یادگیری ماشین

یادگیری ماشینی در پشت اکثر چت‌بات ها و متن‌های پیش‌بینی‌کننده، برنامه‌های مترجم زبان، برنامه‌هایی که Netflix به شما پیشنهاد می‌دهد و فیدهای شبکه‌های اجتماعی شما حضور دارد. توانایی اصلی ماشین‌های خودران امروزی نیز از همین نوع است و حتی ماشین‌ها می‌توانند تشخیص پزشکی را بر اساس پردازش تصاویر انجام دهند. 

امروزه وقتی شرکت‌ها از برنامه‌های هوش مصنوعی استفاده می‌کنند، به‌احتمال زیاد از یادگیری ماشین هم استفاده می‌کنند - به حدی که اصطلاحات آنها اغلب به‌جای هم استفاده شده و ایجاد ابهام می‌کند - یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است که به کامپیوتر توانایی یادگیری مسائل را بدون برنامه‌ریزی مشخص و از پیش تعیین شده، می‌دهد. 

 به گفته توماس دمالون، مدیر و مؤسس مرکز اطلاعات جمعی و استاد دانشکده مدیریت دانشگاه MIT "تنها در مدت 5 یا 10 سال گذشته یادگیری ماشین به یک روش حیاتی تبدیل شده است که بدون شک مهم‌ترین راه انجام پذیری اکثر بخش‌های هوش مصنوعی است و به همین دلیل برخی از افراد از اصطلاحات هوش مصنوعی و یادگیری ماشین تقریباً مترادف هم استفاده می‌کنند. به‌طورکلی می‌توان گفت بیشتر پیشرفت‌های فعلی در هوش مصنوعی مربوط به یادگیری ماشین است" 

با فراگیر شدن روزافزون یادگیری ماشین، همه افراد فعال در حوزه کسب‌وکار احتمالاً با آن روبرو می‌شوند و به دانش کاربردی در این زمینه نیاز دارند. یک نظرسنجی در سال 2020 نشان داد که 67٪ شرکت‌ها از یادگیری ماشین استفاده می‌کنند و 97٪ از آنها برنامه دارند که در سال آینده استفاده کنند یا اینکه قصد استفاده از آن را دارند. 

از تولیدات گرفته تا خرده‌فروشی، امور بانکی گرفته تا نانوایی و حتی شرکت‌های با متد قدیمی نیز از یادگیری ماشین برای ایجاد ارزش جدید یا افزایش کارایی سیستم خود استفاده می‌کنند. الکساندر مادری، استاد علوم کامپیوتر MIT و مدیر مرکز یادگیری ماشین استقرار پذیر MIT ، می‌گوید: "یادگیری ماشین هر صنعتی را تغییر داده یا تغییر خواهد داد، و رهبران شرکت‌ها و صنایع مختلف باید اصول پایه‌ای، پتانسیل‌ها و محدودیت‌های آن را درک کنند ". 

مادری در ادامه می‌افزاید: اگرچه همه افراد نیازی به دانستن جزئیات فنی ندارند، اما باید بدانند که این فناوری چطور کار می‌کند، توانایی چه‌کارهایی را دارد و چه‌کارهایی را نمی‌تواند انجام دهد ."من فکر نمی‌کنم کسی دوست داشته باشد از آنچه در حال اتفاق است بی‌خبر باشد که شامل آگاهی از پیامدهای اجتماعی، موارد تأثیرگذار در جامعه و اخلاق یادگیری ماشین است".

