Q:
Hvorfor er så meget af maskinlæring bag kulisserne - ude af syne for den almindelige bruger?
EN:Dette grundlæggende spørgsmål om maskinlæring tager højde for mange forskellige aspekter af, hvordan disse komplicerede programmer fungerer, og hvilken rolle de spiller i nutidens økonomi.
En af de nemmeste måder at forklare den manglende fremtrædelse af maskinlæringssystemer er, at de er lette at skjule. Disse back-end-systemer lurer bag anbefalingsmotorer og mere, så forbrugerne kan glemme, at der overhovedet er maskinlæring. For alt det, slutbrugerne ved, kunne nogle mennesker nøje vælge valg i stedet for et neuralt netværk, der kører sofistikerede algoritmer.
Derudover er der også mangel på en systemisk uddannelse i maskinlæring, dels fordi den er så ny, og dels på grund af en mangel på investering i STEM-uddannelse som helhed. Det ser ud til, at vi som samfund generelt er i orden med at vælge nøglepersoner til at lære om teknologi i enhver stor detalje og for at blive ”teknologiske præster” i vores befolkning. En bredere spektrumstrategi ville være som en selvfølge at inkludere detaljeret maskinlæring og teknologiundervisning på et sekundært niveau i gymnasier.
Et andet problem er manglen på tilgængeligt sprog omkring maskinlæring. Jargon bugner - fra etiketterne til selve algoritmerne til aktiveringsfunktioner, der driver kunstige neuroner og resulterer i neurale netværk. Et andet godt eksempel er mærkning af lag i et indviklet neuralt netværk - polstring og skridtning og max pooling og mere. Næppe nogen forstår virkelig, hvad disse udtryk betyder, og det gør maskinlæring desto mere ubeskrivelig.
Algoritmerne er selv blevet sovet i matematikernes parlance. Som med moderne og klassisk fysik skal studerende på disse discipliner mestre kunsten at læse komplekse ligninger snarere end at sætte algoritmefunktionerne i almindeligt sprog. Det tjener også til at gøre maskinlæringsinformation langt mindre tilgængelig.
Endelig er der ”black box” -problemet, hvor selv ingeniørerne ikke rigtig forstår, hvor mange maskinindlæringsprogrammer, der fungerer. Da vi har skaleret kompleksiteten og kapaciteten af disse algoritmer, har vi ofret gennemsigtighed og let adgang til evaluering og analyseresultater. Med dette i tankerne er der en stor bevægelse mod forklarbar AI - mod at holde operationel maskinlæring og kunstig intelligens tilgængelig og holde et håndtag om, hvordan disse programmer fungerer for at undgå ubehagelige overraskelser i et produktionsmiljø.
Alt dette hjælper med at forklare hvorfor, selvom maskinlæring spirer i nutidens techverden, er det ofte "ude af syne, ude af sind."
