Los avances en los campos aplicados no hacen que los fundamentos sean obsoletos. Las matemáticas siempre son relevantes, y AIMA es preeminentemente, pero no exclusivamente, sobre matemáticas.
AIMA explica cómo los conceptos matemáticos están relacionados con nuestras ideas de lo que es el conocimiento y el razonamiento, cómo los procesos complejos como la planificación y la síntesis pueden descomponerse en un conjunto de aproximaciones más simples, y la mayoría de las veces también muestra los principales inconvenientes de un ” enfoque sencillo “. Es decir, para definir una función de pérdida, agregue algunas restricciones y espere que al resolver un problema de optimización surja una máquina inteligente. Es una exageración, pero estas ideas, incluso en una forma sutil, están por todas partes, y en este sentido es un libro muy, muy relevante, porque contiene la dosis de realidad y escepticismo que la gente necesita cuando las palabras “Inteligencia Artificial” son mencionados.
Hay muchas preguntas en Quora sobre la importancia de las matemáticas para ML e IA. Creo que no siempre provienen de la pereza, sino de la falta de conocimiento sobre cómo los modelos probabilísticos y la teoría detrás de ellos están conectados con lo que hacemos en la práctica, lo que podemos (y no podemos) lograr. Sin ver esta conexión, es muy difícil no solo comprender completamente los conceptos de algoritmos necesarios para una aplicación exitosa, sino también ver cuál debería ser su enfoque general del problema, cuando las cosas no salen según lo planeado (99.99% de los casos en vida real). AIMA hace todo lo posible (juego de palabras, más de 1000 páginas) para discutir eso y proporcionar las conexiones necesarias entre el mundo de los multiplicadores de Lagrange y el mundo de “from xgboost import StrongAI”. Lo cual es realmente bueno.
- ¿Cuánto mejora la aceleración del entrenamiento MLP mediante la inicialización de pesas con distribución no uniforme?
- Go (juego de mesa): ¿Puede una IA adaptarse orgánicamente para jugar contra el jugador humano en un nivel casi uniforme en Go?
- ¿Cuáles son los desafíos que enfrenta la inteligencia artificial? ¿Qué hay de su futuro?
- ¿Debería el estudio de los impactos a largo plazo de la inteligencia artificial ser una prioridad para la humanidad en este momento?
- ¿Alguna vez despegará la inteligencia artificial?
Tengo muchos momentos de “¿pero por qué?”. Un momento “pero por qué” es diferente del momento “wtf”: el momento “wtf” ocurre cuando algo no funciona como se esperaba, el momento “pero por qué” sucede cuando haces algo, todo funciona como se esperaba, pero no puedes entender por qué . Como, sí, vimos cientos de veces que la normalización de los vectores de palabras puede mejorar los resultados de la clasificación. ¿Pero por qué? La deserción es buena para la regularización y le brinda un proceso de entrenamiento estable. ¿Pero por qué? Cuando puedes agregar otra capa y obtener los resultados que esperas, funciona en contra de tu curiosidad. Es una de las diferencias entre el ML aplicado y la investigación pura, y creo que AIMA construye un buen puente entre ellos sin profundizar demasiado en las prácticas de desarrollo o las matemáticas.
Finalmente, pega todo junto con una cantidad decente de filosofía. Puede comenzar planteando un problema profundo como “¿Pueden pensar las máquinas?” Y luego explicar cómo puede reformular partes de esta pregunta en forma matemática que le brinde al menos algunas herramientas para trabajar. La mayor parte del tiempo en un campo en desarrollo sin una gran base de conocimiento fundamental, esta es la parte difícil, no las integrales. Es extremadamente útil para ingenieros y científicos aprender ambos. AIMA no es un libro único en el sentido de que enseña razonamiento científico, pero está centrado en ML.
Muchos libros modernos sobre ML son muy prácticos, son casi como tutoriales basados en numpy y reciben elogios de algunos científicos de datos por ello. Hacen que ML parezca fácil, mientras que no lo es. Y cuando comienzan a confundir ML e IA … bueno, los conceptos erróneos sobre el aprendizaje profundo tienen raíces muy profundas.
A fin de cuentas, es súper relevante ahora y es poco probable que sea irrelevante en el corto plazo.