विषय
प्रश्न:
पारदर्शिता की तलाश करने के लिए डेटा वैज्ञानिकों के लिए क्यों महत्वपूर्ण है?
ए:
डेटा साइंस प्रोजेक्ट्स और मशीन लर्निंग प्रोग्राम्स में पारदर्शिता अनिवार्य रूप से महत्वपूर्ण है, क्योंकि यह जटिलता और परिष्कार के कारण है जो उन्हें ड्राइव करता है - क्योंकि ये प्रोग्राम पूर्वनिर्धारित रैखिक प्रोग्रामिंग निर्देशों का पालन करने के बजाय "सीखने" (संभाव्य परिणाम उत्पन्न करना) हैं, और परिणामस्वरूप, यह समझना कठिन हो सकता है कि प्रौद्योगिकी कैसे निष्कर्ष पर पहुंच रही है। मशीन लर्निंग एल्गोरिदम की "ब्लैक बॉक्स" समस्या जो पूरी तरह से मानव निर्णय लेने वालों के लिए स्पष्ट नहीं है, इस क्षेत्र में एक बड़ा है।
इस बात को ध्यान में रखते हुए, व्याख्यात्मक मशीन सीखने या "व्याख्या करने योग्य एआई" में मास्टर होने में सक्षम होना मुख्य रूप से एक डेटा वैज्ञानिक के लिए प्रतिभा अधिग्रहण को आगे बढ़ाने में मुख्य ध्यान होगा। पहले से ही DARPA, संस्था जो हमें इंटरनेट लाती है, व्याख्यात्मक AI में एक मल्टीमिलियन-डॉलर के अध्ययन को वित्तपोषित कर रही है, मशीन सीखने और कृत्रिम बुद्धिमत्ता प्रौद्योगिकियों को बनाने के लिए आवश्यक कौशल और संसाधनों को बढ़ावा देने की कोशिश कर रही है जो मनुष्यों के लिए पारदर्शी हैं।
इसके बारे में सोचने का एक तरीका यह है कि अक्सर प्रतिभा विकास का एक "साक्षरता मंच" और एक "हाइपरलैरिटी चरण" होता है। एक डेटा वैज्ञानिक के लिए, पारंपरिक साक्षरता चरण में मशीन सीखने के कार्यक्रमों को कैसे बनाया जाए और कैसे बनाया जाए, इसका ज्ञान होगा। पायथन जैसी भाषाओं के साथ एल्गोरिदम; कैसे तंत्रिका नेटवर्क का निर्माण और उनके साथ काम करने के लिए। हाइपरलैरिटी चरण व्याख्या करने योग्य एआई को मास्टर करने की क्षमता होगी, मशीन लर्निंग एल्गोरिदम के उपयोग में पारदर्शिता प्रदान करने और पारदर्शिता को बनाए रखने के लिए क्योंकि ये कार्यक्रम अपने लक्ष्यों और अपने संचालकों के लक्ष्यों की दिशा में काम करते हैं।
डेटा विज्ञान में पारदर्शिता के महत्व को समझाने का एक और तरीका यह है कि जिन डेटा सेटों का उपयोग किया जा रहा है, वे अधिक परिष्कृत हो रहे हैं, और इसलिए लोगों के जीवन में अधिक संभावित घुसपैठ हैं। व्याख्यात्मक मशीन सीखने और डेटा विज्ञान का एक अन्य प्रमुख ड्राइवर यूरोपीय जनरल डेटा प्रोटेक्शन विनियमन है जिसे हाल ही में व्यक्तिगत डेटा के अनैतिक उपयोग पर अंकुश लगाने के लिए लागू किया गया था। GDPR को परीक्षण के मामले के रूप में उपयोग करते हुए, विशेषज्ञ देख सकते हैं कि डेटा विज्ञान परियोजनाओं की व्याख्या करने की आवश्यकता गोपनीयता और सुरक्षा चिंताओं के साथ-साथ व्यावसायिक नैतिकता में कैसे फिट होती है।