ש:
מדוע כל כך הרבה של לימוד מכונות נמצא מאחורי הקלעים - מחוץ לטווח הראייה של המשתמש המשותף?
ת:שאלה מהותית זו בנושא למידת מכונות מביאה בחשבון היבטים רבים ושונים של אופן הפעולה של תוכניות מורכבות אלו, ואיזה תפקיד הם ממלאים בכלכלה של ימינו.
אחת הדרכים הקלות ביותר להסביר את היעדר הבולטות של מערכות למידת מכונה היא שקל להסתיר אותן. מערכות אחוריות אלה אורבות מאחורי מנועי המלצה ועוד, ומאפשרות לצרכנים לשכוח שיש למידת מכונה שקורה בכלל. לדעת כל משתמשי הקצה, אנשים מסוימים יכולים לבחור בקפידה בחירות במקום רשת עצבית שמריצה אלגוריתמים מתוחכמים.
מעבר לכך, יש גם חוסר השכלה מערכתית בנושא למידת מכונה, גם בגלל שהיא כל כך חדשה, ובחלקה בגלל חוסר השקעה בהכשרת STEM בכללותה. נראה כי כחברה אנו בדרך כלל בסדר עם בחירת מפתח אנשים ללמוד על טכנולוגיה בכל פרט גדול, ולהפוך ל"כמרים הטכנולוגיים "של אוכלוסייתנו. אסטרטגיה רחבה יותר של ספקטרום תהיה לכלול כמובן לימוד מכונה והוראה טכנולוגית ברמה המשנית בבתי הספר התיכוניים.
בעיה נוספת היא היעדר שפה נגישה סביב למידת מכונה. ז'רגון שופע - מתוויות האלגוריתמים עצמם, וכלה בפונקציות ההפעלה המפעילות עצבים מלאכותיים וגורמות לרשתות עצביות. דוגמא נהדרת נוספת היא תיוג שכבות ברשת עצבית מפותלת - ריפוד וחלילה ומיזוג מקסימאלי ועוד. כמעט אף אחד לא מבין באמת מה פירוש המונחים הללו, וזה הופך את למידת המכונה לבלתי ניתנת לבלתי מעורערת יותר.
האלגוריתמים עצמם הפכו לשכורים במצבים של מתמטיקאים. בדומה לפיזיקה המודרנית והקלאסית, תלמידי תחומים אלה אמורים לשלוט באמנות קריאת משוואות מורכבות, ולא להכניס את פונקציות האלגוריתם לשפה פשוטה. זה משמש גם כדי להפוך מידע למידת מכונה להרבה פחות נגיש.
לבסוף, יש את הבעיה "הקופסה השחורה" בה אפילו המהנדסים לא ממש מבינים כמה תוכניות למידת מכונה עובדות. ככל שהחלפנו את המורכבות והיכולת של אלגוריתמים אלו, הקרינו שקיפות וגישה נוחה להערכה ולתוצאות אנליטיות. עם זאת בחשבון, ישנה תנועה גדולה לכיוון של ממשק AI שניתן להסביר - לקראת נגישת למידת מכונות תפעוליות ואינטליגנציה מלאכותית, ושמירת ידית על אופן הפעולה של תוכניות אלה על מנת להימנע מהפתעות לא נעימות בסביבת ייצור.
כל זה עוזר להסביר מדוע, למרות שלמידה של מכונות צומחת בעולם הטכנולוגי של ימינו, היא לעיתים קרובות "מחוץ לטווח ראייה, מחוץ לתודעה."
