D:
Perché c'è così tanto apprendimento automatico dietro le quinte - fuori dalla vista dell'utente comune?
UN:Questa domanda fondamentale sull'apprendimento automatico tiene conto di molti aspetti diversi di come funzionano questi complicati programmi e quale ruolo svolgono nell'economia di oggi.
Uno dei modi più semplici per spiegare la mancanza di importanza dei sistemi di apprendimento automatico è che sono facili da nascondere. Questi sistemi di back-end si nascondono dietro i motori delle raccomandazioni e altro ancora, consentendo ai consumatori di dimenticare che c'è un apprendimento automatico in corso. Per tutti gli utenti finali, alcuni umani potrebbero selezionare con cura le scelte anziché una rete neurale che esegue sofisticati algoritmi.
Oltre a ciò, manca anche un'educazione sistemica all'apprendimento automatico, in parte perché è così nuova, e in parte a causa della mancanza di investimenti nella formazione STEM nel suo complesso. Sembra che, come società, siamo generalmente d'accordo con la selezione di individui chiave per conoscere la tecnologia in modo molto dettagliato e per diventare i "sacerdoti tecnologici" della nostra popolazione. Una strategia di spettro più ampia sarebbe quella di includere l'apprendimento automatico dettagliato e le istruzioni tecnologiche a un livello secondario nelle scuole superiori, naturalmente.
Un altro problema è la mancanza di una lingua accessibile intorno all'apprendimento automatico. Il gergo abbonda - dalle etichette degli algoritmi stessi, alle funzioni di attivazione che alimentano i neuroni artificiali e provocano reti neurali. Un altro grande esempio è l'etichettatura degli strati in una rete neurale convoluzionale: imbottitura e falcata, massimo pooling e altro ancora. Quasi nessuno capisce davvero cosa significhino questi termini e ciò rende l'apprendimento automatico tanto più imperscrutabile.
Gli stessi algoritmi sono stati inseriti nel linguaggio dei matematici. Come per la fisica moderna e classica, gli studenti di queste discipline dovrebbero padroneggiare l'arte della lettura di equazioni complesse, piuttosto che mettere le funzioni dell'algoritmo in un linguaggio semplice. Ciò serve anche a rendere le informazioni di apprendimento automatico molto meno accessibili.
Infine, c'è il problema della "scatola nera" in cui persino gli ingegneri non comprendono appieno quanti programmi di apprendimento automatico funzionano. Poiché abbiamo ridimensionato la complessità e la capacità di questi algoritmi, abbiamo sacrificato la trasparenza e un facile accesso alla valutazione e ai risultati analitici. Con questo in mente, c'è un grande movimento verso l'IA spiegabile - verso l'accessibilità dell'apprendimento automatico operativo e dell'intelligenza artificiale e la gestione del funzionamento di questi programmi al fine di evitare spiacevoli sorprese in un ambiente di produzione.
Tutto ciò aiuta a spiegare perché, sebbene l'apprendimento automatico stia fiorendo nel mondo tecnologico di oggi, spesso è "fuori dalla vista, lontano dalla mente".
