Q:
Kodėl tiek daug mašinų mokoma užkulisiuose - iš paprasto vartotojo akiračio?
A:Šis pagrindinis klausimas apie mašinų mokymąsi atsižvelgia į daugybę skirtingų aspektų, kaip veikia šios sudėtingos programos ir kokį vaidmenį jos vaidina šiandieninėje ekonomikoje.
Vienas iš paprasčiausių būdų paaiškinti mašininio mokymosi sistemų menkumą yra tas, kad jas lengva paslėpti. Šios užpakalinės sistemos slepiasi už rekomendacinių variklių ir dar daugiau, leisdamos vartotojams pamiršti, kad mašinų mokymasis apskritai vyksta. Visi galutiniai vartotojai žino, kad kai kurie žmonės gali atidžiai pasirinkti pasirinkimą, o ne neuroninį tinklą, kuriame būtų naudojami sudėtingi algoritmai.
Be to, trūksta sisteminio mokymo apie mašinų mokymąsi, iš dalies dėl to, kad jis yra toks naujas, ir iš dalies dėl to, kad trūksta investicijų į visą STEM mokymą. Atrodo, kad kaip visuomenė mes paprastai renkamės pagrindinius asmenis, kad sužinotų apie technologijas bet kuo smulkesniais būdais ir taptų mūsų visuomenės „technologiniais kunigais“. Platesnė spektro strategija būtų savaime suprantamas dalykas, kai vidurinėse mokyklose būtų išsamiai mokomasi mašinų ir būtų mokoma technologijų.
Kita problema yra prieinamos kalbos trūkumas mokantis mašinų. Žargonijos gausu - nuo pačių algoritmų etikečių iki aktyvavimo funkcijų, kurios maitina dirbtinius neuronus ir sukuria neuroninius tinklus. Kitas puikus pavyzdys yra sluoksnių ženklinimas konvoliuciniame neuroniniame tinkle - paminkštinimas ir tempimas bei maksimalus sujungimas ir dar daugiau. Vargu ar kas nors iš tikrųjų supranta, ką šie terminai reiškia, ir tai daro mašininį mokymąsi dar labiau neįsivaizduojamą.
Patys algoritmai tapo tinkami matematikų kalbai. Kaip ir šiuolaikinės bei klasikinės fizikos dalykai, šių disciplinų studentai turėtų įvaldyti sudėtingų lygčių skaitymo meną, užuot sudėję algoritmo funkcijas į paprastą kalbą. Tai taip pat padeda mašininio mokymosi informaciją padaryti daug mažiau prieinamą.
Galiausiai yra „juodosios dėžės“ problema, kai net inžinieriai nelabai supranta, kiek veikia mašinų mokymosi programos. Išgryninę šių algoritmų sudėtingumą ir galimybes, mes paaukojome skaidrumą ir lengvą prieigą prie vertinimo ir analizės rezultatų. Turint tai omenyje, yra didelis judėjimas link aiškinamojo intelekto - link išlaikyti operacinį kompiuterinį mokymąsi ir dirbtinį intelektą ir prižiūrėti, kaip veikia šios programos, kad gamybos aplinkoje būtų išvengta nemalonių netikėtumų.
Visa tai padeda paaiškinti, kodėl, nors šiuolaikiniame technologijų pasaulyje populiarėja mašinų mokymasis, dažnai tai vyksta „iš akiračio, iš proto“.