 به گفته دکتر جان لارویره، پزشک بخش مراقبت‌های ویژه قلب کودکان و بنیان‌گذار مؤسسه غیرانتفاعی بنیاد فضیلت: "مهم است که درگیر کار شوید و شروع به فهمیدن این ابزارها کنید، و سپس به این فکر کنید که چگونه می‌توانید از آنها به‌خوبی استفاده کنید، باید از این [ابزارها] برای منفعت رساندن به همه استفاده کنیم " "هوش مصنوعی پتانسیل بسیار بالایی برای انجام کارهای خوب دارد و ما باید درحالی‌که به این موضوع توجه داریم، همواره از خود بپرسیم که چگونه از این ابزارها برای بهتر کردن جهان استفاده کنیم؟ "

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است که به‌طورکلی توانایی یک ماشین در تقلید از رفتار هوشمند انسان تعریف می‌شود. از سیستم‌های هوش مصنوعی برای انجام کارهای پیچیده به شیوه‌ای استفاده می‌شود که شبیه نحوه حل کردن مسائل توسط انسان است.

 به گفته بوریس کاتز، یک دانشمند محقق و رئیس گروه InfoLab در CSAIL ، هدف هوش مصنوعی ایجاد مدل‌های رایانه‌ای است که "رفتارهای هوشمندانه" شبیه انسان را تقلید کند. این به معنای آن است که می‌توانند یک صحنه بصری را تشخیص دهند، متنی را که به زبان طبیعی نوشته شده است درک کنند یا عملی را در دنیای واقعی انجام دهند.

یادگیری ماشینی یکی از راه‌های استفاده از هوش مصنوعی است که در دهه 1950 توسط پیش‌گام هوش مصنوعی آرتور ساموئل به‌عنوان "رشته‌ای تحصیلی که به کامپیوتر توانایی یادگیری بدون برنامه‌ریزی مشخص و واضح را می‌دهد" تعریف شد.

طبق نظر مایکل شولمن این تعریف درست است، او یک مدرس در دانشکده مدیریت MIT، رئیس بخش یادگیری ماشین در کنشو و متخصص هوش مصنوعی برای امور مالی و جوامع اطلاعاتی ایالات متحده است. وی روش سنتی برنامه‌نویسی رایانه‌ها یا "نرم‌افزار 1" را با نانوایی مقایسه می‌کند، جایی که طبق یک دستورالعمل مشخص نیاز به مقدار دقیقی از مواد لازم است و حتی برای نانوا تعیین شده که مدت‌زمان دقیق مخلوط مواد با یکدیگر چقدر است. برنامه‌نویسی سنتی به همین صورت نیاز به ایجاد دستورالعمل‌های دقیق جهت دنبال شدن توسط رایانه دارد.

اما در برخی موارد، نوشتن برنامه‌ای برای دنبال شدن دقیق، توسط ماشین وقت‌گیر یا در مواردی غیرممکن است، مانند آموزش کامپیوتر برای تشخیص چهره افراد مختلف در تصاویر. درحالی‌که انسان می‌تواند این کار را به‌راحتی انجام دهد دشوار است که به کامپیوتر بگوییم چگونه آن را انجام دهد. یادگیری ماشینی امکانی را در اختیار شما قرار می‌دهد که به کامپیوترها اجازه دهید برنامه‌های خود را از طریق تجربه‌کردن یاد گرفته و انجام دهند.

یادگیری ماشین با داده شروع می‌شود، انواع داده‌ها شامل - اعداد، عکس‌ها، متن، تراکنش‌های بانکی، تصاویر افراد یا حتی اقلام نانوایی، سوابق تعمیرات، داده‌ها به شکل سری زمانی، داده‌های حسگرها یا گزارش‌های فروش همگی قابل‌استفاده هستند. داده‌ها جمع‌آوری‌شده و آماده‌سازی می‌شوند تا به‌عنوان داده‌های آموزشی مورداستفاده قرار گیرند، اطلاعاتی که مدل یادگیری ماشین به‌وسیله آنها آموزش داده خواهد شد. به عبارتی: داده بیشتر، برنامه بهتر.

