S:
Neden bu kadar çok makine öğrenimi sahne arkasında - ortak kullanıcının gözünden?
A:Makine öğrenimi hakkındaki bu temel soru, bu karmaşık programların nasıl çalıştığı ve günümüz ekonomisinde hangi rolü oynadıklarının birçok farklı yönünü dikkate almaktadır.
Makine öğrenim sistemlerinin öne çıkma eksikliğini açıklamanın en kolay yollarından biri, kolay gizlenebilmeleridir. Bu arka uç sistemleri, öneri motorlarının ve daha fazlasının arkasında durur ve tüketicilerin makine öğreniminin devam ettiğini unutmasını sağlar. Tüm son kullanıcılar için, bazı insanlar sofistike algoritmalar çalıştıran bir sinir ağı yerine seçimleri dikkatli bir şekilde seçiyor olabilir.
Bunun ötesinde, kısmen çok yeni olduğu ve kısmen bir bütün olarak STEM eğitimine yatırım eksikliğinden dolayı makine öğrenimi konusunda sistemik bir eğitim eksikliği de var. Bir toplum olarak, teknolojiyi ayrıntılı olarak öğrenmek ve nüfusumuzun “teknolojik rahipleri” olmak için kilit kişileri seçmekte genel olarak sorun yaşamıyoruz. Daha geniş bir spektrum stratejisi, elbette liselerde ortaöğretim düzeyinde ayrıntılı makine öğrenimi ve teknoloji eğitimini içermek olacaktır.
Diğer bir problem, makine öğrenimi etrafında erişilebilir dilin olmamasıdır. Jargon, algoritmaların etiketlerinden, yapay nöronlara güç veren ve sinir ağlarına neden olan aktivasyon fonksiyonlarına kadar doludur. Başka bir harika örnek, evrişimli bir sinir ağındaki katmanların etiketlenmesidir - dolgu ve uzunlamasına ve maksimum havuzlama ve daha fazlası. Hiç kimse bu terimlerin ne anlama geldiğini gerçekten anlayamaz ve bu da makine öğrenmesini daha anlaşılmaz hale getirir.
Algoritmaların kendisi matematikçilerin görüşünde yatmaktadır. Modern ve klasik fizikte olduğu gibi, bu disiplinlerin öğrencilerinin algoritma fonksiyonlarını düz dile yerleştirmek yerine karmaşık denklemleri okuma sanatında ustalaşmaları beklenir. Bu aynı zamanda makine öğrenme bilgilerinin daha az erişilebilir olmasını sağlar.
Son olarak, mühendislerin bile kaç makine öğrenme programının çalıştığını tam olarak anlamadığı “kara kutu” sorunu var. Bu algoritmaların karmaşıklığını ve kabiliyetini ölçeklendirdikçe, şeffaflıktan ve değerlendirme ve analitik sonuçlara kolay erişimden fedakarlık ettik. Bunu göz önünde bulundurarak, açıklanabilir yapay zekaya doğru büyük bir hareket vardır - operasyonel makine öğrenimini ve yapay zekayı erişilebilir kılmak ve bir üretim ortamında hoş olmayan sürprizlerden kaçınmak için bu programların nasıl çalıştığına hakim olmak.
Tüm bunlar, günümüz teknoloji dünyasında makine öğrenmesinin neden gelişmesine rağmen, neden genellikle "gözden kaçan, akıldan çıkmış" olduğunu açıklamaya yardımcı olur.
