Q:
Prečo je toľko strojového učenia v zákulisí - z dohľadu bežného používateľa?
A:Táto základná otázka o strojovom vzdelávaní zohľadňuje mnoho rôznych aspektov toho, ako tieto zložité programy fungujú a akú úlohu zohrávajú v dnešnej ekonomike.
Jedným z najjednoduchších spôsobov, ako vysvetliť nedostatok významnosti systémov strojového učenia, je to, že sa dajú ľahko skryť. Tieto systémy typu back-end sa skrývajú za motormi odporúčaní a ďalšími, čo spotrebiteľom umožňuje zabudnúť, že sa vôbec učia strojom. Všetci koncoví používatelia vedia, že niektorí ľudia by mohli starostlivo vyberať voľby namiesto neurónovej siete so sofistikovanými algoritmami.
Okrem toho chýba aj systematické vzdelávanie v oblasti strojového vzdelávania, čiastočne preto, že je to nové a čiastočne kvôli nedostatku investícií do odbornej prípravy STEM ako celku. Zdá sa, že ako spoločnosť sme vo všeobecnosti v poriadku pri výbere kľúčových jednotlivcov, aby sme sa dozvedeli niečo o technológiách v akomkoľvek detaile a stali sa „technologickými kňazmi“ našej populácie. Stratégia širšieho spektra by samozrejme zahŕňala podrobné strojové vzdelávanie a výučbu technológií na stredných školách na stredných školách.
Ďalším problémom je nedostatok prístupného jazyka okolo strojového učenia. Žargón oplýva - od označení samotných algoritmov po aktivačné funkcie, ktoré poháňajú umelé neuróny a vedú k neurónovým sieťam. Ďalším skvelým príkladom je označovanie vrstiev v konvolučnej neurónovej sieti - čalúnenie a križovanie a maximálne združovanie a ďalšie. Málokto naozaj nechápe, čo tieto pojmy znamenajú, a to robí strojové učenie tým viac nevyvrátiteľným.
Samotné algoritmy sa stali predmetom matematiky. Podobne ako v prípade modernej a klasickej fyziky, aj študenti týchto disciplín by mali ovládať umenie čítania zložitých rovníc, namiesto toho, aby dali algoritmy do jasného jazyka. Toto slúži tiež na to, aby informácie o strojovom učení boli oveľa menej prístupné.
Nakoniec je tu problém „čiernej skrinky“, keď ani inžinieri úplne nerozumejú, koľko programov strojového učenia funguje. Keďže sme škálovali zložitosť a schopnosti týchto algoritmov, obetovali sme transparentnosť a ľahký prístup k výsledkom vyhodnotenia a analýzy. S týmto vedomím existuje veľký posun smerom k vysvetliteľnej umelej inteligencii - smerom k udržiavaniu prístupnosti strojového učenia a umelej inteligencie a udržiavaniu prehľadu o tom, ako tieto programy fungujú, aby sa zabránilo nepríjemným prekvapeniam vo výrobnom prostredí.
To všetko pomáha vysvetliť, prečo, aj keď strojové učenie v dnešnom technologickom svete rastie, je často „mimo dohľadu, mimo mysle“.
