Q:
Hvorfor er så mye av maskinlæring bak kulissene - ute av syn hos den vanlige brukeren?
EN:Dette grunnleggende spørsmålet om maskinlæring tar hensyn til mange forskjellige aspekter av hvordan disse kompliserte programmene fungerer, og hvilken rolle de spiller i dagens økonomi.
En av de enkleste måtene å forklare mangelen på prominens av maskinlæringssystemer er at de er enkle å skjule. Disse back-end-systemene lurer seg bak anbefalingsmotorer og mer, slik at forbrukerne kan glemme at det er noen maskinlæring i det hele tatt. For alle sluttbrukere vet, kan noen mennesker være nøye med å velge valg i stedet for et nevralt nettverk som kjører sofistikerte algoritmer.
Utover det mangler det også en systemisk utdanning om maskinlæring, delvis fordi den er så ny, og delvis på grunn av manglende investeringer i STEM-opplæring som helhet. Det ser ut til at vi som samfunn generelt er i orden med å velge viktige individer for å lære om teknologi i en hvilken som helst stor detalj og for å bli ”teknologiske prester” i befolkningen. En bredere spektrumstrategi vil være å inkludere detaljert maskinlæring og teknologiundervisning på ungdomstrinnet i videregående skoler som en selvfølge.
Et annet problem er mangelen på tilgjengelig språk rundt maskinlæring. Jargon bugner - fra etikettene til selve algoritmene, til aktiveringsfunksjonene som driver kunstige nevroner og resulterer i nevrale nettverk. Et annet flott eksempel er merking av lag i et innviklet nevralt nettverk - polstring og skriding og maks pooling og mer. Knapt noen forstår virkelig hva disse begrepene betyr, og det gjør maskinlæring desto mer kritisk.
Algoritmene er blitt sittende i matematikernes parlance. Som med moderne og klassisk fysikk, er det meningen at studenter på disse fagområdene skal mestre kunsten å lese komplekse ligninger, i stedet for å sette algoritmefunksjonene i vanlig språk. Dette tjener også til å gjøre maskinlæringsinformasjon mye mindre tilgjengelig.
Endelig er det problemet med "black box" der selv ingeniørene ikke helt forstår hvor mange maskinlæringsprogrammer som fungerer. Siden vi har skalert kompleksiteten og evnen til disse algoritmene, har vi ofret åpenhet og lett tilgang til evaluering og analyseresultater. Med dette i bakhodet er det en stor bevegelse mot forklarbar AI - mot å holde operativ maskinlæring og kunstig intelligens tilgjengelig, og holde et grep om hvordan disse programmene fungerer for å unngå ubehagelige overraskelser i et produksjonsmiljø.
Alt dette er med på å forklare hvorfor, selv om maskinlæring spirer i dagens teknologiske verden, er det ofte "ute av syne, ute av sinn."
