Uncertainty

epistemology

Uncertainty

Definition

Uncertainty is the epistemic condition in which the available information is insufficient to determine, with certainty, either (a) the truth value of a proposition, (b) the outcome of a process, or (c) the value of a parameter. Modern decision theory and statistics distinguish at least three categories: aleatoric uncertainty — irreducible randomness inherent to the process (e.g., quantum measurement, fair coin toss); epistemic uncertainty — reducible by acquiring more data, better models, or sharper reasoning; Knightian uncertainty (or deep uncertainty, ambiguity) — situations where probability distributions themselves cannot be reliably specified.

Manažerské shrnutí

V kontextu Prismatic Platform je uncertainty centrální kategorie pro DD vyšetřování, OSINT confidence scoring, predikci rizik, a klinickou diagnostiku. Manažersky kritická diskriminace: (a) výsledek měřitelně reducibilní (aleatoric) — řešení je akceptace variability a explicitní confidence intervals v reportech; (b) reducibilní by additional intel (epistemic) — řešení je pokračovat v investigation; (c) deeply uncertain (Knightian) — řešení je robust decision making skrze multiple-scenario modeling, ne pseudo-přesné single-point predictions. Selhání rozlišit tyto tři typy je root cause množství reálných scandalů: subprime mortgage crisis (Knightian uncertainty modelovaná jako epistemic), AI safety failures (aleatoric variabilita modelu předkládaná jako bug), DD overconfidence (epistemic uncertainty maskovaná falešnou precizí).

Domain Context

Frank Knight (Risk, Uncertainty, and Profit, 1921) jako první formálně oddělil risk (kvantifikovatelná pravděpodobnost) od uncertainty (necalkulovatelná). Ellsberg (1961) experimentálně demonstroval, že lidé systematicky preferují risk před uncertainty — ambiguity aversion. Bayesovský rámec (Savage 1954) tvrdí, že každá uncertainty je v principu kvantifikovatelná subjektivními pravděpodobnostmi; tato pozice je dnes spíše menšinová. Modern imprecise probability tradice (Walley 1991) pracuje s intervaly pravděpodobností. Possibility theory (Zadeh 1978, Dubois & Prade) poskytuje alternativní formální rámec pro uncertainty bez frequentist interpretace. V machine learning rozlišení aleatoric/epistemic uncertainty řídí design Bayesian neural networks a deep ensembles (Kendall & Gal 2017).

Practical Application

  1. DD report uncertainty disclosure: každý finding nese confidence label (high/medium/low) doplněný o specifický důvod (e.g., single-source, conflicting registries, temporal gap); pilíř NCLB vyžaduje, aby žádné tvrzení nebylo prezentováno s falešnou jistotou.
  2. OSINT triangulation: signal z jednoho adapteru má epistemic uncertainty, kterou lze redukovat dotazem na nezávislé adaptery; pokud tři nezávislé zdroje konvergují, uncertainty klesá; pokud divergují, signalizuje to data-quality problem nebo legitimní heterogenitu reality.
  3. M&A scenario planning: makroekonomické predikce (3-letý outlook) jsou Knightian uncertain — nesmí být modelovány jako single base case, ale jako množina scénářů (base/upside/downside/tail) s explicitními pravděpodobnostmi.
  4. Klinická diagnostika: differential diagnosis explicitně zachycuje epistemic uncertainty; aleatoric uncertainta v lab tests je vyjádřena reference intervals.

References

  • Knight, F. H. Risk, Uncertainty, and Profit (Houghton Mifflin, 1921)
  • Ellsberg, D. Risk, Ambiguity, and the Savage Axioms (Quarterly J. of Economics, 1961)
  • Walley, P. Statistical Reasoning with Imprecise Probabilities (Chapman & Hall, 1991)
  • Kendall, A. & Gal, Y. What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision? (NeurIPS, 2017)
  • Gigerenzer, G. Calculated Risks: How to Know When Numbers Deceive You (Simon & Schuster, 2002)

Built with precision. Optimized for AI consumption.

Back to Glossary