İçerik
Sunan: AltaML
S:
Neden bu kadar çok makine, ortak kullanıcının görüş alanı dışında sahne arkasında öğreniyor?
A:
Makine öğrenimi hakkındaki bu temel soru, bu karmaşık programların nasıl çalıştığının ve bugünün ekonomisinde oynadıkları rolün birçok farklı yönünü dikkate almaktadır.
Makine öğrenim sistemlerinin önemsizliğini açıklamanın en kolay yollarından biri, saklanmaları kolay olmasıdır. Bu arka uç sistemler, tavsiye motorlarının ve daha fazlasının arkasında durmakta ve tüketicilerin devam eden herhangi bir makine öğrenmesi olduğunu unutabilmelerini sağlamaktadır. Tüm son kullanıcılar için, bazı insanlar karmaşık algoritmalar kullanan bir sinir ağı yerine seçimleri dikkatli bir şekilde seçiyor olabilir.
Bunun ötesinde, kısmen yeni olduğu için kısmen STEM eğitimine bir bütün olarak yatırım yapılmamasından dolayı, makine öğrenimi konusunda sistemik bir eğitim eksikliği de var. Bir toplum olarak, teknoloji hakkında detaylı bilgi edinmek ve toplumumuzun “teknolojik rahipleri” olmak için kilit bireyleri seçmede genel olarak tamam olduğumuz anlaşılıyor. Daha geniş bir spektrum stratejisi, elbette, liselerde orta öğretim düzeyinde detaylı makine öğrenimi ve teknoloji öğretimini içerecektir.
Diğer bir problem ise makine öğrenmesi için erişilebilir dilin eksikliğidir. Jargon, algoritmaların etiketlerinden yapay nöronlara güç veren ve sinir ağlarına neden olan aktivasyon fonksiyonlarına kadar, çok fazla miktarda bulunur. Bir başka harika örnek, evrişimli bir sinir ağındaki katmanların etiketlenmesidir - dolgu ve çizgi ve maksimum havuzlama ve daha fazlası. Neredeyse hiç kimse bu terimlerin ne anlama geldiğini anlamıyor ve bu da makineyi öğrenmeyi daha anlaşılmaz hale getiriyor.
Algoritmaların kendileri matematikçilerin bakış açısına yansıtıldı. Modern ve klasik fizikte olduğu gibi, bu disiplinlerin öğrencilerinin de algoritma fonksiyonlarını sade bir dile koymak yerine karmaşık denklemleri okuma sanatına hakim olmaları gerekiyor. Bu aynı zamanda makine öğrenim 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 ölçeklendirdiğimiz için, saydamlığı ve değerlendirme ve analitik sonuçlara kolay erişimi feda ettik. Bunu akılda tutarak, açıklanabilir yapay zekaya doğru - operasyonel makine öğrenimini ve yapay zekayı erişilebilir kılmak ve üretim ortamında nahoş sürprizlerden kaçınmak için bu programların nasıl çalıştığını ele almak yönünde büyük bir hareket var.
Tüm bunlar neden, makinenin öğrenilmesi günümüzün teknoloji dünyasında gelişen olmasına rağmen, genellikle “gözden uzak, akılsız” olduğunu açıklamaya yardımcı olmaktadır.
