การเรียนรู้ตามตัวอย่าง

การเรียนรู้ตามตัวอย่าง

ในกรณีส่วนใหญ่ แมชชีนเลิร์นนิงเป็นเกมของอัลกอริทึม ดู อัลกอริธึมทำ โปรแกรมเมอร์ตั้งเป้าหมายให้กับอัลกอริธึม กล่าวคือ คาดการณ์ว่าผู้คนจะผิดนัดชำระหนี้หรือไม่ แต่เครื่องไม่ได้รับคำแนะนำที่ชัดเจนเกี่ยวกับวิธีการบรรลุเป้าหมายนั้น โปรแกรมเมอร์ให้ชุดข้อมูลแก่อัลกอริธึมเพื่อเรียนรู้แทน เช่น แคชของแอปพลิเคชันเงินกู้ในอดีตที่มีป้ายกำกับว่าผู้สมัครผิดนัดหรือไม่

จากนั้นอัลกอริธึมจะทดสอบวิธีต่างๆ 

ในการรวมแอตทริบิวต์การสมัครสินเชื่อเพื่อคาดการณ์ว่าใครจะผิดนัด โปรแกรมทำงานผ่านแอปพลิเคชันทั้งหมดในชุดข้อมูล ปรับแต่งขั้นตอนการตัดสินใจไปพร้อมกัน เมื่อได้รับการฝึกอบรมอย่างเต็มที่แล้ว อัลกอริทึมควรจะสามารถใช้การขอสินเชื่อใหม่ใด ๆ และกำหนดได้อย่างถูกต้องว่าบุคคลนั้นจะผิดนัดหรือไม่ 

ปัญหาเกิดขึ้นเมื่อข้อมูลการฝึกอบรมเต็มไปด้วยอคติที่อัลกอริทึมอาจรวมเข้ากับการตัดสินใจ ตัวอย่างเช่น หากอัลกอริทึมการจ้างงานของแผนกทรัพยากรบุคคลได้รับการฝึกอบรมเกี่ยวกับข้อมูลการจ้างงานในอดีตจากช่วงเวลาที่ผู้ชายชื่นชอบผู้หญิง อาจแนะนำให้จ้างผู้ชายบ่อยกว่าผู้หญิง หรือหากในอดีตมีผู้สมัครเพศหญิงน้อยกว่า อัลกอริทึมก็มีตัวอย่างแอปพลิเคชันเหล่านั้นให้เรียนรู้น้อยลง และอาจไม่ถูกต้องแม่นยำในการตัดสินใบสมัครของผู้หญิง

เทคโนโลยีที่แพร่หลาย

แมชชีนเลิร์นนิงมีงานเพิ่มขึ้น:

Siri, Alexa และผู้ช่วยเสมือนอื่นๆ

ผู้ขายออนไลน์ที่ให้บริการรายการ “คุณอาจชอบ”

โปรแกรมจดจำภาพที่แท็กภาพถ่ายบนโซเชียลมีเดียหรือระบุวัชพืชในไร่นา

 แอพแปลภาษา

เมื่อมองแวบแรก คำตอบก็ดูเหมือนจะชัดเจน: ลบคุณลักษณะที่ละเอียดอ่อน เช่น เชื้อชาติหรือเพศ ออกจากข้อมูลการฝึก ปัญหาคือ มีบางแง่มุมที่ไม่ละเอียดอ่อนอย่างเห็นได้ชัดของชุดข้อมูลที่สามารถเล่นพร็อกซีสำหรับคุณลักษณะที่ละเอียดอ่อนบางอย่างได้ รหัสไปรษณีย์อาจเกี่ยวข้องอย่างยิ่งกับเชื้อชาติ วิทยาลัยที่สำคัญในเรื่องเพศ สุขภาพกับสถานะทางเศรษฐกิจและสังคม

และอาจเป็นไปไม่ได้ที่จะบอกได้ว่าข้อมูลส่วนต่างๆ — มีความละเอียดอ่อนหรืออย่างอื่น — ปัจจัยในการตัดสินของอัลกอริทึม อัลกอริธึมแมชชีนเลิร์นนิงจำนวนมากพัฒนากระบวนการพิจารณาที่เกี่ยวข้องกับขั้นตอนที่ซับซ้อนหลายพันขั้นตอนจนไม่สามารถให้คนตรวจสอบได้

ผู้สร้างระบบแมชชีนเลิร์นนิง “เคยสามารถดูซอร์สโค้ดของโปรแกรมของเราและเข้าใจว่ามันทำงานอย่างไร แต่ยุคนั้นผ่านพ้นไปนานแล้ว” Simon DeDeo นักวิทยาศาสตร์ด้านความรู้ความเข้าใจที่ Carnegie Mellon University ในพิตต์สเบิร์กกล่าว ในหลายกรณี ทั้งผู้เขียนอัลกอริทึมและผู้ใช้ไม่ได้สนใจวิธีการทำงาน ตราบใดที่มันใช้งานได้ เขากล่าวเสริม “มันเหมือนกับ ‘ฉันไม่สนใจว่าคุณทำอาหารอย่างไร รสชาติดี’ ”

แต่ในกรณีอื่นๆ การทำงานภายในของอัลกอริธึมสามารถสร้างความแตกต่างระหว่างผู้ที่ได้รับทัณฑ์บน ตำแหน่งผู้บริหาร การจำนอง หรือแม้แต่ทุนการศึกษา ดังนั้นนักวิทยาศาสตร์คอมพิวเตอร์และข้อมูลจึงคิดค้นวิธีที่สร้างสรรค์ในการแก้ไขสถานะกล่องดำของอัลกอริธึมแมชชีนเลิร์นนิง

credit : comcpschools.com companionsmumbai.com comunidaddelapipa.com cubecombat.net daanishbooks.com