Lo fanno Galanos e Stewart:

I modelli sono modi in cui gli esseri umani comprendono (o tentano di capire) il mondo, da semplici euristiche, stereotipi e regole empiriche a teorie e leggi scientificamente testate. I modelli ci consentono di trovare modelli di ordine nei sistemi complessi, ma sono necessariamente una semplificazione e, per di più, una semplificazione basata sugli obiettivi di coloro che li realizzano e li commissionano (…). Lo sviluppo di modelli in vari campi nasce spesso da una combinazione di ricerca, applicazione pratica, negoziazione e convenienza. Questi modelli, attraverso i processi iterativi del computer, determinano i pesi numerici per ogni variabile o dimensione. Possono quindi essere utilizzati per classificare i dati esistenti, identificare errori e distorsioni o generare nuovi dati, come la previsione di eventi futuri o la determinazione della parola più probabile in un determinato testo. I modelli in genere fungono da strumenti decisionali, predittori o quadri di riferimento, fornendo linee guida semplificate basate su principi consolidati o osservazioni empiriche. L’apprendimento automatico impiega quindi algoritmi o istruzioni informatiche di base per creare o migliorare modelli matematici che catturano le relazioni tra i punti dati che rappresentano i fenomeni di interesse del mondo reale. Sebbene la modellizzazione deduttiva sia fattibile quando esistono “principi primi” ben consolidati, molti scenari richiedono una combinazione di principi e dati empirici che sono solo parzialmente stabiliti. (Galanos V. and Stewart J.K., “Navigating AI beyond hypes, horrors and hopes: historical and contemporary perspectives”, in Ponce del Castillo A. (ed.) “Artificial intelligence, labour and society”, ETUI – traduzione in proprio)