P:
Dlaczego tak wiele uczenia maszynowego jest poza sceną - poza zasięgiem wzroku zwykłego użytkownika?
ZA:To podstawowe pytanie o uczenie maszynowe uwzględnia wiele różnych aspektów działania tych skomplikowanych programów oraz ich rolę w dzisiejszej gospodarce.
Jednym z najprostszych sposobów wyjaśnienia braku znaczenia systemów uczenia maszynowego jest to, że można je łatwo ukryć. Te systemy zaplecza czają się za silnikami rekomendacji i nie tylko, pozwalając konsumentom zapomnieć, że w ogóle odbywa się uczenie maszynowe. Dla wszystkich użytkowników końcowych niektórzy ludzie mogą ostrożnie wybierać opcje zamiast sieci neuronowej z wyrafinowanymi algorytmami.
Poza tym brakuje też systemowej edukacji w zakresie uczenia maszynowego, częściowo dlatego, że jest tak nowy, a częściowo z powodu braku inwestycji w szkolenie STEM jako całości. Wydaje się, że jako społeczeństwo ogólnie jesteśmy w porządku, wybierając kluczowe osoby, które mogą dowiedzieć się o technologii w najdrobniejszych szczegółach i zostać „technologicznymi kapłanami” naszej populacji. Strategia o szerszym spektrum obejmowałaby oczywiście szczegółowe nauczanie maszynowe i nauczanie technologii na poziomie szkoły średniej w szkołach średnich.
Kolejnym problemem jest brak dostępnego języka wokół uczenia maszynowego. Żargon obfituje - od etykiet samych algorytmów, po funkcje aktywacyjne, które zasilają sztuczne neurony i tworzą sieci neuronowe. Innym doskonałym przykładem jest znakowanie warstw w splotowej sieci neuronowej - wypełnienie i kroczenie oraz maksymalne zbieranie i więcej. Mało kto naprawdę rozumie, co oznaczają te terminy, a to sprawia, że uczenie maszynowe jest jeszcze bardziej nieprzeniknione.
Same algorytmy zostały ujęte w języku matematyków. Podobnie jak w przypadku fizyki współczesnej i klasycznej, studenci tych dyscyplin powinni opanować sztukę czytania złożonych równań, a nie przedstawiać funkcje algorytmu w prostym języku. Służy to również uczynieniu informacji uczenia maszynowego znacznie mniej dostępnymi.
Wreszcie istnieje problem „czarnej skrzynki”, w którym nawet inżynierowie nie do końca rozumieją, ile programów do uczenia maszynowego działa. Ponieważ przeskalowaliśmy złożoność i możliwości tych algorytmów, poświęciliśmy przejrzystość i łatwy dostęp do wyników oceny i analiz. Mając to na uwadze, istnieje duży ruch w kierunku wyjaśnialnej sztucznej inteligencji - w kierunku utrzymywania dostępnego operacyjnego uczenia maszynowego i sztucznej inteligencji oraz kontrolowania działania tych programów w celu uniknięcia nieprzyjemnych niespodzianek w środowisku produkcyjnym.
Wszystko to pomaga wyjaśnić, dlaczego chociaż uczenie maszynowe rozwija się w dzisiejszym świecie technologii, często jest „niewidoczne, bezmyślne”.
