सामग्री
सादरः अल्टाएमएल
प्रश्नः
पडद्यामागील इतके मशीन शिक्षण का आहे - सामान्य वापरकर्त्याच्या दृष्टीने?
उत्तरः
मशीन लर्निंग विषयी हा मूलभूत प्रश्न हे गुंतागुंतीचे प्रोग्राम्स कसे कार्य करतात आणि आजच्या अर्थव्यवस्थेत ते काय भूमिका घेतात याविषयी वेगवेगळ्या पैलू विचारात घेत आहेत.
मशीन लर्निंग सिस्टमची प्रमुखता नसल्याचे स्पष्ट करण्याचा सर्वात सोपा मार्ग म्हणजे त्या लपविणे सोपे आहे. या बॅक-एंड सिस्टम शिफारस इंजिन आणि इतर बर्‍याच गोष्टींनी ढकलतात, जेणेकरून कोणतेही मशीन शिकणे मुळीच चालू आहे हे ग्राहकांना विसरण्यास परवानगी देते. शेवटच्या वापरकर्त्यांसाठी माहित आहे की, काही माणसे अत्याधुनिक अल्गोरिदम चालणार्‍या न्यूरोल नेटवर्कऐवजी काळजीपूर्वक निवडी निवडू शकतात.
त्यापलिकडे, मशीन शिक्षण विषयी प्रणालीगत शिक्षणाचा अभाव देखील आहे, अंशतः कारण ते खूप नवीन आहे आणि काहीसे संपूर्ण स्टेम प्रशिक्षणात गुंतवणूकीचा अभाव आहे. असे दिसते आहे की एक समाज म्हणून आम्ही सामान्यपणे तंत्रज्ञानाबद्दल कोणत्याही चांगल्या तपशीलांसाठी जाणून घेण्यासाठी आणि आपल्या लोकसंख्येचे "तंत्रज्ञ पुजारी" होण्यासाठी मुख्य व्यक्ती निवडण्यासह ठीक आहोत. एक विस्तृत स्पेक्ट्रम धोरण म्हणजे उच्च माध्यमिक स्तरावर माध्यमिक स्तरावरील तपशीलवार मशीन शिक्षण आणि तंत्रज्ञानाच्या सूचनांचा समावेश अर्थातच म्हणून करणे.
आणखी एक समस्या मशीन शिक्षणाभोवती प्रवेश करण्यायोग्य भाषेचा अभाव आहे. जरगॉन विपुल आहे - स्वतः अल्गोरिदमच्या लेबलांपासून ते कृत्रिम न्यूरॉन्सला शक्ती देणारे आणि मज्जातंतूंच्या नेटवर्कमध्ये परिणामी कार्यरत केलेल्या कार्यासाठी. आणखी एक उत्कृष्ट उदाहरण म्हणजे कॉन्व्होल्यूशनल न्यूरल नेटवर्कमध्ये स्तरांचे लेबलिंग करणे - पॅडिंग आणि स्ट्रिंग आणि जास्तीत जास्त पूलिंग आणि बरेच काही. या अटींचा अर्थ नक्कीच कोणालाही समजला नसेल आणि यामुळे मशीन शिकणे अधिक अनिश्चित बनते.
गणितातील लोकांच्या चर्चमध्ये अल्गोरिदम स्वतःच तयार झाले आहेत. आधुनिक आणि शास्त्रीय भौतिकशास्त्राप्रमाणेच या विषयांमधील विद्यार्थ्यांनी अल्गोरिदमची कार्ये साध्या भाषेत न ठेवता जटिल समीकरणे वाचण्याची कला आत्मसात केली पाहिजे. हे मशीन शिक्षण माहिती कमी प्रवेश करण्यायोग्य बनवते.
अखेरीस, “ब्लॅक बॉक्स” समस्या आहे जिथे अभियंत्यांनादेखील किती मशीन शिक्षण कार्यक्रम कार्य करतात हे खरोखरच माहित नसते. जसे की आम्ही या अल्गोरिदमची जटिलता आणि क्षमता मोजली आहे, आम्ही मूल्यांकन आणि विश्लेषणात्मक निकालांमध्ये पारदर्शकता आणि सहज प्रवेशाचा त्याग केला आहे. हे लक्षात घेऊन, कार्यक्षम मशीन शिक्षण आणि कृत्रिम बुद्धिमत्ता प्रवेशयोग्य ठेवण्यासाठी आणि उत्पादन वातावरणात अप्रिय आश्चर्य टाळण्यासाठी हे कार्यक्रम कसे कार्य करतात यावर संभाषण ठेवण्यासाठी - स्पष्टीकरण योग्य एआय कडे एक मोठी हालचाल आहे.
या सर्व गोष्टी समजून घेण्यात मदत करतात, जरी आजच्या तंत्रज्ञानाच्या जगात मशीन शिक्षण वाढत आहे, हे बर्‍याचदा “दृष्टीक्षेपात, मनातून” होते.
