K:
Miksi kulissien takana on niin paljon koneoppimisesta - tavallisen käyttäjän näköpiirissä?
V:Tämä koneoppimista koskeva peruskysymys ottaa huomioon monia erilaisia näkökohtia siitä, kuinka nämä monimutkaiset ohjelmat toimivat ja mikä rooli niillä on nykypäivän taloudessa.
Yksi helpoimmista tavoista selittää koneoppimisjärjestelmien näkyvyyden puute on, että ne on helppo piilottaa. Nämä taustajärjestelmät etsivät suositusmoottoreita ja enemmän, antaen kuluttajille unohtaa, että koneoppiminen tapahtuu lainkaan. Kaikkien loppukäyttäjien tietäen, jotkut ihmiset voivat valita huolellisesti valintoja hermoverkon sijasta, joka suorittaa hienostuneita algoritmeja.
Tämän lisäksi puuttuu myös systeeminen koneoppimiskoulutus, osittain siksi, että se on niin uutta, ja osittain johtuen investointien puutteesta koko STEM-koulutukseen. Näyttää siltä, että yhteiskunnana olemme yleensä oikeassa valitsemalla avainhenkilöt oppimaan tekniikasta yksityiskohtaisesti ja tullaksemme väestömme "teknologiapapeiksi". Laajempi spektristrategia olisi yksityiskohtainen koneoppiminen ja tekniikan opetus keskiasteen tasolla lukioissa itsestään selvänä.
Toinen ongelma on käytettävän kielen puute koneoppimisessa. Jargonia on runsaasti - algoritmien etiketistä aina aktivointitoimintoihin, jotka tehostavat keinotekoisia hermosoluja ja johtavat hermoverkkoihin. Toinen hieno esimerkki on kerrosten merkitseminen konvoluutiohermossa - verhoilu ja askel sekä max yhdistäminen ja enemmän. Tuskin kukaan oikein ymmärtää, mitä nämä termit tarkoittavat, ja se tekee koneoppimisesta vieläkin käsittämättömämmän.
Itse algoritmit ovat sopeutuneet matemaatikkojen valinnassa. Kuten nykyaikaisessa ja klassisessa fysiikassa, myös näiden oppiaineiden opiskelijoiden on hallittava taidetta lukea monimutkaisia yhtälöitä sen sijaan, että algoritmitoiminnot asetetaan selkeälle kielelle. Se myös tekee koneoppimistiedoista paljon vähemmän saatavissa olevia.
Lopuksi on olemassa "mustan laatikon" ongelma, jossa edes insinöörit eivät oikein ymmärrä täysin kuinka monta koneoppimisohjelmaa toimii. Kun olemme mitoittaneet näiden algoritmien monimutkaisuuden ja kyvyn, olemme uhranneet avoimuuden ja helpon pääsyn arviointiin ja analyyttisiin tuloksiin. Tätä silmällä pitäen on olemassa suuri liike kohti selitettävää AI: tä - kohti operatiivisen koneoppimisen ja tekoälyn saatavuuden pitämistä ja näiden ohjelmien toimivuuden pitämistä, jotta vältetään epämiellyttävät yllätykset tuotantoympäristössä.
Kaikki tämä auttaa selittämään miksi, vaikka koneoppiminen lisääntyy nykypäivän tekniikkamaailmassa, se on usein ”näkymättömiä, mielenrauhaa”.
