UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO INSTITUTO DE INVESTIGACIONES FILOSÓFICAS

 

 

 

^{Presentación}

Resumen: Epistemic transparency is often proposed as a solution to algorithmic opacity, wherein revealing the inner logic of an algorithm provides reasons or supporting evidence for the justification of its outputs. I argue that transparency is defective in belief formation and thus inadequate as an epistemology of algorithms. Two objections are developed: transparency regress and bootstrapping, both rooted in transparency’s status as a time-sliced, ‘outsourced’ inferentialist epistemology. While weaker forms—such as contextual transparency—are briefly considered, the central argument remains that transparency fails to provide justification and should be abandoned as an epistemology of algorithms.

^Video

 

 

 

 

 

 

Resumen: Epistemic transparency is often proposed as a solution to algorithmic opacity, wherein revealing the inner logic of an algorithm provides reasons or supporting evidence for the justification of its outputs. I argue that transparency is defective in belief formation and thus inadequate as an epistemology of algorithms. Two objections are developed: transparency regress and bootstrapping, both rooted in transparency’s status as a time-sliced, ‘outsourced’ inferentialist epistemology. While weaker forms—such as contextual transparency—are briefly considered, the central argument remains that transparency fails to provide justification and should be abandoned as an epistemology of algorithms.

^Video

 

 

 

 

 

 

 

^{Presentación}

Resumen: En esta presentación, me propongo explorar la importancia de la confianza y la justificación en el aprendizaje automático (machine learning, ML). Para comenzar, abordaré brevemente dos epistemologías prometedoras para el ML: la transparencia y el fiabilismo computacional (FC). Sin embargo, mi enfoque estará en defender esta última, lo que requerirá una discusión más detallada. Dedicaré algo de tiempo a explicar cómo funciona el FC y cuáles son los supuestos que lo sustentan. A continuación, ilustraré cómo opera el FC en el contexto del aprendizaje automático forense. Finalmente, abordaré dos objeciones en contra del FC: i) la preocupación de que, bajo este enfoque, errores estadísticamente insignificantes pero graves puedan comprometer la fiabilidad de los algoritmos de IA; y ii) el argumento de que el FC, al ser una epistemología fiabilista, exige una alta frecuencia de éxito, lo que plantea un problema relacionado con la precisión predictiva. Presentaré argumentos para contrarrestar estas objeciones y defenderé el fiabilismo computacional como una epistemología prometedora para el aprendizaje automático.

^Video