Q:
Защо толкова много машинно обучение е зад кулисите - извън полезрението на обикновения потребител?
A:Този основен въпрос относно машинното обучение отчита много различни аспекти как работят тези сложни програми и каква роля играят в съвременната икономика.
Един от най-лесните начини да се обясни липсата на известност на системите за машинно обучение е, че те лесно се крият. Тези бек-енд системи се крият зад двигатели с препоръки и други, което позволява на потребителите да забравят, че изобщо се случва машинно обучение. За всички крайни потребители знаят, че някои хора могат внимателно да избират решения вместо невронна мрежа, изпълняваща сложни алгоритми.
Отвъд това липсва и системно образование за машинно обучение, отчасти защото е толкова ново, а отчасти се дължи на липсата на инвестиции в STEM обучението като цяло. Изглежда, че като общество ние обикновено сме добре с подбора на ключови индивиди, които да се запознаят с технологиите с всякакви подробности и да станат „технологични свещеници“ на нашето население. Стратегията с по-широк спектър би била включването на подробно машинно обучение и технологични инструкции на средно ниво в средните училища.
Друг проблем е липсата на достъпен език около машинното обучение. Жаргон изобилства - от етикетите на самите алгоритми, до функциите на активиране, които захранват изкуствени неврони и водят до невронни мрежи. Друг чудесен пример е етикетирането на слоеве в конволюционна невронна мрежа - подплънки и стръмни и максимално обединяване и други. Едва ли някой наистина разбира какво означават тези термини и това прави машинното обучение още по-непроницаемо.
Самите алгоритми са се превърнали в езика на математиците. Както при съвременната и класическата физика, студентите от тези дисциплини трябва да овладеят изкуството да четат сложни уравнения, а не да поставят функциите на алгоритъма на обикновен език. Това също така прави информацията за машинно обучение много по-малко достъпна.
И накрая, има проблемът с „черната кутия“, при който дори инженерите не разбират напълно колко програми за машинно обучение работят. Тъй като мащабирахме сложността и възможностите на тези алгоритми, жертвахме прозрачността и лесния достъп до оценка и аналитични резултати. Като се има предвид това, има голямо движение към обясним AI - към поддържане на оперативното машинно обучение и изкуствен интелект и за поддържане на това как работят тези програми, за да се избегнат неприятни изненади в производствена среда.
Всичко това помага да се обясни защо, макар машинното обучение да се разраства в съвременния технологичен свят, то често е „извън полезрението, извън ума“.