بعد از مشخص‌شدن داده‌ها برنامه‌نویسان یک مدل یادگیری ماشین را انتخاب می‌کنند، داده‌ها را تهیه می‌کنند و اجازه می‌دهند مدل رایانه‌ای خود را برای یافتن الگوها یا انجام پیش‌بینی‌ها آموزش دهد. با گذشت زمان، برنامه‌نویس می‌تواند مدل را تغییر دهد، از جمله تغییر پارامترها برای کمک به هدایت کردن مدل به سمت نتایج دقیق‌تر. وب‌سایتAI Weirdness  (متعلق به دانشمند تحقیقاتی جنل شین) نگاه جالبی به این موضوع دارد که چگونه الگوریتم‌های یادگیری ماشین، یاد می‌گیرند و چگونه برخی از کارها را اشتباه انجام دهند – مانند اتفاقی که در آن یک الگوریتم سعی در تهیه دستور پخت کیک مرغ با استفاده از شکلات و مرغ کرد.

برخی از داده‌ها از داده‌های آموزشی جدا می‌شوند تا به‌عنوان داده‌های ارزیابی مورداستفاده قرار بگیرند، این داده‌ها جهت آزمایش دقت عمل مدل یادگیری ماشین پیش از اعمال آن بر داده‌های جدید استفاده می‌شوند. نتیجه مدلی است که می‌تواند در آینده برای مجموعه داده‌های مختلفی مورداستفاده قرار گیرد.

مالون در تحقیقاتی که اخیراً در مورد هوش مصنوعی و آینده کارها توسط او و مدیر CSAIL ، دانیلا روس و رابرت لاوباکر دررابطه‌با هوش جمعی انجام شد، خاطرنشان می‌کند که یک الگوریتم موفق یادگیری ماشین الگوریتمی است که توانایی انجام کارهای مختلف را داشته باشد.

این محققان می‌نویسند: "کار یک سیستم یادگیری ماشین می‌تواند توصیفی باشد، به این معنی که سیستم از داده‌ها برای توضیح آنچه اتفاق افتاده استفاده کند، یا می‌تواند پیش‌بینی‌کننده باشد، به این معنی که سیستم از داده‌ها برای پیش‌بینی وقایع استفاده می‌کند، یا تجویزی باشد، به این معنی که سیستم از داده‌ها برای ارائه پیشنهاد جهت انجام اقدامات آتی استفاده می‌کند"

به‌طورکلی یادگیری ماشین دارای سه زیرمجموعه است:

یادگیری تحت نظارت: مدل‌های یادگیری ماشین تحت نظارت با مجموعه داده‌های برچسب‌گذاری شده آموزش داده می‌شوند و به مدل‌ها اجازه می‌دهند با گذشت زمان دقیق‌تر شده و رشد کنند. به‌عنوان‌مثال، یک الگوریتم با تصاویر سگ‌ها و چیزهای دیگر آموزش داده می‌شود که همه آنها توسط انسان برچسب‌گذاری شده‌اند، سپس دستگاه می‌تواند روش شناسایی تصاویر سگ‌ها را به‌تنهایی یاد بگیرد. یادگیری ماشین تحت نظارت متداول‌ترین نوع یادگیری ماشین است که امروزه مورداستفاده قرار می‌گیرد.

یادگیری بدون نظارت: در یادگیری ماشین بدون نظارت، یک برنامه به دنبال یافتن الگوهایی در داده‌های بدون برچسب است. یادگیری ماشین بدون نظارت می‌تواند الگوها یا روندهایی را پیدا کند که افراد قادر به تشخیص آنها نیستند و یا نمی‌توانند به‌وضوح آن‌ها را مشخص کنند. به‌عنوان‌مثال، یک برنامه یادگیری ماشین بدون نظارت می‌تواند داده‌های فروش آنلاین را بررسی کند و انواع مختلف مشتری‌ها را که تاکنون خرید کرده‌اند شناسایی کند.

