Q:
Чому так багато машинного навчання поза лаштунками - поза увагою звичайного користувача?
A:Це фундаментальне питання щодо машинного навчання враховує багато різних аспектів того, як працюють ці складні програми та яку роль вони відіграють в сучасній економіці.
Один з найпростіших способів пояснити відсутність видатності систем машинного навчання - це те, що їх легко приховати. Ці бек-енд системи ховаються за рекомендаційними двигунами та інше, що дозволяє споживачам забути, що взагалі відбувається будь-яке машинне навчання. Для всіх кінцевих користувачів відомо, що деякі люди можуть ретельно вибирати вибір замість нейронної мережі, що виконує складні алгоритми.
Крім того, також не вистачає системної освіти з машинного навчання, почасти тому, що вона така нова, а частково через відсутність інвестицій у навчання STEM в цілому. Здається, що ми, як суспільство, як правило, добре відбираємо ключових людей, щоб дізнатися про технологію будь-якими деталями та стати «священиками технологій» нашого населення. Стратегія більш широкого спектру полягала б у включенні детального машинного навчання та навчання технологіям на середньому рівні у середніх школах.
Ще одна проблема - відсутність доступної мови навколо машинного навчання. Жаргон рясніє - від міток самих алгоритмів, до функцій активації, які живлять штучні нейрони і призводять до нейронних мереж. Ще одним чудовим прикладом є маркування шарів у згорнутої нейронної мережі - набивання та крокування, а також максимум об’єднання тощо. Навряд чи хтось справді розуміє, що означають ці терміни, і це робить машинне навчання ще більш непереборливим.
Самі алгоритми стали чіткими в мові математиків. Як і у сучасній та класичній фізиці, студенти цих дисциплін повинні опановувати мистецтво читання складних рівнянь, а не ставити функції алгоритму простою мовою. Це також дозволяє зробити інформацію машинного навчання набагато менш доступною.
Нарешті, існує проблема «чорної скриньки», коли навіть інженери не зовсім розуміють, скільки працює програм машинного навчання. Оскільки ми масштабували складність та спроможність цих алгоритмів, ми пожертвували прозорістю та легким доступом до оціночних та аналітичних результатів. Зважаючи на це, існує великий рух до пояснення AI - до того, щоб забезпечити доступність оперативного машинного навчання та штучного інтелекту та дотримуватися того, як ці програми працюють, щоб уникнути неприємних сюрпризів у виробничих умовах.
Все це допомагає пояснити, чому, хоча машинне навчання процвітає у сучасному світі технологій, воно часто «не видно, не з розуму».
