Q:
Proč je tolik strojového učení v zákulisí - mimo dohled běžného uživatele?
A:Tato základní otázka o strojovém učení bere v úvahu mnoho různých aspektů toho, jak tyto komplikované programy fungují, a jakou roli hrají v dnešní ekonomice.
Jedním z nejjednodušších způsobů, jak vysvětlit nedostatek výtečnosti systémů strojového učení, je to, že se snadno skrývají. Tyto systémy back-end se skrývají za doporučeními a dalšími, což zákazníkům umožňuje zapomenout, že se vůbec něco strojového učení děje. Všichni koncoví uživatelé vědí, že někteří lidé by mohli pečlivě vybírat volby namísto neuronové sítě, která používá sofistikované algoritmy.
Kromě toho chybí také systémové vzdělávání v oblasti strojového učení, částečně proto, že je to tak nové, a částečně kvůli nedostatku investic do školení STEM jako celku. Zdá se, že jako společnost jsme obecně v pořádku s výběrem klíčových jednotlivců, abychom se dozvěděli o technologii v jakémkoli detailu a stali se „technologickými kněžími“ naší populace. Strategií širšího spektra by bylo samozřejmě zahrnutí podrobného strojového učení a technologické výuky na střední úrovni na středních školách.
Dalším problémem je nedostatek dostupného jazyka kolem strojového učení. Jargon oplývá - od značek samotných algoritmů až po aktivační funkce, které pohánějí umělé neurony a vedou k nervovým sítím. Dalším skvělým příkladem je označování vrstev v konvoluční nervové síti - vycpávky a klouzání, maximální sdružování a další. Málokdo opravdu chápe, co tyto pojmy znamenají, a to dělá strojové učení o to více nevyzpytatelným.
Algoritmy samy o sobě se objevují v řeči matematiků. Stejně jako u moderní a klasické fyziky mají studenti těchto disciplín ovládat umění čtení složitých rovnic, spíše než vkládat funkce algoritmu do prostého jazyka. To také slouží k tomu, aby informace o strojovém učení byly mnohem méně přístupné.
Konečně je zde problém „černé skříňky“, kde ani inženýři nechápou, kolik programů strojového učení funguje. Protože jsme škálovali složitost a schopnost těchto algoritmů, obětovali jsme transparentnost a snadný přístup k vyhodnocení a analytickým výsledkům. S ohledem na to existuje velký pohyb směrem k vysvětlitelné umělé inteligenci - směrem k udržení přístupu ke strojnímu učení a umělé inteligenci ak udržování informací o tom, jak tyto programy fungují, aby se zabránilo nepříjemným překvapením v produkčním prostředí.
To vše pomáhá vysvětlit, proč ačkoli strojové učení v dnešním technologickém světě narůstá, je často „mimo dohled, mimo mysl“.