یادگیری تقویتی: یادگیری ماشین تقویتی، ماشین‌ها را از طریق آزمون‌وخطا آموزش می‌دهد و با ایجاد یک سیستم پاداش‌دهی به ماشین می‌فهماند که بهترین اقدامات را انجام دهد. یادگیری تقویتی می‌تواند بگوید که ماشین چه هنگام تصمیمی صحیح گرفته است، مدل‌ها را برای انجام بازی‌ها به‌خوبی آموزش داده و یا وسایل نقلیه خودران را برای رانندگی آماده کرده است و به همه آنها کمک می‌کند تا یاد بگیرند که با گذشت زمان چه اقداماتی را انجام دهند.

در مقاله "مختصر کار آینده" ، مالون خاطرنشان می‌کند که یادگیری ماشین برای موقعیت‌هایی مناسب است که داده‌های زیادی وجود دارد – برای نمونه رکورد مکالمات گذشته مشتریان، اطلاعات ثبت شده توسط سنسورهای ماشین‌ها یا تراکنش‌های دستگاه‌های خودپرداز از این جمله‌اند. به‌عنوان‌مثال، مترجم گوگل به این دلیل خوب عمل می‌کند که آن را با مقدار زیادی اطلاعات در بستر وب و به زبان‌های مختلف آموزش داده‌اند.

مادری می‌گوید: در بعضی موارد، یادگیری ماشینی می‌تواند خود به بینشی دست یابد و یا تصمیم‌گیری را به‌صورت خودکار انجام دهد. وی می‌افزاید: "ممکن است به نظر برسد داشتن الگوریتمی برای انجام این امور راندمان بهتر و کم‌هزینه‌تر دارد، اما باید توجه کرد که انسان در واقع قادر به انجام برخی از این کارها نیست".

مالون می‌گوید، جستجوی گوگل کاری است که بشر هم می‌تواند انجام دهد، اما هرگز با مقیاس و سرعتی که مدل‌های گوگل قادر به نشان‌دادن پاسخ‌های بالقوه در زمانی کوتاه (به‌محض اینکه شخص درخواست را تایپ می‌کند) هستند، برای انسان ممکن نیست، "این‌ها نمونه کامپیوتری نیستند که مردم را از کار بیکار می‌کنند، در واقع رایانه‌هایی هستند برای انجام کارهایی که اگر این کارها توسط انسان انجام می‌شد نه‌تنها اقتصادی نبود بلکه امکان انجامشان به‌صورت غیرحضوری وجود نداشت.

یادگیری ماشین با چندین زیرشاخه هوش مصنوعی دیگر نیز مرتبط است:

پردازش زبان طبیعی

پردازش زبان طبیعی بخشی از یادگیری ماشین است که در آن ماشین‌ها به‌جای داده و اعدادی که معمولاً برای برنامه‌نویسی رایانه استفاده می‌شوند، یاد می‌گیرند که زبان طبیعی را آن‌طور که انسان به‌صورت گفتاری و نوشتاری استفاده می‌کند درک کند. این کار به ماشین اجازه می‌دهد تا زبان‌ها را تشخیص دهد، آن‌ها را درک کند و به آن‌ها پاسخ دهد، همچنین متن جدیدی ایجاد کند و زبان‌ها را به یکدیگر ترجمه کند. پردازش زبان طبیعی فناوری‌های آشنایی مانند چت‌بات‌ها و دستیارهای هوشمند مانند Siri یا Alexa را امکان‌پذیر می‌کند.

شبکه‌های عصبی

شبکه‌های عصبی یک کلاس خاص از الگوریتم‌های یادگیری ماشین هستند که موارد استفاده از آنها زیاد است. شبکه‌های عصبی مصنوعی از مغز انسان الگوبرداری شده‌اند که در آن هزاران یا میلیون‌ها گره پردازشی به‌هم‌پیوسته و به‌صورت لایه‌ای و سازمان‌یافته کار می‌کنند.

