pravidelné páteční „přetištění“ staršího článku
Některá použití Occamovy břitvy jsou zřejmě neproblémová a vypovídají i o povaze světa. Pokud před domem najdeme louži, je jistě rozumnější předpokládat, že pršelo, než že se zde vymočil mimozemšťan. Nicméně zkusme se z filozofie dostat na empiričtější půdu, konkrétně na automatické generování hypotéz počítači/programy.
Problém stojí takto: má-li program na základě dat k dispozici hypotézy stejně nebo podobně souhlasící s těmito daty, je třeba preferovat nejjednodušší hypotézu? To už lze empiricky zkoumat – následně vezmeme data stejného typu, které zatím program k dispozici neměl, a porovnáme je s predikcí podle jednotlivých hypotéz.
Experimentů byla provedena celá řada, jejich interpretace však kupodivu problém jednoznačně neřeší. Autor příspěvku v knize Uměla inteligence 5 se však přiklání k tomu, že výsledky výhodnost Occamovy břitvy alespoň v oblasti automatického generování hypotéz a strojového učení nepodporují, spíše naopak. Jinak řečeno, jednodušší hypotéza nebude obecně dávat úspěšnější předpovědi.
Occamova břitva pak v tomto ohledu není nějakým hlubinným principem vepsaným do podoby světa, nedává nám ani lepší nástroje jeho popisu ve smyslu lepší predikce. Jednodušší hypotézy nemusejí být obecně „lepší“, jsou ale každopádně člověku lépe srozumitelné.
Zdroj: Kolektiv autorů: Umělá inteligence 5, Academia, Praha 2007. Část F. Železný: O empirickém výzkumu algoritmického objevování
Poznámky:
Tady by se dalo odkázat na celou řadu souvisejících problémů: jde nám prostě o to, aby předpověď souhlasila s pozorováním, nebo spíše o porozumění světu (to má třeba vztah k různým interpretacím kvantové fyziky)?
Nicméně i přes uvedené výhrady je Occamova břitva užitečná i zcela prakticky. Srozumitelná hypotéza nám samozřejmě umožní s ní dále lépe pracovat, navrhovat její úpravy, odvozovat hypotézy další atd. Pro automatickou tvorbu hypotéz pomocí algoritmů to ovšem možná neplatí…
