Обсуждение:Эпистемологические проблемы машинного обучения

В статье удели особенное внимание этим разделам: -Статус «знания», полученного ИИ. Можно ли считать результаты работы модели знанием в строгом смысле этого слова? Чем «знание» нейросети отличается от человеческого знания? -Проблема индуктивного риска. Каждый раз, делая предсказание на основе ограниченных данных, мы рискуем ошибиться. Как мы управляем этим риском и какую философскую проблему это обнажает? -Эпистемическая несправедливость и предвзятость данных. Может ли машинное обучение не просто отражать, но и усугублять существующие социальные предрассудки, создавая иллюзию «объективного» знания из предвзятых данных?

Целевая аудитория - это студенты и инженеры в области анализа данных и машинного обучения, в том числе начинающие. Статья должна быть полезна как новичку (понятно даются определения, популярно объясняются идеи), так и профессионалу (есть полезные ссылки, приводятся актуальные научные результаты).

Для вики-энциклопедии по машинному обучению важна связность. Поэтому термины из области машинного обучения и искусственного интеллекта, названия методов должны быть оформлены как внутренние ссылки, желательно с англоязычным термином в скобках, например Анализ «что-если» (What-If Analysis).

Не выдумывай факты. Ищи надёжные источники в научной литературе. Добавляй ссылки на них в текст статьи. В конце собери список научной литературы. Всегда проверяй корректность ссылок.