Hume e a causalidade nos modelos estatísticos.
Hume mostrou que nunca observamos a causalidade, apenas sucessões regulares de eventos. Séculos depois, cientistas de dados ainda tropeçam no mesmo problema: um modelo pode prever com precisão sem jamais saber o que causa o quê. Não acredita? Rode a simulação:
Rawls e a justiça distributiva em classificadores.
Se você não soubesse em qual grupo da população estará, que critério de justiça aceitaria para um classificador? O experimento mental de Rawls é um jeito prático de auditar viés em modelos de crédito, contratação e policiamento preditivo. Veja um diagnóstico (fictício) de aprovação de crédito:
Falseabilidade popperiana contra modelos superajustados.
Para Popper, uma teoria científica vale por poder ser refutada. Um modelo com overfitting explica tudo o que viu e nada do que virá: uma hipótese ad hoc disfarçada de matriz de pesos. O sintoma clássico:
Manipulação de símbolos versus compreensão real.
No experimento da Sala Chinesa, seguir regras sobre símbolos não bastaria para compreender nada: if entrada == "你好": return "你好吗". Um LLM que completa textos com fluência está na mesma situação, ou o argumento envelheceu mal?
A disputa epistemológica na interpretação da probabilidade.
Probabilidade é a frequência de longo prazo de um evento ou um grau de crença racional? A disputa é, no fundo, filosófica. Um teste com 90% de sensibilidade dá positivo, e agora? Depende do prior:
O teorema No Free Lunch de David Wolpert.
O teorema No Free Lunch, de Wolpert, diz que nenhum algoritmo supera todos os outros quando se consideram todos os problemas possíveis. É a velha dúvida de Hume sobre a indução, agora com demonstração formal.