Q:
Waarom is er achter de schermen zoveel machine learning - uit het zicht van de gewone gebruiker?
EEN:Deze fundamentele vraag over machine learning houdt rekening met veel verschillende aspecten van hoe deze gecompliceerde programma's werken en welke rol ze spelen in de hedendaagse economie.
Een van de gemakkelijkste manieren om het gebrek aan prominentie van machine learning-systemen te verklaren, is dat ze gemakkelijk te verbergen zijn. Deze back-endsystemen schuilen achter aanbevelingsengines en meer, waardoor consumenten kunnen vergeten dat er überhaupt machine learning gaande is. Voor zover de eindgebruikers weten, kunnen sommige mensen keuzes zorgvuldig selecteren in plaats van een neuraal netwerk met geavanceerde algoritmen.
Verder is er ook een gebrek aan een systematische opleiding over machine learning, deels omdat het zo nieuw is, en deels vanwege een gebrek aan investeringen in STEM-training als geheel. Het lijkt erop dat we als samenleving over het algemeen OK zijn om sleutelfiguren te selecteren om tot in de kleinste details over technologie te leren en de 'technologische priesters' van onze bevolking te worden. Een bredere spectrumstrategie zou zijn om vanzelfsprekend gedetailleerde machine learning en technologie-instructies op secundair niveau op middelbare scholen op te nemen.
Een ander probleem is het gebrek aan toegankelijke taal rond machine learning. Jargon is er in overvloed - van de labels van de algoritmen zelf tot de activeringsfuncties die kunstmatige neuronen voeden en resulteren in neurale netwerken. Een ander goed voorbeeld is het labelen van lagen in een convolutioneel neuraal netwerk - opvullen en schrijden en max pooling en meer. Bijna niemand begrijpt echt wat deze termen betekenen, en dat maakt machine learning des te ondoorgrondelijker.
De algoritmen zelf zijn neergelegd in het taalgebruik van wiskundigen. Net als bij de moderne en klassieke natuurkunde, wordt van studenten van deze disciplines verondersteld dat ze de kunst beheersen van het lezen van complexe vergelijkingen, in plaats van de algoritmefuncties in gewone taal te plaatsen. Dat dient ook om informatie over machine learning veel minder toegankelijk te maken.
Ten slotte is er het probleem van de "zwarte doos", waar zelfs de ingenieurs niet echt volledig begrijpen hoeveel programma's voor machinaal leren werken. Omdat we de complexiteit en mogelijkheden van deze algoritmen hebben geschaald, hebben we transparantie opgeofferd en hebben we gemakkelijk toegang tot evaluatie- en analytische resultaten. Met dit in gedachten, is er een grote beweging in de richting van verklaarbare AI - in de richting van het toegankelijk houden van operationele machine learning en kunstmatige intelligentie, en grip houden op hoe deze programma's werken om onaangename verrassingen in een productieomgeving te voorkomen.
Dit alles verklaart waarom, hoewel machine learning in de hedendaagse technische wereld snel groeit, het vaak "uit het oog, uit het hart" is.
