Q:
Pourquoi tant d'apprentissage automatique dans les coulisses - hors de la vue de l'utilisateur commun?
UNE:Cette question fondamentale sur l'apprentissage automatique prend en compte de nombreux aspects différents du fonctionnement de ces programmes complexes et du rôle qu'ils jouent dans l'économie actuelle.
L'une des façons les plus simples d'expliquer le manque de visibilité des systèmes d'apprentissage automatique est qu'ils sont faciles à cacher. Ces systèmes dorsaux se cachent derrière les moteurs de recommandation et plus encore, permettant aux consommateurs d'oublier qu'il y a un apprentissage automatique en cours. Pour tous les utilisateurs finaux, certains humains pourraient sélectionner soigneusement leurs choix au lieu d'un réseau de neurones exécutant des algorithmes sophistiqués.
Au-delà de cela, il y a également un manque d'éducation systémique sur l'apprentissage automatique, en partie parce qu'il est si nouveau, et en partie en raison d'un manque d'investissement dans la formation STEM dans son ensemble. Il semble qu'en tant que société, nous soyons généralement d'accord pour sélectionner des personnes clés pour en apprendre davantage sur la technologie dans les moindres détails et pour devenir les «prêtres technologiques» de notre population. Une stratégie plus large en matière de spectre consisterait à inclure systématiquement l'apprentissage automatique et l'enseignement de la technologie au niveau secondaire dans les écoles secondaires.
Un autre problème est le manque de langage accessible autour de l'apprentissage automatique. Le jargon abonde - des étiquettes des algorithmes eux-mêmes aux fonctions d'activation qui alimentent les neurones artificiels et produisent des réseaux de neurones. Un autre excellent exemple est l'étiquetage des couches dans un réseau neuronal convolutif - remplissage et foulée et mise en commun maximale et plus encore. Presque personne ne comprend vraiment ce que ces termes signifient, ce qui rend l'apprentissage automatique encore plus impénétrable.
Les algorithmes eux-mêmes sont devenus le langage des mathématiciens. Comme pour la physique moderne et classique, les étudiants de ces disciplines sont censés maîtriser l'art de lire des équations complexes, plutôt que de mettre les fonctions de l'algorithme en langage simple. Cela permet également de rendre les informations d'apprentissage automatique beaucoup moins accessibles.
Enfin, il y a le problème de la «boîte noire» où même les ingénieurs ne comprennent pas vraiment combien de programmes d'apprentissage automatique fonctionnent. En augmentant la complexité et la capacité de ces algorithmes, nous avons sacrifié la transparence et l'accès facile aux résultats d'évaluation et d'analyse. Dans cet esprit, il y a un grand mouvement vers l'IA explicable - vers le maintien de l'apprentissage automatique opérationnel et de l'intelligence artificielle accessibles, et la gestion du fonctionnement de ces programmes afin d'éviter des surprises désagréables dans un environnement de production.
Tout cela aide à expliquer pourquoi, bien que l'apprentissage automatique soit en plein essor dans le monde technologique d'aujourd'hui, il est souvent «hors de vue, hors de l'esprit».
