On the evolution of the concept of probability as a mirror of the evolution of reason
Dit artikel volgt de evolutie van waarschijnlijkheid van een wiskundig hulpmiddel voor kansspelen naar een kader voor rationele inferentie, waarbij wordt betoogd dat hoewel moderne Bayesiaanse methoden onzekerheid formaliseren, een volledige opvatting van wetenschappelijke rationaliteit ook fuzzy logic moet integreren voor het hanteren van conceptuele vaagheid en deep learning voor geometrische voorspelling voorbij expliciete probabilistische inferentie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Dit artikel vertelt het verhaal van hoe het menselijk denken is geëvolueerd om met het onbekende om te gaan. Het betoogt dat ons concept van waarschijnlijkheid niet alleen een wiskundig hulpmiddel is; het is een spiegel die reflecteert hoe het menselijk redeneren zelf de afgelopen 400 jaar volwassen is geworden.
Hier is de reis van het "Redeneren" zoals beschreven in het artikel, onderverdeeld in eenvoudige stadia met alledaagse analogieën.
1. Het begin: Het temmen van de dobbelstenen (Pascal & Fermat)
De oude manier: Lang geleden dachten mensen dat pech of geluk de grillen van de goden waren. Je gooide gewoon met de dobbelstenen en hoopte op het beste.
De verschuiving: In de 1600 kijken Pascal en Fermat naar een gokprobleem en zeggen: "Wacht, dit kunnen we eigenlijk berekenen."
De analogie: Stel je een chaotische storm voor. Voorheen vluchtten mensen gewoon voor dekking. Pascal en Fermat bouwden een kaart van de storm. Ze realiseerden zich dat hoewel je één enkele regendruppel niet kunt voorspellen, je wel het totaal aantal regendruppels kunt tellen. Ze gebruikten een driehoek (Pascaldraai) om alle mogelijke manieren te tellen waarop een spel kon eindigen.
De les: Het redeneren leerde "toeval" niet te behandelen als magie, maar als een puzzel met een vast aantal stukjes. Als je de stukjes zorgvuldig telt, kun je de kansen voorspellen.
2. Leren van ervaring: De tijdmachine (Bayes & Laplace)
De verschuiving: Het tellen van stukjes is geweldig voor spelletjes, maar hoe zit het met het echte leven waar dingen veranderen? Bayes en Laplace introduceerden tijd en leren.
De analogie: Stel je voor dat je probeert te raden of een munt eerlijk is.
- Oude manier: Je werpt hem één keer en beslist.
- Nieuwe manier (Bayesiaans): Je begint met een vermoeden (misschien denk je dat hij eerlijk is). Je werpt hem 10 keer. Als hij elke keer op kop landt, pas je je vermoeden aan. Je werpt hem 100 keer, en je past het weer aan.
De les: Redeneren is niet statisch; het is een levend dagboek. Elk nieuw stukje bewijs herschrijft je vorige overtuigingen. Dit veranderde waarschijnlijkheid in een instrument voor "rationeel leren", waarbij je slimmer wordt naarmate je meer observeert.
3. Orde vinden in chaos: Het groepsffect (Poisson)
De verschuiving: Poisson keek naar zeldzame, willekeurige gebeurtenissen (zoals ongelukken of sterfgevallen) en vond een patroon.
De analogie: Stel je een drukke stadsstraat voor. Je kunt niet voorspellen wanneer een specifts persoon zijn ijsje laat vallen. Maar als je 10.000 mensen observeert, kun je precies voorspellen hoeveel ijsjes er per uur vallen.
De les: Hoewel individuele gebeurtenissen chaotisch zijn, is de groep voorspelbaar. Het redeneren leerde dat als je genoeg data bekijkt, "wanorde" feitelijk een zeer stabiel, ordelijk patroon creëert.
4. Het perfecte regelboek: De architect (Kolmogorov)
De verschuiving: Tegen de jaren 1930 werd de wiskunde te rommelig door verschillende definities. Kolmogorov stapte in als een strikte architect.
De analogie: Stel je een schaakspel voor waarbij iedereen zijn eigen vreemde regels heeft. Kolmogorov schreef het Officiële Regelboek. Hij zei: "Vanaf nu is waarschijnlijkheid een strikt wiskundig systeem met drie eenvoudige regels."
De les: Dit maakte waarschijnlijkheid tot een rigoureuze wetenschap, zoals meetkunde. Het artikel merkt echter een nadeel op: door het zo perfect en wiskundig te maken, werd het "stil" over de rommelige, vage delen van het echte leven. Het gaat ervan uit dat elke vraag een duidelijk "Ja" of "Nee" antwoord heeft, wat niet altijd waar is.
