Q:
¿Por qué hay tanto aprendizaje automático detrás de escena, fuera de la vista del usuario común?
UN:Esta pregunta fundamental sobre el aprendizaje automático tiene en cuenta muchos aspectos diferentes de cómo funcionan estos programas complicados y qué papel juegan en la economía actual.
Una de las formas más fáciles de explicar la falta de prominencia de los sistemas de aprendizaje automático es que son fáciles de ocultar. Estos sistemas de back-end están al acecho detrás de los motores de recomendación y más, lo que permite a los consumidores olvidar que hay algún aprendizaje automático en marcha. Para todos los usuarios finales saben, algunos humanos podrían seleccionar cuidadosamente las opciones en lugar de una red neuronal que ejecute algoritmos sofisticados.
Más allá de eso, también falta una educación sistémica sobre el aprendizaje automático, en parte porque es muy nueva y en parte debido a la falta de inversión en la capacitación STEM en general. Parece que, como sociedad, generalmente estamos de acuerdo con la selección de personas clave para aprender sobre tecnología con gran detalle y para convertirnos en los "sacerdotes tecnológicos" de nuestra población. Una estrategia de espectro más amplio sería incluir aprendizaje automático detallado e instrucción de tecnología en un nivel secundario en las escuelas secundarias como una cuestión de rutina.
Otro problema es la falta de lenguaje accesible en torno al aprendizaje automático. Abunda la jerga, desde las etiquetas de los algoritmos hasta las funciones de activación que activan las neuronas artificiales y dan como resultado redes neuronales. Otro gran ejemplo es el etiquetado de capas en una red neuronal convolucional: relleno y zancada y agrupación máxima y más. Casi nadie realmente entiende lo que significan estos términos, y eso hace que el aprendizaje automático sea aún más inescrutable.
Los algoritmos mismos se han desarrollado en el lenguaje de los matemáticos. Al igual que con la física moderna y clásica, se supone que los estudiantes de estas disciplinas dominan el arte de leer ecuaciones complejas, en lugar de poner las funciones del algoritmo en un lenguaje sencillo. Eso también sirve para hacer que la información de aprendizaje automático sea mucho menos accesible.
Finalmente, está el problema del "recuadro negro" en el que incluso los ingenieros no comprenden realmente cuántos programas de aprendizaje automático funcionan. A medida que hemos escalado la complejidad y la capacidad de estos algoritmos, hemos sacrificado la transparencia y el fácil acceso a la evaluación y los resultados analíticos. Con esto en mente, hay un gran movimiento hacia la IA explicable: hacia el acceso al aprendizaje automático operacional y la inteligencia artificial, y a controlar cómo funcionan estos programas para evitar sorpresas desagradables en un entorno de producción.
Todo esto ayuda a explicar por qué, aunque el aprendizaje automático está floreciendo en el mundo tecnológico actual, a menudo está "fuera de la vista, fuera de la mente".
