En la academia se te ocurre un nuevo algoritmo A para resolver o mejorar soluciones anteriores al problema X. Necesita pruebas de que su algoritmo A es mejor que los algoritmos anteriores. Entonces, haces muchos experimentos sobre la verdad básica para evaluar que sí A es mejor que los algoritmos anteriores sobre el problema X.
Si tuviera que publicar un documento con afirmaciones extraídas de la nada, el último algoritmo A supera el aprendizaje profundo (DL) sobre el problema X , incluso cuando tiene razón, nadie lo tomará en serio. Pero si publica los resultados junto con su reclamo y proporciona el código fuente para que otras personas puedan reproducir su trabajo, entonces todos lo tomarán en serio.
Por lo tanto, encontrará mucho trabajo de evaluación en la academia simplemente porque es la mejor manera de comunicarse con otros investigadores que “observan qué puede hacer el algoritmo A “. Entonces, todos los que vean esos hechos no tendrán nada más que decir que aceptarlo, bueno, podrían discutir un poco y luego realizarán mejoras en el algoritmo A para obtener el algoritmo B y el círculo continuará y continuará.
- ¿Por qué es importante aprender el descenso de gradiente en el aprendizaje automático?
- ¿Estamos presenciando las primeras etapas del uso de ML en la industria o cree que la aplicación de ML hacia la industria ya está muy extendida?
- ¿Cómo se implementa la funcionalidad de verificación de spam mediante el aprendizaje automático?
- ¿Cuál es la mejor manera de crear un conjunto de redes neuronales?
- Cómo interpretar los resultados de un análisis de PCA
En la industria, su enfoque se centra más en alinearse con un objetivo comercial de la empresa para la que trabaja, dependiendo del departamento, por supuesto. Si desarrolla el algoritmo A bajo alguna compañía y su gerente ve una ventaja competitiva si el algoritmo A se mantuvo en secreto comercial, entonces no tendrá que hacer todo ese trabajo de evaluación solo para demostrar que su algoritmo es mejor que el resto. Algunas industrias realizan trabajos de investigación similares a los de la academia mediante los cuales publican artículos de vez en cuando. Normalmente, el trabajo de investigación industrial está bien financiado, especialmente en los gigantes tecnológicos Google, Facebook, Microsoft y Baidu en comparación con la academia. Estos gigantes pueden limpiar fácilmente los centros de investigación académica, dejando solo unas pocas docenas de investigadores allí.
En la mayoría de los casos, los ingenieros de aprendizaje automático (ML) se ocupan del final de la producción. Como la implementación de su algoritmo A en productos reales para mejorar algunos productos existentes de la compañía. Mientras que las personas con doctorado se centran en crear nuevos algoritmos que tienen que evaluar al igual que en la academia.
La diferencia entre ellos puede ser borrosa porque lo que se descubre en la industria eventualmente encontrará su camino hacia la academia y viceversa. TensorFlow, por ejemplo, está encontrando su camino en la academia y algoritmos como las redes neuronales residuales (ResNet) desarrolladas por investigadores de Microsoft están encontrando su camino en la academia. La primera red neuronal convolucional (CNN) estaba en la academia y ahora se ha difundido en la industria casi sin problemas ahora.
En la mayoría de los trabajos de investigación, encontrará pequeños pasos que conducen a algunas mejoras en los algoritmos anteriores. El trabajo innovador importante es muy raro, por lo que rara vez se encontrará con un trabajo que sea muy diferente del resto. De ahí su impresión de que se trata solo de la evaluación del clasificador, esa es una impresión incorrecta. Si lees cuidadosamente el artículo una y otra vez, descubrirás algunos trucos nuevos que son novedosos en ese documento y merecen un nuevo enfoque para los autores, aunque sea un pequeño incremento.
Espero que esto ayude.