S:
Veri bilimcilerinin şeffaflık aramaları neden önemlidir?
A:Şeffaflık, kısmen onları yönlendiren karmaşıklık ve karmaşıklık nedeniyle veri bilimi projelerinde ve makine öğrenimi programlarında önemlidir - çünkü bu programlar önceden belirlenmiş doğrusal programlama talimatlarını takip etmek yerine “öğrenme” dir (olasılıklı sonuçlar üretmektedir) ve sonuç olarak, teknolojinin sonuçlara nasıl ulaştığını anlamak zor olabilir. İnsan karar vericilerine tam olarak açıklanamayan makine öğrenme algoritmalarının “kara kutu” sorunu bu alanda büyük bir sorun.
Bunu göz önünde bulundurarak, açıklanabilir makine öğrenimi veya “açıklanabilir AI” konusunda uzmanlaşmak, şirketlerin bir veri bilimcisi için yetenek edinmeyi nasıl sürdürdüğü konusunda büyük bir odak noktası olacaktır. Zaten bizi internete getiren kurum DARPA, insanlara şeffaf olan makine öğrenimi ve yapay zeka teknolojileri oluşturmak için gerekli beceri ve kaynakları geliştirmeye çalışan açıklanabilir AI'de milyonlarca dolarlık bir çalışmayı finanse ediyor.
Bunu düşünmenin bir yolu, genellikle yetenek gelişiminin bir “okuryazarlık aşaması” ve bir “hiperlitriklik aşaması” olmasıdır. Bir veri bilimcisi için, geleneksel okuryazarlık aşaması, makine öğrenme programlarının nasıl bir araya getirileceği ve nasıl inşa edileceği hakkında bilgi olacaktır. Python gibi dillere sahip algoritmalar; sinir ağlarının nasıl oluşturulacağı ve onlarla nasıl çalışılacağı. Hiperliterasyon aşaması, açıklanabilir yapay zekaya hakim olma, makine öğrenme algoritmalarının kullanımında şeffaflık sağlama ve bu programlar amaçlarına ve işleyicilerinin amaçlarına doğru çalıştıkça şeffaflığı koruma becerisi olacaktır.
Veri biliminde şeffaflığın önemini açıklamanın bir başka yolu, kullanılan veri kümelerinin daha karmaşık ve dolayısıyla insanların yaşamlarına daha fazla müdahaleci olmaya devam etmeleridir. Açıklanabilir makine öğrenimi ve veri biliminin bir diğer önemli itici gücü, kişisel verilerin etik dışı kullanımını engellemek amacıyla son zamanlarda uygulanan Avrupa Genel Veri Koruma Yönetmeliğidir. GDPR'yi bir test örneği olarak kullanan uzmanlar, veri bilimi projelerini açıklama ihtiyacının iş ahlakının yanı sıra gizlilik ve güvenlik kaygılarına nasıl uyduğunu görebilirler.
