El problema epistemológico de los Big Data en la producción de conocimiento científico
Guardado en:
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de Publicación: | 2023 |
| Descripción: | La ciencia de datos ocupa un puesto de importancia en las ciencias actuales debido a los avances en Machine Learning y en la recolección y almacenamiento de grandes cantidades de datos —Big Data—, los cuales han posibilitado un nivel más alto de precisión en muchas disciplinas, además de que han hecho cognoscibles ciertos objetos que a simple vista no lo eran. Sin embargo, la razón para la distribución de pesos y sesgos en algunos modelos de Machine Learning es incognoscible por su complejidad, lo cual, en el contexto de la producción de conocimiento científico, significa omitir lo explicativo de las teorías. En la investigación se muestran las razones epistemológicas que fundamentan el problema de la opacidad epistémica. Luego, se analiza el área emergente de la inteligencia artificial explicable (XAI), un intento de evadir la opacidad epistémica a través de explicaciones locales de los modelos opacos, y se muestran sus alcances y limitaciones. Finalmente, se argumenta que la explicación no es accidental en la ciencia, sino que epistemológicamente debería ser parte esencial de ella. Se muestra que, mientras que el uso de modelos complejos de Machine Learning presenta problemas sui generis en su uso en las ciencias, estos no atentan directamente contra los métodos científicos actuales. La explicación del funcionamiento de los modelos complejos, mientras que no permite una comprensión absoluta de la razón de cada parámetro, puede abarcar lo suficiente —siempre que se aplique el modelo de explicación adecuado, comprendiendo sus limitaciones— como para permitir la producción legítima de conocimiento científico. |
| País: | Kérwá |
| Institución: | Universidad de Costa Rica |
| Repositorio: | Kérwá |
| Lenguaje: | Español |
| OAI Identifier: | oai:kerwa.ucr.ac.cr:10669/89406 |
| Acceso en línea: | https://hdl.handle.net/10669/89406 |
| Palabra clave: | BIG DATA ARTIFICIAL INTELLIGENCE Machine Learning Interpretable Machine Learning Explainable Machine Learning EPISTEMOLOGÍA CONOCIMIENTO |