Una diferencia está en la implementación de la capacitación (“backtesting”) de algoritmos de aprendizaje automático en un marco de sistemas distribuidos. Otra es la implementación eficiente de los servicios en tiempo real, ya que especialmente a escala de Google, incluso una pequeña mejora en el tiempo de ejecución puede ahorrarle mucho dinero a la empresa. Sin embargo, en las compañías realmente grandes, a menudo estas cosas son trabajadas por un equipo separado que el equipo que está desarrollando los modelos y algoritmos.
Para el trabajo en el desarrollo de modelos, ciertamente la experiencia general lo ayuda a mejorar. Más específico para pasar 2–3 años en una empresa con grandes conjuntos de datos, pensará en diferentes tipos de modelos y, lo que es más importante, en las características y fuentes de datos que puede utilizar. El flujo de trabajo académico es mucho más autónomo, p. Ej., “Dado este conjunto de datos, estos otros investigadores han creado tal y tal métrica, tal vez pueda hacerlo mejor” frente a “¿cuáles son las diferentes herramientas a mi disposición para lograr mejores métricas para mis usuarios “.
- ¿Cómo es trabajar en Watson Analytics de IBM?
- ¿Cuáles son algunas técnicas para construir un sistema de recomendación de expertos?
- ¿La inteligencia artificial solo involucra a robots?
- ¿Qué pasa si la policía fue reemplazada por robots?
- ¿Qué hará la gente cuando la robótica y la IA se hagan cargo del trabajo diario?
