Új megközelítés csökkentené az AI-tanulás matematikai akadályait
A mesterséges intelligencia oktatásának nem kellene minden esetben négy vagy öt matematikai előfeltétellel kezdődnie a Computing Research Association szerint. A Math for AI jelentés moduláris, az AI-tárgyakhoz jobban kapcsolódó képzést javasol.
- A Math for AI jelentés a hosszú matematikai előfeltétel-sorozatok enyhítését javasolja.
- A matematikai ismereteket célzott modulokban vagy AI-kurzusokba építve oktatnák.
- A lefedett területek közé tartozik a kalkulus, a lineáris algebra, a statisztika és a diszkrét matematika.
- A jelentés szerint a matematikát valós AI-problémákhoz kell kapcsolni.
- Az intézmények matematikai és informatikai oktatói közös kurzusokat is kialakíthatnának.
A hagyományos előfeltételek késleltethetik az AI-tanulást
Sok hallgató számára az AI-kurzusokhoz vezető út hosszú matematikai előfeltétel-sorozaton keresztül vezet. A hagyományos informatikai képzésekben gyakran a kalkulus, a diszkrét matematika, a valószínűségszámítás és statisztika, valamint a lineáris algebra kurzusait kell teljesíteniük, mielőtt megkezdhetik az alapvető AI-tárgyakat.
Az egyetemek és főiskolák egyre több alapképzési AI-programot alakítanak ki, ezért felmerül a kérdés, hogy valóban minden szükséges matematikai ismeretnek meg kell-e előznie az AI tanulását. A Computing Research Association által ismertetett Math for AI jelentés szerint a matematikai szigor fenntartható úgy is, hogy közben csökkennek az előfeltételek által létrehozott akadályok.
Modulokba rendeznék az AI-hoz szükséges matematikát
A jelentés ahelyett, hogy a hallgatóktól több hagyományos matematikai kurzus előzetes teljesítését követelné meg, célzott modulokba rendezné az AI-hoz szükséges tananyagot. Ezeket külön Math for AI kurzusokon lehetne oktatni, vagy közvetlenül az informatikai és AI-tárgyakba lehetne beépíteni.
A statisztika például egy adatelemzési bevezetőkurzus részeként jelenhetne meg, így a hallgatók a matematikai fogalmakkal azok informatikai alkalmazásaival együtt találkoznának. A jelentés a diszkrét matematika, a kalkulus, a valószínűségszámítás és statisztika, valamint a lineáris algebra területeit azonosítja. A felsorolt témák között szerepel a logika, a kombinatorika, a deriváltak és gradiensek, a valószínűségelmélet, a modellek kiértékelése, a vektorterek, valamint a sajátértékek és sajátvektorok.
Michael Peterson, a University of Hawaiʻi at Hilo számítástechnikai tanszékének vezetője és docense szerint a cél nem a matematika eltávolítása az AI-oktatásból, hanem annak tudatosabb meghatározása, hogy a hallgatóknak milyen matematikára és mikor van szükségük. A jelentés szerzői között Peterson mellett Isaac Shaffer, Enrico Pontelli és a Computing Research Association szerepel. A javaslatot 22, összesen 21 intézményt képviselő résztvevő workshopjai alapozták meg.
Az alkalmazásokhoz kapcsolnák a matematikai fogalmakat
A dokumentum nem írná elő minden témának ugyanazt a helyét a tantervben. Az egyes AI-képzések eltérő célokat követnek, ezért az intézményeknek kell meghatározniuk, mely fogalmak számítanak alapvetőnek és térnek vissza többször, melyek igényelnek később mélyebb feldolgozást, és melyeknél elegendő a későbbi ismerősség.
A jelentés azt is javasolja, hogy a matematikát valós, alkalmazott AI-példákhoz kapcsolják. Enrico Pontelli, a New Mexico State University számítástechnikai professzora szerint amikor a hallgatók egy általuk megoldandó AI-probléma közben találkoznak a matematikával, azt is jobban megérthetik, miért fontos az adott fogalom. Szerinte a két terület integrálása relevánsabbá teheti a matematikát, miközben megmarad az AI mély megértéséhez szükséges alap.
Az intézmények közös tantervi alapot kaphatnak
A Math for AI nemcsak tantervtervezési kérdésként kezeli a matematikai felkészítést. A jelentés arra ösztönzi az informatikai képzéseket, hogy a Math for AI kurzusok kialakításakor közvetlenül működjenek együtt az intézmény matematika tanszékeivel. Ennek része lehet olyan kurzusok létrehozása is, amelyeket informatikai és matematikai oktatók közösen tartanak.
Isaac Shaffer, a Northern Arizona University számítástechnikai, adatelemzési és AI-oktatója szerint a közös standardok és tantervek segíthetnek megalapozott szemléletet fenntartani a gyors technológiai változás időszakában. A koordinált megközelítés szerinte azoknak az intézményeknek is megkönnyítheti a magas színvonalú AI-oktatás kialakítását, amelyek nem rendelkeznek elegendő erőforrással minden elem önálló felépítéséhez.
Az új alapképzési AI-programokat tervező intézmények a jelentés alapján már a kezdetektől együtt alakíthatják ki a matematikai és AI-tanulási útvonalakat. A meglévő képzések pedig felülvizsgálhatják, hogy előfeltétel-rendszerük valóban a szükséges matematikai alapokat fejleszti-e, vagy indokolatlanul késlelteti a hallgatók belépését az AI területére.
Computing Research Association: Do Students Really Need Four or Five Math Prerequisites Before They Can Begin Learning AI?
