प्रश्न:
आम लोगों की नज़र में मशीन के पर्दे के पीछे इतनी सीख क्यों है?
ए:मशीन लर्निंग के बारे में यह बुनियादी सवाल कई जटिल पहलुओं को ध्यान में रखता है कि ये जटिल कार्यक्रम कैसे काम करते हैं, और आज की अर्थव्यवस्था में उनकी क्या भूमिका है।
मशीन लर्निंग सिस्टम की प्रमुखता की कमी को समझाने के सबसे आसान तरीकों में से एक यह है कि वे छिपाना आसान है। ये बैक-एंड सिस्टम अनुशंसा इंजन और अधिक के पीछे दुबक जाते हैं, जिससे उपभोक्ताओं को यह भूल जाने की अनुमति है कि कोई भी मशीन सीखने की प्रक्रिया चल रही है। सभी अंत उपयोगकर्ताओं को पता है, कुछ मनुष्यों को सावधानीपूर्वक परिष्कृत एल्गोरिदम चलाने वाले तंत्रिका नेटवर्क के बजाय विकल्पों का चयन किया जा सकता है।
इसके अलावा, मशीन लर्निंग पर प्रणालीगत शिक्षा का भी अभाव है, आंशिक रूप से क्योंकि यह बहुत नया है, और आंशिक रूप से एसटीईएम प्रशिक्षण में निवेश की कमी के कारण है। ऐसा लगता है कि एक समाज के रूप में हम आम तौर पर किसी भी महान विस्तार में प्रौद्योगिकी के बारे में जानने के लिए महत्वपूर्ण व्यक्तियों का चयन करने और हमारी आबादी के "तकनीकी पुजारी" बनने के लिए ठीक हैं। एक व्यापक स्पेक्ट्रम रणनीति के तहत उच्च विद्यालयों में माध्यमिक स्तर पर विस्तृत मशीन लर्निंग और प्रौद्योगिकी निर्देश को शामिल करना होगा।
एक और समस्या मशीन सीखने के आसपास सुलभ भाषा की कमी है। जार्गोन एबॉइड्स - एल्गोरिदम के लेबल से, सक्रियण कार्यों के लिए कि कृत्रिम न्यूरॉन्स को शक्ति और तंत्रिका नेटवर्क में परिणाम। एक और महान उदाहरण एक दृढ़ तंत्रिका नेटवर्क में परतों की लेबलिंग है - पैडिंग और स्ट्राइडिंग और अधिकतम पूलिंग और बहुत कुछ। शायद ही कोई व्यक्ति वास्तव में समझता है कि इन शब्दों का क्या मतलब है, और यह मशीन सीखने को सभी अधिक अयोग्य बनाता है।
एल्गोरिदम स्वयं गणितज्ञों के प्रतिरूप में सोफे हो गए हैं। आधुनिक और शास्त्रीय भौतिकी के साथ, इन विषयों के छात्रों को सरल भाषा में एल्गोरिथ्म कार्यों को डालने के बजाय जटिल समीकरणों को पढ़ने की कला में महारत हासिल करने की आवश्यकता होती है। यह मशीन सीखने की जानकारी को बहुत कम सुलभ बनाने का काम भी करता है।
अंत में, "ब्लैक बॉक्स" समस्या है जहाँ इंजीनियर भी वास्तव में पूरी तरह से नहीं समझते हैं कि कितने मशीन लर्निंग प्रोग्राम काम करते हैं। जैसा कि हमने इन एल्गोरिदम की जटिलता और क्षमता को बढ़ाया है, हमने मूल्यांकन और विश्लेषणात्मक परिणामों के लिए पारदर्शिता और आसान पहुंच का त्याग किया है। इसे ध्यान में रखते हुए, व्याख्या करने योग्य AI की ओर एक बड़ा आंदोलन होता है - परिचालन मशीन सीखने और कृत्रिम बुद्धिमत्ता को सुलभ रखने की ओर, और उत्पादन परिवेश में अप्रिय आश्चर्य से बचने के लिए ये कार्यक्रम कैसे काम करते हैं, इस पर ध्यान रखते हैं।
यह सब यह समझाने में मदद करता है कि क्यों, हालांकि मशीन सीखना आज की तकनीक की दुनिया में बोझ है, यह अक्सर "दृष्टि से बाहर, दिमाग से बाहर है।"
