Nilalaman
Inilahad ni: AltaML
T:
Bakit napakaraming pag-aaral ng makina sa likod ng mga eksena - wala sa paningin ng karaniwang gumagamit?
A:
Ang pangunahing katanungan tungkol sa pag-aaral ng makina ay isinasaalang-alang ang maraming iba't ibang mga aspeto kung paano gumagana ang mga kumplikadong programang ito, at kung ano ang papel na ginagampanan nila sa ekonomiya ngayon.
Ang isa sa mga pinakamadaling paraan upang maipaliwanag ang kakulangan ng katanyagan ng mga sistema ng pagkatuto ng machine ay madali silang itago. Ang mga back-end system na ito ay humihinto sa likod ng mga rekomendasyon ng mga makina at higit pa, na nagpapahintulot sa mga mamimili na kalimutan na mayroong anumang pag-aaral ng makina na magpapatuloy. Para sa lahat ng alam ng mga gumagamit, ang ilang mga tao ay maingat na pumili ng mga pagpipilian sa halip na isang neural network na nagpapatakbo ng sopistikadong mga algorithm.
Higit pa rito, mayroon ding kakulangan ng isang sistematikong edukasyon sa pag-aaral ng makina, bahagi dahil bago ito, at bahagyang dahil sa kakulangan ng pamumuhunan sa pagsasanay sa STEM sa kabuuan. Tila na bilang isang lipunan ay pangkalahatan tayong OK sa pagpili ng mga pangunahing indibidwal upang malaman ang tungkol sa teknolohiya sa anumang mahusay na detalye, at maging "mga teknolohiyang pari" ng ating populasyon. Ang isang mas malawak na diskarte sa spectrum ay isama ang detalyadong pag-aaral ng makina at pagtuturo ng teknolohiya sa isang pangalawang antas sa mataas na paaralan bilang isang bagay.
Ang isa pang problema ay ang kawalan ng naa-access na wika sa paligid ng pag-aaral ng makina. Ang Jargon ay dumami - mula sa mga etiketa ng mga algorithm mismo, sa mga pag-andar ng pag-activate na nagbibigay lakas sa mga artipisyal na neuron at nagreresulta sa mga neural network. Ang isa pang mahusay na halimbawa ay ang pag-label ng mga layer sa isang convolutional neural network - padding at striding at max pooling at marami pa. Hindi gaanong naiintindihan ng sinuman kung ano ang ibig sabihin ng mga salitang ito, at ginagawang pag-aaral ng makina ang lahat ng hindi masisira.
Ang mga algorithm mismo ay naging magkatulad sa pagkakapareho ng mga matematiko. Tulad ng moderno at klasikal na pisika, ang mga mag-aaral ng mga disiplinang ito ay dapat na makabisado sa sining ng pagbabasa ng mga kumplikadong equation, sa halip na ilagay ang mga pag-andar ng algorithm sa payak na wika. Naghahain din ito upang gawing mas madaling ma-access ang impormasyon sa pag-aaral ng makina.
Sa wakas, mayroong "itim na kahon" na problema kung saan kahit ang mga inhinyero ay hindi lubos na nauunawaan kung gaano karaming mga programa sa pag-aaral ng makina. Tulad ng nasukat namin ang pagiging kumplikado at kakayahan ng mga algorithm na ito, sinakripisyo namin ang transparency at madaling pag-access sa pagsusuri at mga resulta ng analitikal. Sa pag-iisip nito, mayroong isang malaking kilusan patungo sa maipaliwanag na AI - patungo sa pagpapanatiling pag-aaral ng pagpapatakbo ng makina at pag-access ng artipisyal na intelihente, at pagpapanatiling hawakan kung paano gumagana ang mga program na ito upang maiwasan ang mga hindi kasiya-siya na mga sorpresa sa isang kapaligiran sa paggawa.
Ang lahat ng ito ay nakakatulong upang ipaliwanag kung bakit, kahit na ang pag-aaral ng makina ay lumulubog sa pandaigdigang mundo ngayon, madalas itong "wala sa paningin, wala sa isip."
