İçerik
S:
Veri bilimcileri için şeffaflık arayışı neden önemlidir?
A:
Şeffaflık, veri bilim projelerinde ve makine öğrenim programlarında, kısmen onları yönlendiren karmaşıklık ve karmaşıklık nedeniyle, esasen önemlidir - çünkü bu programlar, önceden belirlenmiş doğrusal programlama talimatlarını yerine getirmek yerine “öğreniyor” (olasılıksal sonuçlar doğuruyor) ve sonuç olarak, teknolojinin sonuçlara nasıl ulaştığını anlamak zor olabilir. İnsan karar vericilere tam olarak açıklanamayan makine öğrenme algoritmalarının “kara kutu” sorunu bu alanda büyük bir problemdir.
Bunu göz önünde bulundurarak, açıklanabilir makine öğrenmeye ya da “açıklanabilir AI” konusunda ustalaşabilmek büyük olasılıkla şirketlerin bir veri bilim insanı için yetenek kazanma yolunda nasıl bir odak noktası olacağına işaret ediyor. Zaten bize interneti getiren kurum olan DARPA, insanlara karşı şeffaf olan makine öğrenmesi ve yapay zeka teknolojileri oluşturmak için gereken beceri ve kaynakları geliştirmeye çalışan açıklanabilir bir AI'da milyonlarca dolarlık bir çalışmayı finanse ediyor.
Bunu düşünmenin bir yolu, genellikle yetenek geliştirmenin “okuryazarlık aşaması” ve “hiperiteyazım aşaması” olduğudur. Bir veri bilimcisi için geleneksel okuryazarlık aşaması, makine öğrenme programlarının nasıl bir araya getirileceği ve nasıl inşa edileceği bilgisi olacaktır. Python gibi dilleri olan algoritmalar; Yapay sinir ağlarının nasıl kurulacağı ve onlarla nasıl çalışılacağı. Hiperiterasi aşaması, açıklanabilir AI konusunda uzmanlaşma, makine öğrenmesi algoritmalarının kullanımında şeffaflık sağlama ve bu programlar amaçlarına ve işverenlerinin amaçlarına yönelik çalışırken şeffaflığı koruma yeteneği olacaktır.
Veri biliminde şeffaflığın önemini açıklamanın bir başka yolu, kullanılan veri setlerinin daha karmaşık hale gelmeye devam etmesi ve dolayısıyla insanların yaşamlarına daha fazla müdahaleci olmalarıdır. Açıklanabilir makine öğrenmesi ve veri biliminin bir diğer önemli faktörü, kişisel verilerin etik dışı kullanımını engellemek için yakın zamanda uygulanan Avrupa Genel Veri Koruma Yönetmeliğidir. GSYİH'yi bir test örneği olarak kullanan uzmanlar, veri bilimi projelerini açıklamanın gerekliliğinin iş etiğinin yanı sıra gizlilik ve güvenlik konularına nasıl uyduğunu görebilir.