Sisu
Esitanud: AltaML
K:
Miks on kulisside taga nii palju masinõpet - tavakasutaja silme alt väljas?
A:
See masinõppe põhiküsimus võtab arvesse paljusid erinevaid aspekte selle kohta, kuidas need keerulised programmid toimivad ja millist rolli mängivad nad tänapäeva majanduses.
Üks lihtsamaid viise masinõppe süsteemide vähese nähtavuse selgitamiseks on see, et neid on lihtne varjata. Need tugisüsteemid varitsevad soovitusmootorite ja muu taga, võimaldades tarbijatel unustada, et masinõpe toimub üldse. Nagu kõik lõppkasutajad teavad, võiksid mõned inimesed keerukate algoritmide käitamiseks mõeldud närvivõrgu asemel hoolikalt valikuid valida.
Peale selle puudub masinaõppes süsteemne haridus, osaliselt seetõttu, et see on nii uus, ja osaliselt seetõttu, et STEM-i koolitusse tervikuna ei tehta investeeringuid. Näib, et ühiskonnana on meil üldiselt hea valida võtmeisikud, et õppida tehnoloogiaga seotud üksikasju ja saada meie elanikkonna tehnoloogiapreestriteks. Laiem spektristrateegia hõlmaks gümnaasiumides keskhariduse tasemel üksikasjalikku masinõpet ja tehnoloogiaõpet iseenesestmõistetavalt.
Teine probleem on ligipääsetava keele puudumine masinõppe ümber. Erikeel on külluses - alates algoritmide siltidest kuni aktiveerimisfunktsioonideni, mis toidavad kunstnärve ja annavad tulemuseks närvivõrgud. Veel üks suurepärane näide on kihtide märgistamine konvolutsioonilises närvivõrgus - polsterdamine ja sammutamine ning max ühendamine ja palju muud. Vaevalt, et keegi päriselt aru saab, mida need terminid tähendavad, ja see teeb masinõppe veel vähem tajutavaks.
Algoritmid ise on matemaatikute häälestatud. Nagu moodsa ja klassikalise füüsika puhul, peaksid ka nende erialade õpilased valdama keerukate võrrandite lugemise kunsti, selle asemel et algoritmi funktsioone lihtsasse keelde panna. See muudab ka masinõppega seotud teabe palju vähem juurdepääsetavaks.
Lõpuks on olemas nn musta kasti probleem, kus isegi insenerid ei saa tegelikult täielikult aru, kui palju masinõppeprogramme töötab. Kuna oleme vähendanud nende algoritmide keerukust ja võimekust, oleme ohverdanud läbipaistvuse ja hõlpsa juurdepääsu hindamis- ja analüütilistele tulemustele. Seda silmas pidades on suur liikumine seletatava AI poole - operatiivse masinõppe ja tehisintellekti juurdepääsetavuse hoidmiseks ning nende programmide tööpõhimõtte hoidmiseks, et vältida ebameeldivaid üllatusi tootmiskeskkonnas.
Kõik see aitab selgitada, miks ehkki masinõpe on tänapäeva tehnikamaailmas kasvamas, on see sageli „silmist või meelest väljas“.