در یک شبکه عصبی مصنوعی، سلول‌ها یا گره‌ها با هم در ارتباط هستند. هر سلول ورودی را دریافت کرده و پردازش می‌کند و یک خروجی تولید می‌کند که آن نیز به‌عنوان ورودی به سلول‌های عصبی دیگر ارسال می‌شود. داده‌های برچسب‌گذاری شده به درون گره‌ها یا سلول‌ها حرکت می‌کنند و هر سلول کار متفاوتی را انجام می‌دهد. در یک شبکه عصبی آموزش‌دیده برای شناسایی اینکه آیا یک عکس حاوی گربه است یا خیر، گره‌های مختلف اطلاعات را ارزیابی می‌کنند و به یک خروجی می‌رسند که نشان می‌دهد که یک عکس شامل گربه است یا خیر.

یادگیری عمیق

شبکه‌های یادگیری عمیق شبکه‌های عصبی با لایه‌های زیاد هستند. شبکه عصبی می‌تواند مقدار زیادی داده را پردازش کرده و "وزن" هر پیوند را در شبکه تعیین کند - به‌عنوان‌مثال، در یک سیستم تشخیص تصویر، برخی از لایه‌های شبکه عصبی ممکن است ویژگی‌های مجزای صورت، مانند چشم، بینی، یا دهان را تشخیص دهند درحالی‌که لایه دیگری قادر خواهد بود تشخیص دهد که آیا این ویژگی‌ها نشان‌دهنده صورت هستند یا خیر.

مانند شبکه‌های عصبی، یادگیری عمیق نیز بر اساس نحوه کار مغز انسان ایجاد شده و به بسیاری از کاربردهای یادگیری ماشین، مانند وسایل نقلیه خودران، چت‌بات‌ها و تشخیص‌های پزشکی قدرت می‌بخشد.

مالون می‌گوید: "هرچقدر لایه‌های بیشتری داشته باشید، توانایی بیشتری برای انجام کارهای پیچیده دارید"

یادگیری عمیق به قدرت محاسباتی زیادی احتیاج دارد که باعث ایجاد نگرانی در مورد پایداری اقتصادی و تأثیرات زیست‌محیطی آن می‌شود.

یادگیری ماشینی هسته اصلی مدل‌های تجاری برخی از شرکت‌ها است، مانند الگوریتم پیشنهادهای نت فلیکس یا موتور جستجو گوگل و شرکت‌های دیگر نیز شدیداً با یادگیری ماشین درگیر هستند، هرچند که کار اصلی آنها نیست. دیگران هنوز در تلاش هستند تا نحوه استفاده از یادگیری ماشین را به روشی سودمند برای سازمان خود بیابند. شولمن می‌گوید: "به نظر من، یکی از سخت‌ترین مسائل در حوزه یادگیری ماشین این است که بفهمیم با یادگیری ماشین چه مشکلی را می‌توانیم حل کنیم هنوز شکاف بزرگی برای درک این مسائل وجود دارد"

در مقاله‌ای که در سال 2018 ، محققان MIT در زمینه اقتصاد دیجیتال نوشتند،21 سؤال اساسی را برای تعیین مناسب بودن یک حرفه برای استفاده از یادگیری ماشین مطرح کردند. محققان دریافتند که هیچ شغلی از یادگیری ماشینی بی‌تأثیر نخواهد بود، اما هیچ شغلی نیز به طور کامل توسط آن تسخیر نمی‌شود همچنین محققان دریافتند که راه موفقیت در یادگیری ماشین، سازماندهی مجدد مشاغل و تقسیم آنها به کارهای گسسته است تا بتوان کارها را دسته‌بندی کرد و متوجه شد کدام‌یک از آنها با یادگیری ماشینی قابل انجام است، و کدام به انسان احتیاج دارد.

