Komentář, na který odpovídáte

12. 09. 2022 - 13:47

radekn*: Druhý můj komentář je myslím možná ještě aktuálnější.
Jak jsem vzpomenul v předchozí úvaze, podpora a výchova k lidskému myšlení, na základě interpretace tvrzení (doplňkové a alternativní) je nutná, nikoliv však postačující.

NENÍ TOTIŽ V DNEŠNÍ DOBĚ KÁMEN ÚRAZU V TOM, CO TVRZENÍ A INTERPRETACI POZNATKŮ PŘEDCHÁZÍ?

Tento problém je na delší text, ale jen krátce.
Jsme bohužel svědky toho, že v informační době (kdy informace jsou interpretovaná data) se s interpretacemi tzv. „roztrhnul pytel“.
A proto se do popředí dostává požadavek na vzdělávání a výchovu v oblasti KRITICKÉHO MYŠLENÍ.

Před nástupem IT a umělé inteligence jsme totiž poznávali svět následujícím způsobem:

Pozorovali jsme svět a sbírali o něm data.
Např. měřili jsme v určitém období teplotu vzduchu a sledovali počet květů na stromě s tím, kolik jich včely opylí a jaká bude úroda.

Pak jsme zjišťovali závislost mezi jednotlivých faktory (teplota, počet včel, počet květů, velikost úrody), + další faktory.

A na základě matematických modelů jsme mezi nimi zjišťovali závislosti (lineární přímo a nepřímo úměrné) : čím vyšší teplota vzduchu na jaře, tím zmrzne méně květů a víc jich včely opylí a tím bude více úrody.

Z takovýchto odpozorovaných závislostí vznikaly různé pranostiky – šířily se tak mezi lidmi poznatky a v praxi ověřená tvrzení.

VYUŽITÍ UMĚLÉ INTELIGENCE A MODELOVĚ-AGNOSTICKÉ METODY
S narůstající komplexitou společnosti jsme narazili na to, že omezený počet statistických modelů nedokáže přesně vyhodnotit nasbíraná data – interpretovat je a predikovat budoucí výsledky.
Proto se začaly pro výpočty vztahů a závislostí zapojovat informační technologie a tzv. „MODELOVĚ-AGNOSTICKÉ METODY“ – kdy vyhodnocující fázi uzavíráme do „černé skříňky“ a sám člověk už „jen“ přijímá interpretace – neboli informace s různou mírou jejich pravděpodobnosti.

S příchodem Umělé inteligence a strojového a hloubkového učení dokonce sami programátoři tvrdí, že neví, jak si umělá inteligence vyhodnocovací software upravila.

Takže se čím dál víc dostáváme do situace, kdy LIDSKÉ MYŠLENKOVÉ ÚKONY, jak popisuje autor musíme provádět (musíme se rozhodovat) na základě interpretací (Alík je pes, nebo dnes např. existence více než 2 pohlaví), o kterých nic moc nevíme.

Hranici možného jsme dosáhli i ve zmíněné oblasti VIZUALIZACE (SCHOPNOSTI TVORBY PŘEDSTAVY), protože dokud v problému ponecháme 1, či 2 faktory, jsme schopni na základě 2D grafu případně trojrozměrného grafu ostatním vysvětlit možné predikce a chování daného problému (i společenského jevu).

Ale při zahrnutí 4 a více faktorů v podstatě nejsme schopni daný jev veřejnosti srozumitelně představit (viz zmíněný počet „uznávaných“ pohlaví, jejichž specifikace též vychází z variací 4+ parametrů).

Ale zpět ke kritickému myšlení: JSME A BUDEME VŮBEC SCHOPNI KRITICKÉHO MYŠLENÍ, KDYŽ MEZI NÁMI A FAKTY STOJÍ ČERNÁ SKŘÍŇKA A VYHODNOCOVACÍ MODELY UMĚLÉ INTELIGENCE (BIG ANALYTIKA, BIG DATA)?

A EXISTUJE VŮBEC CESTA ZPĚT K NĚJAKÉ OBDOBĚ LOGARITMICKÉHO PRAVÍTKA A TABULEK“ ABY SI MOHLI OBČANÉ SAMI PŘEDKLÁDANÉ INTERPRETACE TĚMI, CO NÁS PŘESVĚDČUJÍ, CESTOU ZPĚT K VYHODNOCENÍ FAKTŮ, OVĚŘIT?

Skvěle tuto problematiku ztráty schopností člověka chápat svět popisuje : kniha https://christophm.github.io/interpretable-ml-book/agnostic.html#agnostic
A následné kapitoly.