Una pregunta muy interesante. No he visto a nadie comparar los dos en el mismo contexto, ya que son campos muy diferentes. Si bien cada carrera tiene sus propios pros y contras y se reduce a sus intereses individuales, compartiré lo que he visto de mi viaje como ingeniero de diseño analógico y ahora trabajando en el aprendizaje automático.
¿Cómo son similares?
- Ambos necesitan enfocarse en los primeros principios. Los problemas de diseño analógico se encuentran principalmente en el nivel de transistor: estabilidad, polos y ceros, ancho de banda, sesgos, etc., lo que requiere mucha claridad conceptual.
Lo mismo ocurre con la construcción de buenos modelos de ML. Saber cómo funciona el sesgo y la varianza, la regularización, las funciones de pérdida, la selección de características, las curvas de aprendizaje, etc. también necesitan claridad conceptual y centrarse en los primeros principios. Debido a esto, ambos campos tienen un fuerte enfoque en enfoques matemáticos. - Ambos intentan modelar el mundo . En el diseño analógico, modela el comportamiento del transistor mediante pequeñas ecuaciones de señal y gráficos de Bode. En el aprendizaje automático, utiliza distribuciones gaussianas, supuestos de Naive Bayes, etc. para modelar el mundo. Al igual que los efectos de modulación de longitud de canal, hay muchos efectos de segundo orden que también vienen con ML, como el sobreajuste, etc.
- Ambos son parte integral del éxito de los productos. Los bloques analógicos bien hechos pueden marcar la diferencia en un IC: cómo interactúa con el mundo analógico: los ADC, los DAC, la administración de energía, los bandgaps, etc. son la base de todos los IC existentes. Lo mismo ocurre con ML: un buen algoritmo de ML puede hacer o deshacer un sitio web: los motores de recomendación, las estimaciones de precios, etc., todos se basan en algoritmos de ML.
¿Cómo son diferentes?
- Duración de los ciclos de diseño. En el diseño analógico, puede pasar un año en un buen diseño LDO y pruebas para varias esquinas, etc. En ML, puede reiterar en unos días. Hay un ciclo de retroalimentación rápido con ML, en analógico, debe construir lentamente todos los casos y ejemplos del mundo real, como la sobretensión en las cargas, las fluctuaciones del suministro de energía, etc.
- Pruebas y fiabilidad de trabajo. En el diseño analógico, es posible que tenga que hacer muchas pruebas después de los diseños de parásitos, extraer modelos y reiterar y probar hasta que esté seguro de que su sistema es confiable. En ML, el trabajo de confiabilidad se trata más de dar diferentes giros a los datos que tiene: embolsado, validación cruzada, curvas de aprendizaje, etc. Es casi como si estuviera haciendo un trabajo de confiabilidad mientras diseña el algoritmo de ML sobre la marcha.
- Escalabilidad. Por supuesto, un LDO bien diseñado puede ser pan y mantequilla para millones de papas fritas. Pero el escalado no es tan fácil, ya que hay diferentes nodos de tecnología en diferentes circuitos integrados; es posible que deba rediseñarse para nuevos nodos. Entonces, un buen LDO en 0.18um podría no tener muchos más ajustes antes de que funcione en el nodo de tecnología de 90nm. Por otro lado, los algoritmos ML una vez escritos en un lenguaje listo para producción como C o Python, se pueden escalar todo lo que desee.
- Disponibilidad de nuevos problemas. Esto para mí es un punto clave. En el diseño analógico, gran parte del trabajo pionero se realizó en los años 80 con personas como Bob Pease y Jim Williams a la cabeza. Alguien ya ha probado muchas ideas (y principalmente en un libro como Gray y Meyer), pero ML es un campo nuevo. Muchos problemas están sin resolver. Los problemas en PNL y aprendizaje profundo son nuevos y emocionantes. Y los casos de uso potenciales también son muchos: aeronáutica, industria alimentaria, tráfico, ciberseguridad, sensores e IoT, libros y literatura …
Entonces, no hay una respuesta a esta pregunta, depende de usted decidir. ¿Quizás puedas combinar ambos y construir chips analógicos que hacen ML? 😉 Haz lo que amas ~! 🙂
- ¿Cómo se fabrica la tecnología?
- ¿Es seguro tener un cuerpo metálico en los teléfonos móviles? ¿Podemos recibir una descarga eléctrica si la sostenemos con las manos mojadas mientras se está cargando?
- ¿Qué tan buena es la información en relación con otros sitios de noticias tecnológicas?
- ¿Qué compañía debería preferir: Amdocs o YASH Technologies?
- ¿Cuál será el futuro de .Net Technology?