প্রশ্ন:
সাধারণ ব্যবহারকারীর দৃষ্টির বাইরে - কেন এতগুলি পর্দার আড়ালে মেশিন শেখা হচ্ছে?
উত্তর:মেশিন লার্নিং সম্পর্কে এই মৌলিক প্রশ্নটি এই জটিল প্রোগ্রামগুলি কীভাবে কাজ করে এবং আজকের অর্থনীতিতে তারা কী ভূমিকা পালন করে তার বিভিন্ন দিক বিবেচনা করে।
মেশিন লার্নিং সিস্টেমগুলির সর্বাধিকতার অভাবকে ব্যাখ্যা করার একটি সহজ উপায় হ'ল এগুলি লুকানো সহজ। এই ব্যাক-এন্ড সিস্টেমগুলি সুপারিশ ইঞ্জিনগুলি এবং আরও অনেক কিছুর পিছনে লুকিয়ে থাকে, যা ভোক্তাদের ভুলে যেতে দেয় যে কোনও মেশিন শেখা মোটেই চলছে। সমস্ত শেষ ব্যবহারকারীদের জন্য, কিছু মানুষ সূক্ষ্ম অ্যালগরিদমে চলমান নিউরাল নেটওয়ার্কের পরিবর্তে সাবধানতার সাথে পছন্দগুলি নির্বাচন করতে পারে।
এর বাইরে, মেশিন লার্নিং সম্পর্কে সিস্টেমিক শিক্ষারও অভাব রয়েছে, আংশিক কারণ এটি এতটা নতুন এবং আংশিকভাবে পুরো স্টেম প্রশিক্ষণে বিনিয়োগের অভাবের কারণে। দেখে মনে হয় যে একটি সমাজ হিসাবে আমরা সাধারণত কোনও দুর্দান্ত বিশদ থেকে প্রযুক্তি সম্পর্কে শেখার জন্য এবং আমাদের জনসংখ্যার "প্রযুক্তিগত পুরোহিত" হওয়ার জন্য মূল ব্যক্তিদের নির্বাচন করে ঠিক আছি। একটি বিস্তৃত বর্ণালী কৌশল হ'ল উচ্চ বিদ্যালয়ে মাধ্যমিক স্তরের বিশদ মেশিন লার্নিং এবং প্রযুক্তি নির্দেশকে অবশ্যই বিষয় হিসাবে অন্তর্ভুক্ত করা হবে।
আরেকটি সমস্যা হ'ল মেশিন লার্নিংয়ের আশেপাশে অ্যাক্সেসযোগ্য ভাষার অভাব। জারগন প্রচুর পরিমাণে - নিজেই অ্যালগরিদমের লেবেল থেকে শুরু করে এমন সক্রিয়করণ কার্যগুলিতে যা কৃত্রিম নিউরনগুলিকে শক্তি দেয় এবং ফলাফল নিউরাল নেটওয়ার্কগুলিতে। আরেকটি দুর্দান্ত উদাহরণ হ'ল কনভোলশনাল নিউরাল নেটওয়ার্কে স্তরগুলির লেবেলিং - প্যাডিং এবং স্ট্রাইডিং এবং সর্বাধিক পুলিং এবং আরও অনেক কিছু। এই পদগুলির অর্থ কী তা খুব সহজেই কেউ বুঝতে পারে এবং এটি মেশিন শেখার আরও আরও অনির্বচনীয় করে তোলে।
অ্যালগরিদমগুলি নিজেরাই গণিতবিদদের পার্লেন্সে পালটে গেছে। আধুনিক এবং শাস্ত্রীয় পদার্থবিজ্ঞানের মতো, এই শাখার শিক্ষার্থীদের অ্যালগোরিদম ফাংশনগুলি সরল ভাষায় রাখার পরিবর্তে জটিল সমীকরণগুলি পড়ার শিল্পে দক্ষতা অর্জনের কথা রয়েছে। এটি মেশিন লার্নিংয়ের তথ্যকে খুব কম অ্যাক্সেসযোগ্য করে তোলে।
অবশেষে, "ব্ল্যাক বক্স" সমস্যা রয়েছে যেখানে প্রকৌশলীরাও সত্যই পুরোপুরি বুঝতে পারেন না যে কতগুলি মেশিন লার্নিং প্রোগ্রামগুলি কাজ করে। যেহেতু আমরা এই অ্যালগরিদমগুলির জটিলতা এবং দক্ষতার পরিমাণকে ছোট করেছি, আমরা মূল্যায়ন এবং বিশ্লেষণী ফলাফলের স্বচ্ছতা এবং সহজ অ্যাক্সেসের ত্যাগ করেছি। এটি মাথায় রেখে, ব্যাখ্যামূলক এআই এর দিকে একটি বড় আন্দোলন চলছে - অপারেশনাল মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তাকে অ্যাক্সেসযোগ্য রাখার দিকে, এবং কোনও উত্পাদন পরিবেশে অপ্রীতিকর আশ্চর্য এড়াতে এই প্রোগ্রামগুলি কীভাবে কাজ করে তা পরিচালনা করে।
এই সমস্ত কারণ ব্যাখ্যা করতে সহায়তা করে, যদিও মেশিন লার্নিং আজকের প্রযুক্তি বিশ্বে বর্ধমান, এটি প্রায়শই "দৃষ্টির বাইরে, মনের বাইরে"।
