V:
Zakaj je toliko strojnega učenja zakulisno - zunaj pogleda navadnega uporabnika?
A:To temeljno vprašanje o strojnem učenju upošteva veliko različnih vidikov delovanja teh zapletenih programov in kakšno vlogo imajo v današnjem gospodarstvu.
Pomanjkanje prepoznavnosti sistemov strojnega učenja je eden najpreprostejših načinov, da jih je enostavno skriti. Ti zadnji sistemi se skrivajo za priporočljivimi motorji in še več, kar potrošnikom omogoča, da pozabijo, da se sploh kaj strojnega učenja dogaja. Za vse končne uporabnike vemo, da bi nekateri lahko previdno izbirali namesto nevronske mreže, ki poganja prefinjene algoritme.
Poleg tega pa tudi ni sistemskega izobraževanja o strojnem učenju, deloma zato, ker je tako novo, deloma pa tudi zaradi pomanjkanja naložb v STEM usposabljanje kot celoto. Zdi se, da smo kot družba na splošno v redu z izbiro ključnih posameznikov, ki bodo podrobno spoznali tehnologijo in postali "tehnološki duhovniki" naše populacije. Strategija širšega spektra bi bila, da se v srednjih šolah seveda vključijo podrobno strojno učenje in tehnološki pouk na srednji ravni.
Druga težava je pomanjkanje dostopnega jezika okoli strojnega učenja. Žargon je bogat - od nalepk samih algoritmov do aktivacijskih funkcij, ki napajajo umetne nevrone in povzročajo nevronske mreže. Drug odličen primer je označevanje slojev v konvolucijskem nevronskem omrežju - oblazinjenje in napredek ter združevanje max in več. Komaj kdo resnično razume, kaj pomenijo ti izrazi, zaradi česar je strojno učenje toliko bolj nejasno.
Sami algoritmi so se vključili v jezik matematikov. Tako kot v sodobni in klasični fiziki naj bi tudi študenti teh strok obvladali umetnost branja kompleksnih enačb, namesto da bi algoritmske funkcije postavili v preprost jezik. To tudi omogoča, da so informacije o strojnem učenju veliko manj dostopne.
Končno je tu problem "črne skrinje", pri katerem niti inženirji ne razumejo, koliko programov strojnega učenja deluje. Ko smo zmanjšali kompleksnost in zmogljivost teh algoritmov, smo žrtvovali preglednost in enostaven dostop do ocenjevalnih in analitičnih rezultatov. Upoštevajoč to, obstaja veliko gibanje v smeri razložljive AI - k ohranjanju operativnega strojnega učenja in umetne inteligence, ki je na razpolago, in ravnanju, kako ti programi delujejo, da se izognemo neprijetnim presenečenjem v proizvodnem okolju.
Vse to pomaga razložiti, zakaj je v današnjem tehnološkem svetu strojno učenje vedno »zunaj pogleda, brez uma«.
