تحديات التعلم الآلي: مراجعة نقدية

مفهوم التعلم له تفسيرات متعددة، تتراوح بين اكتساب المعرفة أو المهارات إلى بناء المعنى والتنمية الاجتماعية. يُعتبر التعلم الآلي (ML) فرعاً من فروع الذكاء الاصطناعي (AI) ويطور خوارزميات يمكنها التعلم من البيانات وتعميم أحكامها على ملاحظات جديدة من خلال استغلال طرق إحصائية في المقام الأول. شهد الألفية الجديدة انتشار الشبكات العصبية الاصطناعية (ANNs)، وهي صيغة قادرة على تحقيق إنجازات مذهلة في المشكلات المعقدة مثل رؤية الحاسوب والتعرف على اللغة الطبيعية. على وجه الخصوص، يدعي المصممون أن هذه الصيغة تشبه إلى حد كبير الطريقة التي تعمل بها الخلايا العصبية البيولوجية. يجادل هذا العمل بأنه على الرغم من أن التعلم الآلي له أساس رياضي/إحصائي، إلا أنه لا يمكن اعتباره علماً بشكل صارم، على الأقل من منظور منهجي. السبب الرئيسي هو أن خوارزميات التعلم الآلي لها قوة تنبؤية ملحوظة على الرغم من أنها لا يمكن أن تقدم بالضرورة تفسيراً سببياً حول التنبؤات التي تحققها. على سبيل المثال، يمكن تدريب شبكة عصبية اصطناعية على مجموعة بيانات كبيرة من المعلومات المالية للمستهلكين للتنبؤ بالجدارة الائتمانية. يأخذ النموذج في اعتباره عوامل مختلفة مثل الدخل، تاريخ الائتمان، الديون، أنماط الإنفاق، وغير ذلك. ثم ينتج عن ذلك درجة ائتمان أو قرار بشأن الموافقة على الائتمان. ومع ذلك، فإن الطبيعة المعقدة ومتعددة الطبقات للشبكة العصبية تجعل من شبه المستحيل فهم العوامل المحددة أو تركيبات العوامل التي يستخدمها النموذج للتوصل إلى قراره. يمكن أن تكون هذه الافتقار إلى الشفافية تمثل مشكلة، خاصة إذا كان النموذج ينكر الائتمان ويريد المتقدم معرفة الأسباب المحددة للرفض. طبيعة