Q:
Mengapa begitu banyak pembelajaran mesin di balik layar - tidak terlihat oleh pengguna biasa?
SEBUAH:Pertanyaan mendasar tentang pembelajaran mesin ini memperhitungkan banyak aspek berbeda tentang cara kerja program yang rumit ini, dan peran apa yang mereka mainkan dalam perekonomian saat ini.
Salah satu cara termudah untuk menjelaskan kurangnya keunggulan sistem pembelajaran mesin adalah bahwa mereka mudah disembunyikan. Sistem back-end ini bersembunyi di balik mesin rekomendasi dan banyak lagi, memungkinkan konsumen untuk lupa bahwa ada pembelajaran mesin yang terjadi sama sekali. Untuk semua pengguna akhir tahu, beberapa manusia bisa dengan hati-hati memilih pilihan daripada jaringan saraf yang menjalankan algoritma canggih.
Selain itu, ada juga kurangnya pendidikan sistemik tentang pembelajaran mesin, sebagian karena itu sangat baru, dan sebagian karena kurangnya investasi dalam pelatihan STEM secara keseluruhan. Tampaknya sebagai masyarakat kita umumnya baik-baik saja dengan memilih individu-individu kunci untuk belajar tentang teknologi secara terperinci, dan menjadi "imam teknologi" dari populasi kita. Strategi spektrum yang lebih luas adalah memasukkan pembelajaran mesin secara terperinci dan instruksi teknologi pada tingkat menengah di sekolah menengah sebagai hal yang biasa.
Masalah lain adalah kurangnya bahasa yang dapat diakses di sekitar pembelajaran mesin. Jargon berlimpah - dari label algoritme itu sendiri, hingga fungsi aktivasi yang memberi daya pada neuron buatan dan menghasilkan jaringan saraf. Contoh hebat lainnya adalah pelabelan lapisan dalam jaringan saraf convolutional - padding dan striding dan max pooling dan banyak lagi. Hampir tidak ada yang benar-benar mengerti apa arti istilah-istilah ini, dan itu membuat pembelajaran mesin menjadi semakin sulit dipahami.
Algoritme itu sendiri telah ditulis dalam bahasa matematikawan. Seperti halnya fisika modern dan klasik, siswa dari disiplin ilmu ini seharusnya menguasai seni membaca persamaan kompleks, daripada menempatkan fungsi algoritma ke dalam bahasa sederhana. Itu juga berfungsi untuk membuat informasi pembelajaran mesin jauh lebih mudah diakses.
Akhirnya, ada masalah "kotak hitam" di mana bahkan para insinyur tidak benar-benar mengerti berapa banyak program pembelajaran mesin bekerja. Karena kami telah meningkatkan kompleksitas dan kemampuan algoritme ini, kami telah mengorbankan transparansi dan akses mudah ke hasil evaluasi dan analitis. Dengan pemikiran ini, ada gerakan besar menuju AI yang dapat dijelaskan - ke arah menjaga pembelajaran mesin operasional dan kecerdasan buatan dapat diakses, dan menjaga pegangan tentang bagaimana program ini bekerja untuk menghindari kejutan yang tidak menyenangkan dalam lingkungan produksi.
Semua ini membantu menjelaskan mengapa, meskipun pembelajaran mesin berkembang pesat di dunia teknologi saat ini, sering kali "tidak terlihat, keluar dari pikiran."
