Q:
Mengapa begitu banyak pembelajaran mesin di belakang tabir - di luar pandangan pengguna biasa?
A:Persoalan asas mengenai pembelajaran mesin ini mengambil kira banyak aspek yang berbeza tentang bagaimana program-program rumit ini berfungsi, dan peranan mereka dalam ekonomi hari ini.
Salah satu cara termudah untuk menjelaskan kekurangan keterujaan sistem pembelajaran mesin adalah bahawa mereka mudah disembunyikan. Sistem back-end ini bersembunyi di sebalik enjin cadangan dan banyak lagi, yang membolehkan pengguna melupakan bahawa ada pembelajaran mesin berlaku sama sekali. Untuk semua pengguna akhir tahu, sesetengah manusia boleh memilih pilihan dengan teliti dan bukannya rangkaian saraf yang menjalankan algoritma yang canggih.
Di samping itu, terdapat juga kekurangan pendidikan sistemik pada pembelajaran mesin, sebahagiannya kerana ia begitu baru, dan sebahagiannya disebabkan oleh kekurangan pelaburan dalam latihan STEM secara keseluruhan. Nampaknya sebagai masyarakat kita secara amnya OK dengan memilih individu utama untuk mempelajari teknologi dalam apa-apa butiran yang besar, dan menjadi "imam teknologi" penduduk kita. Strategi spektrum yang lebih luas akan termasuk pengajaran mesin dan pengajaran teknologi terperinci pada peringkat menengah di sekolah tinggi sebagai perkara yang tentunya.
Satu lagi masalah ialah kekurangan bahasa yang boleh diakses di sekitar pembelajaran mesin. Jargon berlimpah - dari label algoritma itu sendiri, kepada fungsi pengaktifan yang menjana neuron tiruan dan menyebabkan rangkaian saraf. Satu lagi contoh hebat ialah pelabelan lapisan dalam rangkaian neural convolutional - padding dan striding dan max pooling dan banyak lagi. Hampir tidak sesiapa pun benar-benar memahami apa yang dimaksudkan dengan istilah-istilah ini, dan itu menjadikan mesin belajar yang lebih tidak dapat dipertimbangkan.
Algoritma mereka sendiri telah menjadi couched dalam istilah matematikawan. Seperti fizik moden dan klasik, para pelajar disiplin ini sepatutnya menguasai seni membaca persamaan kompleks, dan bukannya meletakkan fungsi algoritma dalam bahasa biasa. Ini juga berfungsi untuk membuat maklumat pembelajaran mesin yang kurang dapat diakses.
Akhirnya, terdapat masalah "kotak hitam" di mana bahkan jurutera tidak benar-benar memahami sepenuhnya berapa banyak program pembelajaran mesin berfungsi. Memandangkan kami telah meningkatkan kerumitan dan keupayaan algoritma-algoritma ini, kami telah mengorbankan ketelusan dan akses mudah ke penilaian dan hasil analisis. Dengan ini, ada pergerakan besar ke arah AI yang dijelaskan - untuk memastikan pembelajaran mesin operasi dan kecerdasan buatan boleh diakses, dan memastikan pengendalian bagaimana program-program ini berfungsi untuk mengelakkan kejutan yang tidak menyenangkan dalam persekitaran pengeluaran.
Semua ini membantu menjelaskan mengapa, walaupun pembelajaran mesin berkembang di dunia teknologi hari ini, ia sering "tidak dapat dilihat, tidak masuk akal."
