P:
Per què hi ha tant aprenentatge automàtic entre escena com fora de vista de l'usuari comú?
R:Aquesta pregunta fonamental sobre l'aprenentatge automàtic té en compte molts aspectes diferents sobre el funcionament d'aquests programes complicats i quin paper tenen en l'economia actual.
Una de les maneres més fàcils d’explicar la manca de protagonisme dels sistemes d’aprenentatge automàtic és que són fàcils d’amagar. Aquests sistemes posteriors s’amaguen darrere de motors de recomanació i molt més, permetent als consumidors oblidar que no hi ha cap aprenentatge automàtic. Si tots els usuaris finals ho saben, alguns humans podrien seleccionar acuradament les opcions en lloc d’una xarxa neuronal amb algoritmes sofisticats.
Més enllà d’això, també falta una educació sistèmica sobre l’aprenentatge de màquines, en part perquè és tan nova i, en part, per la manca d’inversions en la formació STEM en general. Sembla que, com a societat, estem bé d'acord amb la selecció de persones clau per aprendre sobre la tecnologia amb qualsevol gran detall i per convertir-nos en els "capellans tecnològics" de la nostra població. Una estratègia més àmplia d’espectre consistiria a incloure l’aprenentatge detallat de la màquina i la instrucció tecnològica a un nivell secundari a les escoles secundàries com a certesa.
Un altre problema és la manca d’un llenguatge accessible al voltant de l’aprenentatge automàtic. L’argot abunda: des de les etiquetes dels propis algoritmes fins a les funcions d’activació que alimenten les neurones artificials i es tradueixen en xarxes neuronals. Un altre gran exemple és l’etiquetatge de capes en una xarxa neuronal convolutiva: encoixinament i estirament i agrupacions màximes i molt més. Difícilment algú entén què signifiquen aquests termes i això fa que l’aprenentatge automàtic sigui encara més inescrutable.
Els propis algoritmes s'han convertit en el llenguatge dels matemàtics. Tal com passa amb la física moderna i clàssica, se suposa que els estudiants d’aquestes disciplines dominen l’art de llegir equacions complexes en lloc de posar les funcions de l’algoritme en un llenguatge normal. Això també serveix perquè la informació de l’aprenentatge automàtic sigui molt menys accessible.
Finalment, hi ha el problema de la “caixa negra” en què fins i tot els enginyers no entenen plenament quants programes d’aprenentatge de màquines funcionen. A mesura que hem reduït la complexitat i la capacitat d’aquests algoritmes, hem sacrificat la transparència i l’accés fàcil als resultats d’avaluació i analítica. Tenint això en compte, hi ha un gran moviment cap a la IA explicable: cap a mantenir accessible l’aprenentatge de màquines operatives i la intel·ligència artificial i la gestió del funcionament d’aquests programes per evitar sorpreses desagradables en un entorn de producció.
Tot això ens ajuda a explicar per què, tot i que l’aprenentatge automàtic està enrunant en el món tecnològic actual, sovint és “fora de la vista, fora de la ment”.