شرکت‌ها در حال حاضر از چندین طریق از یادگیری ماشین استفاده می‌کنند، از جمله:

الگوریتم‌های توصیه گر:

موتورهای توصیه گر، پشت پیشنهادهای Netflix و یوتیوب وجود دارند. همچنین در اطلاعاتی که در فیدهای فیس‌بوک خود مشاهده می‌کنید. اکثر توصیه محصول‌های آنلاین توسط یادگیری ماشین انجام می‌شود. مادری می‌گوید: " [الگوریتم‌ها] سعی می‌کنند اولویت‌های ما را یاد بگیرند، آنها می‌خواهند یاد بگیرند، مثلاً در توییتر، ما می‌خواهیم چه توییت‌هایی به ما نشان داده شود، در فیسبوک، چه تبلیغاتی را ببینیم، چه پست‌ها یا محتوایی را دوست داریم که برایمان به اشتراک گذاشته شود"

تجزیه‌وتحلیل تصویر و تشخیص اشیا

یادگیری ماشینی می‌تواند تصاویر را برای دریافتن اطلاعات مختلف تجزیه‌وتحلیل کند، مانند شناسایی افراد و تشخیص چهره آنها از یکدیگر، اگرچه الگوریتم‌های تشخیص چهره بحث‌برانگیز هستند اما کاربردهای تجاری برای این کار متفاوت است. شولمن خاطرنشان می‌کند که صندوق‌های پوشش ریسک به این مشهور هستند که از یادگیری ماشین برای تجزیه‌وتحلیل تعداد اتومبیل‌ها در پارکینگ‌ها استفاده می‌کنند، این کار به آنها کمک می‌کند تا نحوه عملکرد شرکت‌ها را بشناسند و با استفاده از این اطلاعات شرط‌بندی‌های خوبی انجام دهند.

تشخیص تقلب 

ماشین‌ها می‌توانند الگوها را تجزیه‌وتحلیل کنند، مانند چگونگی هزینه‌های افراد یا خریدهای معمول، تا تراکنش‌های بالقوه جعلی کارت اعتباری را تشخیص دهند و تلاش برای ورود به سیستم یا ایمیل‌های هرزنامه را شناسایی کنند.

خطوط راهنمایی خودکار یا چت‌بات‌ها

بسیاری از شرکت‌ها در حال استقرار چت‌بات‌های آنلاین هستند که در آن مشتریان یا مشرکین با کارشناسان صحبت نمی‌کنند بلکه با یک ماشین ارتباط برقرار می‌کنند. این الگوریتم‌ها از یادگیری ماشین و پردازش زبان طبیعی استفاده می‌کنند و با استفاده از سوابق مکالمات گذشته یاد می‌گیرند تا پاسخ‌های مناسبی ارائه دهند.

اتومبیل‌های خودران

 بیشتر فناوری پشت اتومبیل‌های خودران مبتنی بر یادگیری ماشین، به‌ویژه یادگیری عمیق است.

تصویربرداری و تشخیص پزشکی

برنامه‌های یادگیری ماشین را می‌توان برای بررسی تصاویر پزشکی جهت جستجوی نشانه‌های خاصی از بیماری آموزش داد، مانند ابزاری که می‌تواند خطر ابتلا به سرطان را بر اساس ماموگرافی پیش‌بینی کند.

درحالی‌که یادگیری ماشینی به رشد فن آوری سرعت می‌دهد، می‌تواند به کارگران هم کمک کند یا امکانات جدیدی را برای مشاغل ایجاد کند. به همین دلیل موارد زیادی وجود دارد که مدیران کسب‌وکارها باید در مورد یادگیری ماشین و محدودیت‌های آن اطلاع داشته باشند. 

