Tom Sterkenburg untersucht am Lehrstuhl für Wissenschaftstheorie die Epistemologie des maschinellen Lernens. Das Projekt wird durch ein Emmy Noether Projekt von der DFG gefördert.
Die gegenwärtige Welle von Methoden der künstlichen Intelligenz erfordert eine philosophische Analyse der damit verbundenen erkenntnistheoretischen Fragen. Ein dringliches Thema für eine solche Analyse ist Bias im maschinellen Lernen. Bei der Anwendung von Methoden des maschinellen Lernens gibt es verschiedene Einstiegspunkte des algorithmischen Bias. Relativ vernachlässigt wird in der aktuellen Forschung die zentrale Phase, in der ein Lernalgorithmus tatsächlich aus den Trainingsdaten verallgemeinert. Die Untersuchung des unvermeidlichen *induktiven Bias* ist die Domäne der Lerntheorie, aber dieser mathematische Ansatz bietet noch kein klares konzeptionelles Bild des induktiven Bias. Was fehlt, ist eine einheitliche erkenntnistheoretische Darstellung des induktiven Bias, die die technischen Analysen der Lerntheorie umfasst. Eine Erläuterung des induktiven Bias ist ein natürlicher Ausgangspunkt für eine allgemeinere Darstellung der Art und Weise, wie wir durch maschinelle Lernmethoden Wissen erlangen. Bestehende Entwürfe einer solchen Erkenntnistheorie neigen dazu, die empirische Natur der Anwendung von Methoden des maschinellen Lernens in den Vordergrund zu stellen, während viele Arbeiten in der formalen Philosophie sich auf die ideale Rationalität von Lernagenten konzentrieren. Was fehlt, ist eine Darstellung, die sowohl der Praxis als auch der Theorie des maschinellen Lernens gerecht wird. Das Ziel dieses Projekts ist es, eine philosophische Explikation des Konzepts des induktiven Bias zu entwickeln, und diese in eine Erkenntnistheorie des maschinellen Lernens einzubinden. Diese Arbeit wird durch zwei Fallstudien untermauert, die diese Explikation auf zentrale aktuelle Debatten anwenden. Das Projekt besteht somit aus vier Arbeitspaketen. Zunächst motivieren und entwickeln wir eine Explikation des induktiven Bias. Die leitende Idee ist eine allgemeine erkenntnistheoretische Charakterisierung anhand der Bedingungen und der Art des erfolgreichen Lernens, die für jede spezifische Methode mit der Theorie des maschinellen Lernens präzisiert werden kann. Zweitens setzen wir unsere Explikation ein, um die Debatte über die Erklärung der Biases und des empirischen Erfolgs von tiefen neuronalen Netzen voranzutreiben. Darüber hinaus evaluieren wir unsere Explikation und zeigen mögliche konzeptionelle Einschränkungen auf. Drittens setzen wir unser Explikationsschema ein, um die Debatte über algorithmische Fairness voranzutreiben. Wir untersuchen die Beziehungen zwischen epistemischen und nicht-epistemischen Faktoren und die Wechselwirkungen zwischen induktiven Biases und algorithmischen Biases im Allgemeinen. Schließlich entwickeln wir eine pragmatistische Erkenntnistheorie der Methoden des maschinellen Lernens. Der Leitgedanke ist, dass die Fokussierung auf die Rolle des induktiven Bias mit einer Sichtweise auf die Natur der Untersuchung übereinstimmt, die den Kern der pragmatistischen Tradition in der Wissenschaftsphilosophie darstellt.