K:
Miért van olyan sok a gépi tanulás a színfalak mögött - a közönséges felhasználó számára?
A:Ez a gépi tanulás alapvető kérdése számos különféle szempontot figyelembe veszi, hogy ezek a bonyolult programok hogyan működnek, és milyen szerepet játszanak a mai gazdaságban.
Az egyik legegyszerűbb módszer a gépi tanulási rendszerek figyelmen kívül hagyásának magyarázatára az, hogy ezeket könnyű elrejteni. Ezek a háttérrendszerek az ajánlási motorok mögött rejtőznek, és lehetővé teszik a fogyasztók számára, hogy elfelejtsék, hogy bármilyen gépi tanulás zajlik. A végfelhasználók tudják, hogy néhány ember gondosan választhat választási lehetőségeket a fejlett algoritmusokat futtató neurális hálózat helyett.
Ezen túlmenően hiányzik a gépi tanulás szisztematikus oktatása is, részben azért, mert olyan új, részben pedig a teljes STEM-képzésbe történő beruházás hiánya miatt. Úgy tűnik, hogy társadalomként általában rendben vagyunk azzal, hogy kiválasztjuk a kulcsfontosságú személyeket, hogy bármilyen nagy részletességgel megismerjék a technológiát és lakosságuk „technológiai papjaivá” váljanak. A szélesebb spektrumú stratégia magában foglalná a középiskolai szintű részletes gépi tanulást és technológiai oktatást a középiskolákban.
Egy másik probléma a hozzáférhető nyelv hiánya a gépi tanulás körül. Zsargonca bőven van - maguk az algoritmusok címkéi, az aktiválási funkciókig, amelyek a mesterséges idegsereket táplálják és idegi hálókat eredményeznek. További nagyszerű példa a rétegek címkézése egy konvolúciós ideghálózatban - párnázás és léptetés, max. Összevonás és így tovább. Aligha igazán érti, mit jelent ezek a kifejezések, és ez még inkább megcáfolhatatlanná teszi a gépi tanulást.
A matematikusok magukban az algoritmusok egybevágottak. A modern és a klasszikus fizikahoz hasonlóan ezen tudományterületek hallgatóinak is a komplex egyenletek olvasásának művészetét kellene elsajátítaniuk, nem pedig az algoritmus funkcióinak egyszerű nyelven történő elhelyezését. Ez azt is szolgálja, hogy a gépi tanulással kapcsolatos információk sokkal kevésbé hozzáférhetők legyenek.
Végül ott van a „fekete doboz” probléma, ahol még a mérnökök sem igazán értik meg, hogy hány gépi tanulási program működik. Mivel méreteztük ezen algoritmusok bonyolultságát és képességét, feláldoztunk az átláthatóságot és az értékeléshez és az analitikai eredményekhez való könnyű hozzáférést. Ezt szem előtt tartva, nagy a mozgás a magyarázható AI felé - az operatív gépi tanulás és a mesterséges intelligencia elérhetőségének fenntartása, valamint a programok működésének kezelése érdekében, hogy elkerüljék a kellemetlen meglepetéseket a termelési környezetben.
Mindez segít megmagyarázni, hogy miért a gépi tanulás egyre inkább növekszik a mai tech-világban, gyakran „szem elől, szem elől”.
