K:
Miksi konepohjaisuus on ongelma koneoppimisessa?
V:Tähän kysymykseen voidaan vastata kahdella eri tavalla. Ensinnäkin, miksi konepohjaisuusongelma, kuten vuonna, miksi sitä esiintyy koneoppimisprosesseissa?
Koneoppiminen, vaikkakin hienostunut ja monimutkainen, on jossain määrin rajoitettu käyttämiensä tietojoukkojen perusteella. Tietojoukkojen rakentamiseen liittyy luontaisia vääristymiä. Kuten tiedotusvälineissä, joissa jättämiset ja tietoiset sisällyttämisvalinnat saattavat osoittaa tiettyä puolueellisuutta, koneoppimisessa on käytettävä tietojoukko tutkittava, millainen harha on olemassa.
| Ilmainen lataus: Koneoppiminen ja miksi sillä on merkitystä |
Esimerkiksi tekniikan testauksessa ja suunnitteluprosesseissa on yleinen ongelma osoittaa etusija yhdelle käyttäjätyypille toiseen nähden. Yksi iso esimerkki on sukupuolten välinen ero teknologiamaailmassa.
Miksi tällä on merkitystä ja miksi sitä sovelletaan koneoppimiseen?
Koska olemassa olevien naisten puute testausympäristössä voi johtaa tuotettuun tekniikkaan, joka on vähemmän käyttäjäystävällinen naisyleisölle. Jotkut asiantuntijat kuvaavat tätä siten, että ilman olemassa olevia naistestejä lopputuote ei ehkä tunnista naispuolisten käyttäjien panosta - sillä ei ehkä ole työkaluja naisten identiteettien tunnistamiseen tai naisten osallistumisen käsittelemiseen riittävästi.
Sama pätee eri etnisiin ryhmiin, eri uskontojen ihmisiin tai muun tyyppisiin väestöryhmiin. Ilman oikeita tietoja koneoppimisalgoritmit eivät toimi oikein tietyssä käyttäjäjoukossa, joten sisällyttämistä koskevat tiedot on tarkoituksellisesti lisättävä tekniikkaan. Sen sijaan, että otettaisiin vain perustiedot ja vahvistettaisiin luontaista harhaa, ihmiskäsittelijöiden on todella tarkasteltava asiaa.
Toinen esimerkki on koneoppiminen, joka ottaa vastaan työ- ja palkatiedot ja sylkee tulokset. Jos kyseistä luontaista tietojoukkoa ei analysoida, kone vahvistaa vääristymää. Jos se havaitsee, että miehet hoitavat valtaosan hallintoneuvoston tehtävistä, ja koneoppimisprosessiin sisältyy raakadatan suodattaminen ja vastaavien tulosten palauttaminen, se tuottaa tulokset, jotka osoittavat miehen puolueellisuuden.
Kysymyksen toiseen osaan kuuluu, miksi tämä puolueellisuus on niin haitallista. Ilman riittävää valvontaa ja testaamista uudet tekniikat voivat vahingoittaa osallistumisen tunnetta ja tasa-arvoa, eivät auttaa. Jos otetaan käyttöön uusi teknologiatuote, joka tunnistaa vaaleamman ihon kasvot, mutta ei tummempaa, se voi johtaa lisääntyneisiin etnisiin jännitteisiin ja tunteeseen, että kyseinen yritys ei ole herkkä monimuotoisuudelle. Jos koneoppimisalgoritmi toistaa ja korostaa tietojoukkojen virheellisyyttä, tämä tekoäly lisää ääniään sosiaalisessa järjestelmässä jo olemassa oleviin ihmisten ääniin ja inhimillisiin taipumuksiin, jotka suosivat yhtä ihmisryhmää toisen suhteen.
Paras tapa käsitellä tätä on tarkastella tarkkaan taustalla olevia tietojoukkoja, käyttää ominaisuuksien valintaa, lisätä muuttujan syöttöä ja käsitellä itse raaka-aineistoja ja lisätä koneoppimisen todellista voimaa tietoisella ihmisten käsityöllä tietojen saamiseksi. tulos, joka tarjoaa suuren analyyttisen voiman, mutta myös joitain niistä inhimillisistä oivalluksista, joita tietokoneet eivät vielä pysty replikoimaan.
