De Kunstmatige Onvolkomenheden van Machine Learning

Introductie

Machine Learning is een techniek waarbij computerprogramma’s kunnen “leren” van data, zonder expliciete instructies. Het gebruikt algoritmes die geavanceerde gedragsmodellen maken zodat het kan voorspellen, herkennen of classificeren. Machine Learning-Algoritmen zijn innovatief, maar ze gaan nog verder. Lifehacker beweert zelfs dat “Machine Learning de kunst zelf zou kunnen vervangen”. Hoe goed is Machine Learning echt? Wat zijn de kunstmatige imperfecties? Deze korte whitepaper is gewijd aan dit onderwerp.

Kunstmatige Onvolkomenheden

Er is geen twijfel over dat Machine Learning de vertrouwde technieken van algoritmische benaderingen dienen te verfijnen. Maar we moeten ook de beperkingen ervan herkennen. Kunstmatige onvolmaaktheid beperkt het gebruik van Machine Learning.

Verkeerde voorspellingen

Machine Learning is gebaseerd op data en algoritmes die essentieel zijn voor voorspellingen. Maar het gebrek aan volledigheid, het gebruik van gedurfde hypothesen en als gevolg hiervan, verkeerde voorspellingen, verminderen het gebruik van Machine Learning als analytische selectie waarvan wordt beweerd.

Gebrek aan complexiteit

Algoritmen die voor Machine Learning worden gebruikt, draaien op een programmecode die overeenkomt met de data die worden gebruikt. Maar die niet in staat zijn de complexiteit van menselijke logica te volgen. Dit beperkt de omvang en de prestaties van Machine Learning.

Gebrekkige hoge prestaties

Hoewel Machine Learning een betere prestatie biedt dan andere opalgoritmes, is het resultaat niet de beste. Als gevolg hiervan kan het bijvoorbeeld niet helpen om een complexe taak vanuit een ander perspectief beter uit te voeren.

Valsspelers

Omdat Machine Learning algoritmen gebaseerd zijn op data, zijn algoritmische modellen kwetsbaar voor valsspelers. Dit betekent dat een aantal algoritme resultaten fout kunnen zijn als gevolg van verkeerde data.

Gebrek aan interpretatie

Algoritmes die voor Machine Learning worden gebruikt, draaien op een programmecode die overschrijft op de data die wordt gebruikt. Dit betekent dat computers geen machines zijn die de betekenis en context kunnen begrijpen.

Gebrek aan menselijke feedback

Algoritme regels zijn vatbaar voor regels die bepaald zijn door mensen. Aangezien mensen een grote invloed hebben op algoritmen, kan de resulterende output onbetrouwbaar zijn.

Vastbeslotenheid

Machine Learning is ontworpen met algoritmes die vertrouwd zijn met gestructureerde data. Wanneer er met ongestructureerde data wordt gewerkt, zal het experiment niet altijd succesvol zijn.

Conclusie

Machine Learning wordt vaak gezien als de kunst van het verkrijgen van kennis uit data. Hoewel het behoorlijk innovatief is, zijn er nog veel kunstmatige imperfecties waarmee te maken heeft. Deze imperfecties maar beperken de algemene prestaties van Machine Learning. Voor een uiteindelijke analyticale selectie met betrouwbare resultaten, is het absoluut noodzakelijk om van menselijke expertise gebruik te maken.