Vera casualità e Machine Learning

Questa tesi esplora il concetto di casualità, analizzandone le principali formalizzazioni teoriche, implicazioni epistemologiche e applicazioni nel contesto del machine learning, con particolare attenzione alle problematiche etiche legate all'equità algoritmica. Si analizzano i concetti di causalità e casualità, presentando dapprima la teoria classica della probabilità (Kolmogorov) e la teoria frequentista (Von Mises), per poi esaminare i concetti di indipendenza, casualità ed equità e la loro relazione, presentandone la rilevanza per la modellazione statistica e il machine learning. Si presentano poi i principi della meccanica quantistica, con particolare attenzione al Paradosso Einstein-Podolsky-Rosen e alle disuguaglianze di Bell e le conseguenti implicazioni ontologiche, in particolare per quanto riguarda i concetti di completezza, realismo e località, e l'interpretazione del mondo che ne consegue. Si propone quindi di interpretare l'indeterminismo quantistico come fonte di casualità forte, che possa fungere da risorsa ontologicamente fondata per costruire modelli statistici e sistemi di machine learning che rispettino vincoli etici, in quanto, in questo orizzonte concettuale, casualità ed equità sono concetti intimamente interconnessi, e che dunque ogni assunzione di casualità comporta inevitabilmente una scelta etica.