5. De moderne piek: De informatie-kok (Tarantola)
De verschuiving: Vandaag de dag gebruiken we waarschijnlijkheid om te combineren wat we al weten met nieuwe data.
De analogie: Stel je voor dat je een chef bent die een soep maakt.
- Voorkennis: Je hebt een recept (wat je denkt dat de soep moet smaken).
- Nieuwe data: Je proeft de soep (de observatie).
- Het resultaat: Je gooit het recept niet weg, en je negeert de smaak ook niet. Je mengt ze samen om de perfecte smaak te krijgen.
De les: Modern redeneren behandelt waarschijnlijkheid als een logica van informatie. Het is een manier om je ervaring uit het verleden te mengen met nieuwe feiten om de beste mog{\text{t}}elijke beslissing te nemen.
Maar wacht... Het redeneren heeft grenzen
Het artikel betoogt dat hoewel waarschijnlijkheid geweldig is, het tegen een muur aanloopt. Waarschijnlijkheid is goed in het beantwoorden van: "Wat is de kans dat het gaat regenen?" (Het concept "regen" is duidelijk).
Maar het worstelt met: "Is deze wolk 'zwaar'?" of "Is dit model 'goed'?"
Deze woorden zijn vaag. Er is geen scherpe lijn tussen "zwaar" en "licht". Waarschijnlijkheid gaat ervan uit dat de vraag duidelijk is; het weet niet hoe het de vaagheid van de woorden zelf moet afhandelen.
De nieuwe tools: Fuzzy Logic en Deep Learning
Om dit op te lossen, introduceert het artikel twee nieuwe manieren van denken:
1. Fuzzy Logic: De dimmer
Het probleem: Waarschijnlijkheid zegt dat een licht aan of uit is. Maar in het echte leven kan een licht "een beetje aan" zijn.
De oplossing: Fuzzy Logic (uitgevonden door Zadeh) is als een dimmer. In plaats van alleen 0 (Uit) of 1 (Aan), staat het 0,5 (Halfweg) toe.
De analogie: Stel je voor dat je fruit sorteert.
- Waarschijnlijkheid: "Is deze appel rood?" (Ja/Nee).
- Fuzzy Logic: "Hoe rood is deze appel?" (Hij is 80% rood, 20% groen).
De les: Dit stelt het redeneren in staat om vage concepten (zoals "lang", "heet" of "veilig") te hanteren zonder ze in een rigide box te dwingen. Het is een manier om precies te zijn over onprecisie.
2. Deep Learning: De Black Box Kunstenaar
Het probleem: Onlangs zijn computers (AI) ongelooflijk goed geworden in het voorspellen van dingen (zoals het herkennen van gezichten) zonder dat wij hen de regels vertellen.
De analogie: Stel je een student voor die leert schilderen door naar 1 miljoen plaatjes te kijken. Ze worden een meesterverfenaar. Maar als je vraagt: "Waarom heb je hier blauw gebruikt?", kunnen ze het niet uitleggen. Ze weten het gewoon omdat ze een geometrisch patroon in de data hebben gevonden.
De les: Deep learning is krachtig, maar het is geometrisch, niet logisch. Het vindt patronen door datavormen uit te rekken en te buigen, niet door heldere regels te gebruiken of uit te leggen waarom. Het slaat het "redeneren" over en gaat direct naar het "resultaat".
De uiteindelijke conclusie
Het artikel concludeert dat het menselijk redeneren door drie hoofdfases is geëvolueerd:
- Waarschijnlijkheid: We leerden de kansen te tellen en onze overtuigingen bij te stellen.
- Fuzzy Logic: We leerden om te gaan met vage woorden en "grijze gebieden".
- Deep Learning: We leerden patronen te vinden in enorme hoeveelheden data zonder dat we de logica hoeven uit te leggen.
De waarschuwing: We kunnen niet alleen vertrouwen op Deep Learning (de Black Box). Echt wetenschappelijk redeneren moet in staat zijn om uit te leggen waarom het denkt dat iets waar is, vage concepten te hanteren en zijn overtuigingen bij te stellen. Waarschijnlijkheid en Fuzzy Logic zijn de instrumenten die ons redeneren eerlijk, helder en begrijpelijk houden, terwijl Deep Learning de krachtige motor is die ons vooruit stuwt. We hebben ze allemaal nodig om de wereld echt te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.