmisches Sehen erzeugt kein rechnerisches Panoptikon, sondern einen Vorhersagemechanismus. Die Autorität seiner Vorhersagen beruht auf einem Abgleiten der wissenschaftlichen Methode in die Welt der Daten. Data Science erbt einige der Probleme der Wissenschaft, insbesondere die entkörperte 'Sicht von oben', und fügt neue hinzu. Da seine Kernmethoden wie maschinelles Lernen auf dem Sehen von Korrelationen und nicht auf dem Verständnis von Kausalitäten basieren, reproduziert es die Vorurteile seiner Eingaben. Indem es in die Apparate der Governance einsteigt, verstärkt es die problematischen Seiten des 'Sehens wie ein Staat' und verknüpft sich mit der rekursiven Produktion von Paranoia. Es zwingt uns, die Frage zu stellen: 'Was zählt als rationales Sehen?'. Dies aus der Perspektive des feministischen Empirismus zu beantworten, offenbart verschiedene Möglichkeiten, die im Sehen mit Maschinen latent sind. Basierend auf der Idee der Geselligkeit könnte maschinelles Lernen vergessene nicht-marktorientierte Muster aufdecken und freies sowie kritisches Lernen ermöglichen. Es wird vorgeschlagen, dass ein Programm zur Herausforderung der Produktion irrationaler Prävention auch eine Suche nach der Möglichkeit algorithmischer Geselligkeit ist.