Nuovi annunci pubblicitari
Negli ultimi anni l'abitudine ortodossa di inventare dispositivi intuitivi piuttosto che fare appello a qualsiasi principio teorico connesso è stata estesa a nuovi problemi in un modo che fa sembrare inizialmente che siano stati creati diversi nuovi campi della scienza. Eppure tutti sono interessati al ragionamento da informazioni incomplete; e crediamo di avere teoremi che stabiliscono che la teoria della probabilità come logica è il mezzo generale per affrontare tutti questi problemi. Notiamo tre esempi.
I set fuzzy sono - ovviamente, per chiunque sia addestrato nell'inferenza bayesiana - approssimazioni grossolane alle precedenti probabilità bayesiane. Sono stati creati solo perché i loro praticanti hanno continuato a pensare alla probabilità in termini di "casualità" che si suppone esistesse in Natura ma mai ben definita; e così concluso che la teoria della probabilità non è applicabile a tali problemi. Non appena si riconosce la probabilità come modo generale per specificare informazioni incomplete , il motivo dell'introduzione dei Fuzzy Set scompare.
Allo stesso modo, gran parte dell'Intelligenza Artificiale (AI) è una raccolta di dispositivi intuitivi per il ragionamento da informazioni incomplete che, come i più vecchi delle statistiche ortodosse, sono approssimazioni ai metodi bayesiani e utilizzabili in alcune classi ristrette di problemi; ma che danno conclusioni assurde quando proviamo ad applicarle a problemi al di fuori di quella classe. Ancora una volta, i suoi praticanti sono coinvolti in questo solo perché continuano a pensare alla probabilità come a una "casualità" fisica anziché a informazioni incomplete. Nell'inferenza bayesiana tutti questi risultati sono contenuti automaticamente - e piuttosto banalmente - senza alcuna limitazione a una classe ristretta di problemi.
Il grande nuovo sviluppo è Neural Nets, che significa un sistema di algoritmi con la meravigliosa nuova proprietà che sono, come il cervello umano, adattivi in modo che possano imparare dagli errori del passato e correggersi automaticamente (WOW! Che grande nuova idea!) . In effetti, non siamo sorpresi di vedere che le reti neurali sono in realtà molto utili in molte applicazioni; più di Fuzzy Sets o AI. Tuttavia, le attuali reti neurali presentano due carenze pratiche; (a) Forniscono un output determinato dal presente input più le informazioni di addestramento precedenti. Questo risultato è davvero una stimadella risposta corretta, basata su tutte le informazioni a portata di mano, ma non fornisce alcuna indicazione della sua precisione, e quindi non ci dice quanto siamo vicini all'obiettivo (cioè, quanto più addestramento è necessario); (b) Quando si richiede una risposta non lineare, si fa appello a una funzione non lineare "sigmoide" standard memorizzata internamente, che con varie amplificazioni e miscele lineari può essere fatta per approssimare, in una certa misura, la vera funzione non lineare. (Nota: enfatizzare il mio.)
Ma dobbiamo davvero sottolineare che (1) qualsiasi procedura adattiva è, per definizione, un mezzo per tenere conto di informazioni incomplete; (2) Il teorema di Bayes è precisamente la madre di tutte le procedure adattive; la regola generale per l'aggiornamento di qualsiasi stato di conoscenza per tener conto di nuove informazioni; (3) Quando questi problemi sono formulati in termini bayesiani, un singolo calcolo fornisce automaticamente sia la migliore stima che la sua accuratezza; (4) Se viene richiesta la non linearità, il teorema di Bayes genera automaticamente l'esatta funzione non lineare richiesta dal problema, invece di provare a costruirne un'approssimazione da un altro dispositivo ad hoc .
In altre parole, sosteniamo che questi non sono affatto nuovi campi; solo false inizia. Se si formulano tutti questi problemi con la prescrizione standard bayesiana, si ottengono automaticamente tutti i risultati utili in forma migliorata. Le difficoltà che le persone sembrano avere nel comprendere questo sono tutti esempi dello stesso fallimento nel concettualizzare la relazione tra la matematica astratta e il mondo reale. Non appena riconosciamo che le probabilità non descrivono la realtà - solo le nostre informazioni sulla realtà - le porte sono spalancate alla soluzione ottimale dei problemi di ragionamento da quella informazione.