P:
Dlaczego badacze danych powinni szukać przejrzystości?
ZA:Przejrzystość jest zasadniczo ważna w projektach nauki danych i programach uczenia maszynowego, częściowo ze względu na złożoność i wyrafinowanie, które je napędzają - ponieważ programy te „uczą się” (generują wyniki probabilistyczne), a nie postępują zgodnie z wcześniej ustalonymi instrukcjami programowania liniowego, a ponieważ może być trudno zrozumieć, w jaki sposób technologia dochodzi do wniosków. Problem „czarnej skrzynki” algorytmów uczenia maszynowego, których nie można w pełni wyjaśnić decydentom ludzkim, jest duży w tej dziedzinie.
Mając to na uwadze, umiejętność opanowania uczenia maszynowego lub „sztucznej inteligencji” będzie prawdopodobnie głównym przedmiotem zainteresowania firmy w zakresie pozyskiwania talentów przez naukowca danych. Już teraz DARPA, instytucja, która przyniosła nam internet, finansuje wielomilionowe badania nad możliwą do wytłumaczenia sztuczną inteligencją, starając się promować umiejętności i zasoby potrzebne do tworzenia technologii uczenia maszynowego i sztucznej inteligencji, które są przejrzyste dla ludzi.
Jednym ze sposobów, aby o tym pomyśleć, jest to, że często istnieje „etap umiejętności czytania i pisania” oraz „etap hiperiterapii”. Dla naukowca danych, tradycyjnym etapem umiejętności czytania byłaby wiedza na temat tworzenia programów uczenia maszynowego i budowania algorytmy z takimi językami jak Python; jak budować sieci neuronowe i pracować z nimi. Etap hiperliteracji polegałby na opanowaniu wyjaśnialnej sztucznej inteligencji, zapewnieniu przejrzystości w stosowaniu algorytmów uczenia maszynowego i zachowaniu przejrzystości, gdy programy te pracują w kierunku swoich celów i celów osób zajmujących się ich obsługą.
Innym sposobem wyjaśnienia znaczenia przejrzystości w analizie danych jest to, że wykorzystywane zbiory danych stają się coraz bardziej wyrafinowane, a przez to potencjalnie bardziej ingerujące w życie ludzi. Innym ważnym czynnikiem wyjaśniającym uczenie maszynowe i naukę danych jest europejskie ogólne rozporządzenie o ochronie danych, które niedawno wdrożono w celu ograniczenia nieetycznego wykorzystywania danych osobowych. Wykorzystując RODO jako przypadek testowy, eksperci mogą zobaczyć, w jaki sposób potrzeba wyjaśnienia projektów związanych z nauką danych wpisuje się w obawy dotyczące prywatności i bezpieczeństwa, a także etyki biznesowej.
