Resumen: Este trabajo demuestra cómo el concepto del potencial entrópico de los eventos, un parámetro que cuantifica la influencia de los eventos discretos en la entropía futura esperada de un sistema, puede mejorar la cuantificación de la incertidumbre, la toma de decisiones e interpretabilidad en la inteligencia artificial (IA). Sobre la base de su formulación original en física, el marco se adapta para la IA al introducir una medida centrada en el evento que captura cómo las acciones, las observaciones u otros eventos discretos afectan la incertidumbre en los horizontes temporales futuros. Se formalizan las definiciones originales y ajustadas de potencial entrópica, y esta última enfatiza las expectativas condicionales para explicar los escenarios contrafactuales. Las aplicaciones se exploran en la evaluación de políticas, el diseño de recompensas intrínsecas, la IA explicable y la detección de anomalías, destacando el potencial de la métrica para unificar y fortalecer el modelado de incertidumbre en sistemas inteligentes. Ejemplos conceptuales ilustran su uso en el aprendizaje de refuerzo, la inferencia bayesiana y la detección de anomalías, mientras que se discuten las consideraciones prácticas para el cálculo en modelos de IA complejos. El marco de potencial entrópico ofrece un enfoque teóricamente fundamentado, interpretable y versátil para gestionar la incertidumbre en la IA, los principios de puente de la termodinámica, la teoría de la información y el aprendizaje automático.
Publicado Originalme en export.arxiv.org El 14 de agosto de 2025.
Ver Fuente Original