توضیح پذیری 

یکی از موضوعات نگران‌کننده، مشکلی است که متخصصان آن را توضیح پذیری می‌نامند، یعنی مشخص‌کردن اینکه مدل‌های یادگیری ماشین به طور روشن و شفاف چه کاری انجام می‌دهند و نحوه تصمیم‌گیری آنها چگونه است. مادری می‌گوید: "درک اینکه یک مدل آنچه را انجام می‌دهد چگونه انجام می‌دهد بسیار دشوار است و شما همیشه باید این مسئله را از خود بپرسید" همچنین می‌افزاید: "شما هرگز نباید یادگیری ماشین را به‌عنوان یک جعبه سیاه و اوراکل در نظر بگیرید، درست است که شما باید از آن استفاده کنید اما باید سعی کنید متوجه شوید که قواعد حاکم بر آن چیست؟ و سپس آنها را تأیید کنید " 

این امر به‌ویژه ازاین‌جهت مهم است که ممکن است سیستم‌ها فریب‌خورده و خدشه‌دار شوند، یا در هنگام انجام وظایف خود از کار بافتند، حتی در آن دسته از کارهایی که برای انسان به‌راحتی قابل انجام است. به‌عنوان‌مثال، تنظیمات الگوریتم در تشخیص تصاویر می‌تواند رایانه‌ها را گیج کند به‌طوری‌که با چند تنظیم، یک ماشین تصویر یک سگ را به‌عنوان شترمرغ شناسایی می‌کند. 

مادری به مثال دیگری اشاره می‌کند: به نظر می‌رسد الگوریتم یادگیری ماشین برای بررسی اشعه ایکس بهتر از پزشکان عمل می‌کند. اما معلوم شده که نتایج الگوریتم بیشتر به دستگاه‌هایی که تصویر را گرفته‌اند ارتباط دارد تا خود تصویر. برای نمونه بیماری سل در کشورهای درحال‌توسعه که تمایل به داشتن ماشین‌های تصویربرداری قدیمی دارند بیشتر دیده می‌شود. برنامه یادگیری ماشین آموخته که اگر عکس‌برداری اشعه ایکس با دستگاه قدیمی انجام شود، احتمال ابتلای بیمار به سل بیشتر است، در واقع ماشین وظیفه خود را کامل انجام داده ولی نه به روش و نتیجه‌ای که مورد انتظار برنامه‌نویسان بوده است. 

شولمن می‌گوید، اهمیت توضیح نحوه کارکرد یک مدل - و صحت آن - بسته به مورداستفاده از آن متفاوت است. وی می‌گوید درحالی‌که بسیاری از مشکلات مطرح شده از طریق یادگیری ماشینی قابل‌حل است، باید در نظر داشت که مدل‌ها فقط در حدود 95٪ دقت انسان را دارند. اگر یک الگوریتم توصیه‌کننده فیلم 95٪ دقیق باشد، برای برنامه‌نویسان و بیننده مشکلی ایجاد نمی‌کند، اما این سطح از دقت برای یک وسیله نقلیه خودران یا برنامه‌ای که برای یافتن ایرادهای جدی در ماشین‌آلات طراحی شده کافی نیست.

تعصب و نتایج ناخواسته

ماشین‌ها توسط انسان آموزش می‌بینند و تعصبات انسانی می‌تواند در الگوریتم‌ها گنجانده شود - اگر اطلاعات مغرضانه یا داده‌هایی که نابرابری‌های موجود را منعکس می‌کنند، به یک برنامه یادگیری ماشین منتقل شوند، برنامه هم یاد می‌گیرد که آن را تکرار کند و تبعیض را تداوم بخشد به‌عنوان‌مثال ممکن است چت‌بات‌ها نحوه مکالمه افراد در توییتر را با استفاده از زبان توهین‌آمیز و نژادپرستانه آموزش ببینند.

