用来训练它的图像识别算法，它描绘的是谁的脸?它捕捉到了哪些可概括的信号/模式?
算法被理解为指导计算机执行特定任务的一组指令，本质上用于控制操作流程和未来事件。有时，事件的流程或多或少是预先知道的比如算法对按字母顺序排列的列表进行排序。然而，在机器学习的世界里，事件的结果往往仍然是不确定的。机器学习算法通过预测结果的可能性来减少这种不确定性。换句话说，机器学习是基于不断变化的信息，加强某些事件发生的概率。这也是贝叶斯定理的原理：“当你收到新的证据时，更新你对假设的信仰的简单规则”(Domingos,2015:144)那么，按照WendyChun的观点，我们可能会将算法理解为“一种策略，或一种行动计划——基于与展开事件的相互作用”(2011:126)。这意味着算法不会简单地随着事件而变化，而是总是在变化，因为事件不是静态的，而是在展开的。在Facebook等算法驱动型网站中，用户对于底层编码系统的开发和维护至关重要，因为他们不断向系统提供新数据。正如Facebook软件工程师穆昆德·Narasimhan(MukundNarasimhan)所言：“Facebook的一切都在进行中。”Facebook用来设计系统的模型也在不断发展，因为数据在变化。这意味着算法工作的确切方式也不断被员工调整，因为其他一切都在变化(Narasimhan,2011)。
算法不会简单地随着事件而改变;它们还具有改变事件的能力。在大数据和数据挖掘的时代，算法有能力从性能上改变事件展开的方式，或者至少改变事件的解释。谷歌流感追踪器就是一个很好的例子，它从2011年9月运行到2013年8月。b谷歌的流感追踪器经常被誉为大数据的最佳范例，它的设计目的是在流感爆发之前预测流感的爆发，其基础是从大量搜索查询中挖掘数据。b谷歌表示，他们“发现搜索流感相关话题的人数与实际出现流感症状的人数之间存在密切关系”(Walsh，2014)。然而，在2013年2月，流感追踪器上了头条，因为事实证明，它预测的“流感类疾病的医生就诊比例是疾病控制与预防中心的两倍多”，在此之前，疾病控制与预防中心一直被用作事实上的预测器(Lazer et al.，2014: 1203)。事实上，追踪器依赖b谷歌的搜索算法，这在扭曲流感趋势的结果中发挥了重要作用。通过自动补全功能向用户推荐搜索词，谷歌本身产生了它试图描述和预测的条件。正如Walsh(2014)所说：“如果数据不能反映世界，它怎么能预测将会发生什么？”
28
IF . . . THEN