আমি ভাবছিলাম, নীতিগত / তাত্ত্বিক মেশিন লার্নিং কেন এত গুরুত্বপূর্ণ? একজন মানুষ হিসাবে ব্যক্তিগত দৃষ্টিকোণ থেকে, আমি বুঝতে পারি যে মূলত মেশিন লার্নিং কেন গুরুত্বপূর্ণ হবে:
- মানুষ তারা কী করছে তা বোঝার মতো, আমরা বোঝার জন্য সৌন্দর্য এবং সন্তুষ্টি পাই।
- তত্ত্বের দৃষ্টিকোণ থেকে গণিত মজাদার
- যখন এমন নীতি থাকে যা জিনিসগুলির নকশাকে গাইড করে, এলোমেলো অনুমান করা, অদ্ভুত পরীক্ষা এবং ত্রুটি করার জন্য কম সময় ব্যয় হয়। যদি আমরা বুঝতে পারি, বলুন, স্নায়বিক জালগুলি কীভাবে সত্যিই কাজ করে, আমরা এখনই এটির মধ্যে প্রচুর পরিমাণে পরীক্ষা এবং ত্রুটির চেয়ে আরও বেশি ভাল সময় ব্যয় করতে পারি।
- অতি সম্প্রতি, যদি নীতিগুলি পরিষ্কার হয় এবং তত্ত্বটিও পরিষ্কার হয় তবে সিস্টেমে আরও আশাবাদী হওয়া উচিত (আশাবাদী)। এটি ভাল কারণ কারণ যদি আমরা বুঝতে পারি যে সিস্টেমটি কী কাজ করছে, তবে এআই ঝুঁকি নিয়েছে যে প্রচুর লোকেরা প্রায়শই হাইপাই করে তাৎক্ষণিকভাবে চলে যায়।
- নীতিগুলি বিশ্বে যে গুরুত্বপূর্ণ কাঠামো থাকতে পারে এবং যখন অন্যটির পরিবর্তে কোনও সরঞ্জাম কখন ব্যবহার করা যায় তার সংক্ষিপ্ততর একটি উপায় বলে মনে হয়।
তবে, এই কারণগুলি কি মেশিন লার্নিংয়ের একটি তীব্র তাত্ত্বিক অধ্যয়নকে ন্যায়সঙ্গত করার পক্ষে যথেষ্ট শক্তিশালী? তত্ত্বের বৃহত্তম সমালোচনাগুলির মধ্যে একটি হ'ল এটি করা এত কঠোর হওয়ায় তারা সাধারণত কিছু খুব সীমাবদ্ধ কেস অধ্যয়ন করে বা অনুমিতিগুলি আনতে হয় যা মূলত ফলাফলকে অকেজো করে তোলে। আমার মনে হয় টরের স্রষ্টা এমআইটি-তে একটি আলাপে আমি এটি একবার শুনেছি। টরের তিনি যে সমালোচনা শুনেছেন তার মধ্যে কিছু তাত্ত্বিক যুক্তি কিন্তু মূলত, মানুষ কখনই বাস্তব জীবনের বাস্তব পরিস্থিতি সম্পর্কে জিনিস প্রমাণ করতে সক্ষম হয় না কারণ এগুলি এত জটিল।
এত নতুন কম্পিউটিং শক্তি এবং ডেটা সহ এই নতুন যুগে আমরা আমাদের মডেলগুলিকে বাস্তব ডেটা সেট এবং পরীক্ষা সেট দিয়ে পরীক্ষা করতে পারি। আমরা অভিজ্ঞতাবাদ ব্যবহার করে জিনিসগুলি কাজ করে কিনা তা দেখতে পারি। যদি আমরা পরিবর্তে এজিআই বা ইঞ্জিনিয়ারিং এবং অভিজ্ঞতাবাদ নিয়ে কাজ করে এমন সিস্টেমগুলি অর্জন করতে পারি তবে কী এখনও মেশিন লার্নিংয়ের জন্য নীতিগত এবং তাত্ত্বিক ন্যায়সঙ্গততা অনুসরণ করা মূল্যবান, বিশেষত যখন পরিমাণগত সীমাগুলি অর্জন করা খুব কঠিন, তবে অন্তর্দৃষ্টি এবং গুণগত উত্তরগুলি এত সহজ একটি ডেটা চালিত পদ্ধতির সাথে অর্জন? শাস্ত্রীয় পরিসংখ্যানগুলিতে এই পদ্ধতির উপলব্ধ ছিল না, এ কারণেই আমি মনে করি ততকালে তত্ত্বটি এত গুরুত্বপূর্ণ ছিল, কারণ গণিতই ছিল একমাত্র উপায় যে আমরা নিশ্চিত হতে পারি যে জিনিসগুলি সঠিক ছিল বা তারা যেভাবে আমাদের ধারণা করেছিল যেভাবে তারা কাজ করেছিল।
আমি ব্যক্তিগতভাবে সর্বদা ভালবাসি এবং তত্ত্বটি চিন্তা করেছি এবং একটি নীতিগত পদ্ধতির গুরুত্বপূর্ণ ছিল। তবে সত্যিকারের ডেটা এবং কম্পিউটারের শক্তি দিয়ে জিনিসগুলি চেষ্টা করে দেখার ক্ষমতাটি আমাকে অবাক করে দিয়েছে যে তাত্ত্বিক অনুসরণের উচ্চতর প্রচেষ্টা (এবং সম্ভাব্য কম পুরষ্কারগুলি) এখনও এটি মূল্যবান কিনা।
মেশিন লার্নিংয়ের তাত্ত্বিক এবং নীতিগত অনুসরণ কি সত্যিই গুরুত্বপূর্ণ?