در بعضی موارد، مدل‌های یادگیری ماشین مشکلات اجتماعی را ایجاد یا تشدید می‌کنند، به‌عنوان‌مثال، فیس‌بوک از یادگیری ماشین به‌عنوان ابزاری برای نشان‌دادن تبلیغات و محتوای موردعلاقه کاربران استفاده می‌کند – که این خود منجر به نمایش مدل‌هایی با محتوای افراطی به مردم شده و نتیجه آن دوقطبی شدن و گسترش تئوری‌های توطئه میان مردم شده است. به‌خصوص زمانی که به مردم محتوایی با موضوع درگیری‌های حزبی، یا اطلاعات نادرست نشان داده می‌شود.  

راه‌های مبارزه با تعصب در یادگیری ماشینی از جمله تأیید دقیق داده‌های آموزشی، قراردادن پشتیبانی سازمانی در ویژگی‌های اخلاقی هوش مصنوعی، اطمینان از اینکه سازمان شما فقط هوش مصنوعی انسان‌محور را می‌پذیرد، جستجوی اطلاعات از افراد با پیشینه‌ها، تجربیات و سبک زندگی مختلف در هنگام طراحی سیستم‌های هوش مصنوعی می‌باشند. در حال حاضر ابتکاراتی هستند که روی این موضوع‌ها کار می‌کنند از جمله "لیگ عدالت الگوریتمی "و "پروژه ماشین اخلاقی". 

شولمن می‌گوید: مدیران تمایل دارند تا درک کنند که دقیقاً در چه قسمتی یادگیری ماشین می‌تواند برای شرکت آنها ارزش افزوده ایجاد کند. آنچه برای یک شرکت فقط جالب است ممکن است برای شرکت دیگر هسته اصلی کارش باشد. مشاغل باید از ترندهای موجود پرهیز کنند و موارد استفاده تجاری را که برای آنها مفید است پیدا کنند.

شولمن می‌گوید روشی که یادگیری ماشین در آمازون در حال استفاده است، قرار نیست در یک شرکت اتومبیل‌سازی مورداستفاده قرار گیرد - درحالی‌که آمازون در استفاده از دستیاران صوتی و بلندگوهای صوتی فرمان‌پذیر موفقیت کسب کرده است، این بدان معنی نیست که شرکت‌های خودروسازی باید اولویت خود را بر این بگذارند که بلندگوهای این‌چنینی را به اتومبیل اضافه کنند. او می‌گوید، به‌احتمال زیاد، شرکت خودروسازی ممکن است راهی برای استفاده از یادگیری ماشین در خط کارخانه پیدا کند که موجب صرفه‌جویی یا درآمد بالاتر آنها شود.

شولمن می‌گوید: "این حوزه خیلی سریع در حال پیشروی است و بسیار جذاب است، اما تصمیم‌گیری در مورد نحوه استفاده از آن و میزان اختصاص منابع به آن برای مدیران دشوار است" 

شولمن می‌گوید، بهتر است از یادگیری ماشین به‌عنوان راهی برای تشخیص مسئله استفاده نشود. برخی از شرکت‌ها ممکن است از یادگیری ماشین جهت پشتیبانی از یک فعالیت تجاری در عوض شروع یا تمرکز بر این فناوری استفاده کنند. مشاغل باید کار خود را با تمرکز بر یک مشکل تجاری یا نیاز مشتری که به‌وسیله یادگیری ماشین برطرف می‌شود شروع کنند.

لارور می‌گوید، درک اساسی از یادگیری ماشین مهم است، اما در نهایت یافتن استفاده مناسب از یادگیری ماشین به عهده افراد با تخصص‌های متفاوت در قالب یک تیم است "من دانشمند داده نیستم من کار واقعی مهندسی داده را انجام نمی‌دهم – کلیه مراحل شامل جمع‌آوری داده‌ها، پردازش و فعال‌کردن برنامه‌های یادگیری ماشین - اما من آن را به‌اندازه‌ای درک می‌کنم که بتوانم با آن تیم‌ها کار کنم و پاسخ‌های لازم و تأثیرات موردنظر را دریافت کنم. " "شما واقعاً باید در یک تیم کار کنید

"