Ερ:
Γιατί είναι τόσο η μηχανική μάθηση πίσω από τις σκηνές - από την οπτική γωνία του κοινού χρήστη;
ΕΝΑ:Αυτό το θεμελιώδες ζήτημα σχετικά με τη μηχανική μάθηση λαμβάνει υπόψη πολλές διαφορετικές πτυχές του τρόπου λειτουργίας αυτών των πολύπλοκων προγραμμάτων και του ρόλου που διαδραματίζουν στη σημερινή οικονομία.
Ένας από τους ευκολότερους τρόπους για να εξηγήσει κανείς την έλλειψη προεξάρχησης των συστημάτων μηχανικής μάθησης είναι ότι είναι εύκολο να κρυφτούν. Αυτά τα συστήματα back-end κρύβονται πίσω από μηχανισμούς συστάσεων και πολλά άλλα, επιτρέποντας στους καταναλωτές να ξεχνούν ότι υπάρχει κάποια μηχανική μάθηση που συμβαίνει καθόλου. Για όλους τους τελικούς χρήστες γνωρίζουν, ορισμένοι άνθρωποι θα μπορούσαν να επιλέξουν προσεκτικά τις επιλογές αντί για ένα νευρωνικό δίκτυο που εκτελεί εξελιγμένους αλγορίθμους.
Πέρα από αυτό, υπάρχει επίσης έλλειψη συστημικής εκπαίδευσης στη μηχανική μάθηση, εν μέρει επειδή είναι τόσο καινούργιο, και εν μέρει λόγω της έλλειψης επενδύσεων στην εκπαίδευση STEM στο σύνολό της. Φαίνεται ότι ως κοινωνία είμαστε γενικά εντάξει με την επιλογή των βασικών ατόμων να μάθουν για την τεχνολογία με κάθε λεπτομέρεια και να γίνουν οι "τεχνολογικοί ιερείς" του πληθυσμού μας. Μια ευρύτερη στρατηγική για το ραδιοφάσμα θα ήταν να συμπεριληφθεί φυσικά η λεπτομερής μηχανική μάθηση και η διδασκαλία της τεχνολογίας σε ένα δευτεροβάθμιο επίπεδο στα γυμνάσια.
Ένα άλλο πρόβλημα είναι η έλλειψη προσβάσιμης γλώσσας γύρω από την εκμάθηση μηχανών. Το γαρύφαλλο αφθονεί - από τις ετικέτες των ίδιων των αλγορίθμων, στις λειτουργίες ενεργοποίησης που τροφοδοτούν τεχνητούς νευρώνες και οδηγούν σε νευρικά δίκτυα. Ένα άλλο σπουδαίο παράδειγμα είναι η επισήμανση των στρωμάτων σε ένα συνελικτικό νευρωνικό δίκτυο - padding και strading και max pooling και πολλά άλλα. Σχεδόν κανείς δεν καταλαβαίνει ποιοι είναι αυτοί οι όροι και αυτό κάνει την εκμάθηση της μηχανής ακόμα πιο αδιανόητη.
Οι ίδιοι οι αλγόριθμοι έχουν διαμορφωθεί στη γλώσσα των μαθηματικών. Όπως και με τη σύγχρονη και κλασική φυσική, οι φοιτητές αυτών των κλάδων υποτίθεται ότι κατακτούν την τέχνη της ανάγνωσης πολύπλοκων εξισώσεων, αντί να θέτουν τις λειτουργίες του αλγορίθμου σε απλή γλώσσα. Αυτό χρησιμεύει επίσης για να καταστούν οι πληροφορίες μάθησης μηχανών πολύ λιγότερο προσπελάσιμες.
Τέλος, υπάρχει το πρόβλημα "μαύρου κουτιού", όπου ακόμη και οι μηχανικοί δεν κατανοούν πλήρως πόσες μηχανές εκμάθησης λειτουργούν. Καθώς έχουμε κλιμακώσει την πολυπλοκότητα και την ικανότητα αυτών των αλγορίθμων, έχουμε θυσιάσει τη διαφάνεια και την εύκολη πρόσβαση στα αποτελέσματα αξιολόγησης και ανάλυσης. Έχοντας αυτό υπόψη, υπάρχει μια μεγάλη κίνηση προς την ερμηνευτική AI - προς την κατεύθυνση της διαθεσιμότητας της λειτουργικής μηχανικής μάθησης και της τεχνητής νοημοσύνης, καθώς και της διατήρησης ενός χειρισμού για το πώς αυτά τα προγράμματα λειτουργούν για να αποφευχθούν δυσάρεστες εκπλήξεις σε ένα περιβάλλον παραγωγής.
Όλα αυτά βοηθούν να εξηγήσουμε γιατί, παρόλο που η μηχανική μάθηση αναπτύσσεται στον σημερινό κόσμο της τεχνολογίας, είναι συχνά "από την όραση, από το μυαλό".
