Главная – Журналы – Философия науки 2025 номер 1

Цель статьи заключается в формировании подхода к теоретическому обоснованию применения методов машинного обучения (machine learning, ML) в естественных науках. Основное препятствие на этом пути - проблема «черного ящика», или «эпистемической непрозрачности», которая состоит в отсутствии доступа ко всем элементам процесса познания, осуществляемого с помощью ML. При разработке подхода авторы формулируют критерий, которому должно соответствовать решение этой проблемы. Авторы указывают, что причиной обращения к машинному обучению в естественных науках является ограниченная применимость традиционных аналитических и качественных методов в исследовании природы, поскольку человеческое мышление достигло своих пределов в процессе их использования ввиду сложности и многомерности изучаемых систем. Следовательно, решение проблемы «черного ящика» должно объяснять, как с помощью ML эти пределы можно преодолеть - как человеческое мышление может получить доступ к той области знания, которая ему недоступна вследствие его же собственных внутренних ограничений. В этой связи утверждается, что подход, стихийно сформировавшийся в рамках компьютерных наук, не может служить основой для решения указанной задачи. Такой подход предполагает внедрение существующих научных знаний в инструменты ML с целью борьбы с предвзятостью (bias), характерной для машинного обучения, - субъективными допущениями (assupmptions) исследователя, необходимыми для успешного обобщения за пределами обучающей выборки. Авторы показывают, что внедрение научных знаний в инструменты ML имеет лишь прикладное значение и не решает проблему теоретического обоснования, поскольку не соответствует предлагаемому ими критерию: оно не преодолевает пределы человеческого мышления, а только согласует результаты ML с уже известными научными знаниями.,