Q:
Por que há tanto aprendizado de máquina nos bastidores - fora da vista do usuário comum?
UMA:Essa questão fundamental sobre o aprendizado de máquina leva em consideração muitos aspectos diferentes de como esses programas complicados funcionam e qual o papel que eles desempenham na economia atual.
Uma das maneiras mais fáceis de explicar a falta de destaque dos sistemas de aprendizado de máquina é que eles são fáceis de esconder. Esses sistemas de back-end se escondem atrás dos mecanismos de recomendação e muito mais, permitindo que os consumidores esqueçam que existe algum aprendizado de máquina. Pelo que os usuários finais sabem, alguns humanos podem estar selecionando cuidadosamente opções em vez de uma rede neural executando algoritmos sofisticados.
Além disso, também há falta de uma educação sistêmica sobre aprendizado de máquina, em parte porque é muito nova e em parte devido à falta de investimento no treinamento de STEM como um todo. Parece que, como sociedade, geralmente concordamos em selecionar indivíduos-chave para aprender sobre a tecnologia em grandes detalhes e nos tornarmos os "padres tecnológicos" de nossa população. Uma estratégia de espectro mais amplo seria incluir o aprendizado detalhado de máquina e o ensino de tecnologia em um nível secundário nas escolas secundárias.
Outro problema é a falta de linguagem acessível em torno do aprendizado de máquina. O jargão é abundante - desde os rótulos dos próprios algoritmos, até as funções de ativação que alimentam neurônios artificiais e resultam em redes neurais. Outro ótimo exemplo é a rotulagem de camadas em uma rede neural convolucional - preenchimento e passada e pool máximo e muito mais. Dificilmente alguém realmente entende o que esses termos significam e isso torna o aprendizado de máquina ainda mais inescrutável.
Os próprios algoritmos foram expressos na linguagem dos matemáticos. Tal como acontece com a física moderna e clássica, os alunos dessas disciplinas devem dominar a arte de ler equações complexas, em vez de colocar as funções do algoritmo em linguagem simples. Isso também serve para tornar as informações de aprendizado de máquina muito menos acessíveis.
Finalmente, há o problema da "caixa preta", em que mesmo os engenheiros não entendem completamente quantos programas de aprendizado de máquina funcionam. À medida que escalamos a complexidade e a capacidade desses algoritmos, sacrificamos a transparência e o fácil acesso a resultados de avaliação e análise. Com isso em mente, há um grande movimento em direção à IA explicável - para manter acessível o aprendizado de máquina operacional e a inteligência artificial, além de manter um controle sobre como esses programas funcionam, a fim de evitar surpresas desagradáveis em um ambiente de produção.
Tudo isso ajuda a explicar por que, embora o aprendizado de máquina esteja florescendo no mundo tecnológico de hoje, muitas vezes é "fora da vista, fora da mente".
