П:
Зашто је толико машинског учења иза кулиса - ван видокруга заједничког корисника?
А:Ово темељно питање о машинском учењу узима у обзир много различитих аспеката како функционишу ови компликовани програми и какву улогу имају у данашњој економији.
Један од најједноставнијих начина да се објасни недостатак познатих система машинског учења је тај што их је лако сакрити. Ови позадински системи стоје иза препоручних мотора и више, омогућујући потрошачима да забораве да се уопште догађа машинско учење. Како сви крајњи корисници знају, неки људи би могли пажљиво бирати изборе уместо неуронске мреже која користи софистициране алгоритме.
Поред тога, такође недостаје системска едукација о машинском учењу, делом и зато што је толико нова, а делом и због недостатка улагања у СТЕМ обуку у целини. Чини се да смо као друштво углавном у реду с одабиром кључних појединаца који ће детаљно учити о технологији и постати „технолошки свештеници“ нашег становништва. Стратегија ширег спектра била би, наравно, укључивање детаљног машинског учења и подучавања о технологији на средњим нивоима.
Други проблем је недостатак приступачног језика око машинског учења. Жаргон обилује - од ознака самих алгоритама, до функција активације које напајају вештачке неуроне и резултирају неуронским мрежама. Други сјајан пример је обележавање слојева у конволуцијској неуронској мрежи - облагање и напредак и максимално обједињавање и још много тога. Тешко да неко заиста разуме шта значе ови појмови, а то чини машинско учење још ненадлежнијим.
Сами алгоритми су постали саставни део математичара. Као и код модерне и класичне физике, студенти ових дисциплина би требало да савладају уметност читања сложених једначина, уместо да функције алгоритма стављају на обичан језик. То такође служи да информације о машинском учењу буду много мање доступне.
Најзад, постоји проблем „црне кутије“ где чак и инжењери не разумеју у потпуности колико програма машинског учења раде. Како смо смањили сложеност и способност ових алгоритама, жртвовали смо транспарентност и лак приступ проценама и аналитичким резултатима. Имајући то у виду, постоји велики помак ка објашњивом АИ - ка одржавању оперативног машинског учења и вештачке интелигенције, и одржавању приступа како ти програми раде како би се избегла непријатна изненађења у производном окружењу.
Све ово помаже да се објасни зашто, иако машинско учење расте у данашњем свету технологије, често је „ван видокруга, без ума“.
