F:
Varför är så mycket av maskininlärning bakom kulisserna - ur synen hos den vanliga användaren?
A:Denna grundläggande fråga om maskininlärning tar hänsyn till många olika aspekter av hur dessa komplicerade program fungerar och vilken roll de spelar i dagens ekonomi.
Ett av de enklaste sätten att förklara bristen på framträdande av maskininlärningssystem är att de är lätta att dölja. Dessa back-end-system lurar sig bakom rekommendationsmotorer med mera, vilket gör att konsumenterna kan glömma att det finns någon maskininlärning på gång alls. För alla slutanvändare som vet kan vissa människor noggrant välja val istället för ett neuralt nätverk som kör sofistikerade algoritmer.
Utöver det saknas också en systemisk utbildning i maskininlärning, dels för att den är så ny och dels på grund av bristande investeringar i STEM-utbildning som helhet. Det verkar som om vi som samhälle i allmänhet är OK med att välja nyckelpersoner för att lära dig om teknik i alla detaljer och för att bli ”tekniska präster” i vår befolkning. En bredare spektrumstrategi skulle vara att självklart inkludera detaljerad maskininlärning och teknikinstruktion på gymnasiet.
Ett annat problem är bristen på tillgängligt språk kring maskininlärning. Jargon finns i överflöd - från etiketterna till själva algoritmerna till aktiveringsfunktioner som driver artificiella neuroner och resulterar i neurala nätverk. Ett annat bra exempel är märkning av lager i ett invändigt neuralt nätverk - polstring och skjutning och max pooling och mer. Knappast någon förstår verkligen vad dessa termer betyder, och det gör maskininlärning desto mer oöverträfflig.
Algoritmerna har blivit soffa i matematikernas ståndpunkt. Liksom med modern och klassisk fysik ska elever i dessa discipliner behärska konsten att läsa komplexa ekvationer, snarare än att sätta algoritmfunktionerna i vanligt språk. Det tjänar också till att göra maskininlärningsinformation mycket mindre tillgänglig.
Slutligen finns det "black box" -problemet där även ingenjörerna inte riktigt förstår hur många maskininlärningsprogram som fungerar. När vi har skalat komplexiteten och förmågan hos dessa algoritmer har vi offrade öppenhet och enkel tillgång till utvärdering och analysresultat. Med detta i åtanke finns det en stor rörelse mot förklarbar AI - mot att hålla operationell maskininlärning och konstgjord intelligens tillgänglig och hålla ett handtag om hur dessa program fungerar för att undvika obehagliga överraskningar i en produktionsmiljö.
Allt detta hjälper till att förklara varför, även om maskininlärning växer fram i dagens tekniska värld, ofta är det "ur synen, utan tanke."
