Naukowcy z arXiv proponują, aby sztuczna inteligencja czerpała wnioski z metodologii medycznej, szczególnie z procesu translacji klinicznej. Głównym argumentem jest to, że budowanie niezawodnych systemów ML powinno podlegać podobnym rygorom epistemicznym i metodologicznym jak wprowadzanie nowych terapii medycznych do praktyki klinicznej.

Autorzy rozwijają koncepcję generatywnej analogii - czyli nie tylko powierzchownego porównania, ale głębokich podobieństw między procesami. Medycyna dysponuje ugruntowanymi standardami walidacji, testowania na pacjentach i oceną ryzyka benefitu, które zostały wypracowane przez dziesięciolecia praktyki. Analogicznie, ML potrzebuje bardziej rygorystycznych podejść do walidacji, testowania w rzeczywistych warunkach i oceny niezawodności przed wdrożeniem.

To badanie jest ważne, ponieważ adresuje fundamentalny problem: niepewność otaczająca wdrażanie ML w praktyce uniemożliwia établish solidnych podstaw naukowych dla tej technologii. Interpretując standardy medyczne poprzez soczewkę reliabilizmu - teorii z filozofii nauki - autorzy proponują nową formę ML reliabilizmu, która mogłaby służyć jako framework dla budowania bardziej godnych zaufania systemów AI. To może znacząco wpłynąć na sposób, w jaki ML jest wdrażany w kluczowych dziedzinach takich jak diagnostyka medyczna czy prognozowanie.