J:
Kāpēc aizkulisēs tik daudz notiek mašīnmācība - no parastā lietotāja redzesloka?
A:Šis pamatjautājums par mašīnu apguvi ņem vērā daudzos dažādos aspektus, kā darbojas šīs sarežģītās programmas un kāda loma tām ir mūsdienu ekonomikā.
Viens no vienkāršākajiem veidiem, kā izskaidrot mašīnmācīšanās sistēmu pamanāmību, ir tas, ka tās ir viegli paslēpt. Šīs aizmugures sistēmas slēpjas aiz ieteikumu motoriem un vairāk, ļaujot patērētājiem aizmirst, ka vispār notiek jebkādas mašīnmācības. Visiem tiešajiem lietotājiem zināms, ka daži cilvēki varētu uzmanīgi izvēlēties izvēli, nevis neironu tīklu, kurā darbotos sarežģīti algoritmi.
Bez tam trūkst arī sistēmiskas izglītības mašīnmācības jomā, daļēji tāpēc, ka tā ir tik jauna, un daļēji investīciju trūkuma dēļ STEM apmācībā kopumā. Liekas, ka mums kā sabiedrībai parasti ir labi izvēlēties galvenos cilvēkus, lai ļoti detalizēti uzzinātu par tehnoloģijām un kļūtu par mūsu iedzīvotāju “tehnoloģiskajiem priesteriem”. Plašāka spektra stratēģija būtu pašsaprotami iekļaut detalizētas mašīnmācības un tehnoloģiju instrukcijas vidusskolās vidusskolās.
Vēl viena problēma ir mašīnmācībā pieejamās valodas trūkums. Žargonā ir daudz - no pašu algoritmu etiķetēm līdz aktivizēšanas funkcijām, kas darbina mākslīgos neironus un rada neironu tīklus. Vēl viens lielisks piemērs ir slāņu marķēšana konvolucionālajā neironu tīklā - polsterēšana un virzīšana, kā arī maksimālā apvienošana un daudz kas cits. Diez vai kāds īsti saprot, ko šie termini nozīmē, un tas mašīnmācību padara vēl neapskaužamāku.
Paši algoritmi ir kļuvuši par matemātiķu vārdiem. Tāpat kā mūsdienu un klasiskajā fizikā, šo disciplīnu studentiem ir jāapgūst sarežģītu vienādojumu lasīšanas māksla, nevis jāsaliek algoritma funkcijas vienkāršā valodā. Tas arī kalpo, lai mašīnmācīšanās informācija būtu daudz mazāk pieejama.
Visbeidzot, pastāv “melnās kastes” problēma, kurā pat inženieri īsti neizprot, cik darbojas mašīnmācīšanās programmas. Tā kā mēs esam palielinājuši šo algoritmu sarežģītību un iespējas, esam upurējuši caurspīdīgumu un ērtu piekļuvi novērtēšanas un analītiskajiem rezultātiem. Paturot to prātā, notiek liela virzība uz izskaidrojamo AI - lai saglabātu piekļuvi operatīvajai mašīnmācībai un mākslīgajam intelektam, kā arī turētu uzmanību tam, kā šīs programmas darbojas, lai ražošanas vidē izvairītos no nepatīkamiem pārsteigumiem.
Tas viss palīdz izskaidrot, kāpēc, kaut arī mūsdienu tehnoloģiju pasaulē mašīnmācība ir plaukstoša, tā bieži ir “no redzesloka, no prāta”.
