Esta es una gran pregunta, viniendo de la academia, puedo relacionarme con ella. Realmente depende de lo que personalmente consideres significativo y cuáles sean tus objetivos. ¿Serías más feliz haciendo un aprendizaje automático de vanguardia que impacta a millones de personas? ¿O tal vez le preocupa más hacer algo que tenga algún tipo de causa caritativa? (Por cierto, estos no son mutuamente excluyentes).
La verdad es que el uso del aprendizaje automático está explotando en una gran cantidad de industrias. En casi todas las áreas de trabajo, hay partes que pueden hacerse más eficientes, rentables o, en general, mejores con el aprendizaje automático. Las áreas que antes se realizaban sin aprendizaje automático ahora se reinventarán con el aprendizaje automático.
Algunas otras áreas aleatorias donde el aprendizaje automático realmente se está haciendo cargo:
- ¿Cuál es la relación exacta entre Hadoop y Big Data?
- ¿Cómo funciona Duolingo desde el punto de vista de un programador?
- ¿Cuántos datos puede manejar JMP?
- ¿Cuál es la mejor arquitectura de chispa (big data) crees que para este caso de uso?
- ¿Cuál es el beneficio de las soluciones de archivo de datos?
a) Búsqueda y descubrimiento: esto incluye los algoritmos de clasificación que Google usa para decidir qué resultados mostrar cuando ingresas una consulta, así como otras cosas como autocompletar búsqueda y los complejos algoritmos que Facebook usa para mostrar resultados personalizados en tus noticias alimentar.
b) Algoritmos de recomendación: las permutaciones básicas de un algoritmo conocido llamado filtrado colaborativo permiten a Netflix, Amazon y muchas otras compañías de consumo proporcionar recomendaciones sensatas y personalizadas basadas en el comportamiento del usuario observado anteriormente.
b) Detección de fraude: generalmente utilizada por las compañías financieras para detectar cuándo se usan fraudulentamente tarjetas de crédito y similares.
c) Algoritmos de optimización: Uber / Lyft / Instacart debe utilizar estrategias de optimización complejas para enrutar a los conductores y compradores al mejor destino dadas las demandas cambiantes. Zona muy interesante
d) Reconocimiento de imágenes: con el advenimiento de las redes neuronales convolucionales, hay muchas cosas posibles que antes no eran posibles. Por ejemplo, esta tecnología ha permitido que los autos autónomos y la capacidad de buscar fotos de objetos específicos por nombre y agrupar imágenes de la misma persona independientemente de la edad (ambas características en Google Photos).
e) Inteligencia empresarial: empresas como Quid (divulgación completa: empleador anterior) están cambiando la forma en que las personas piensan sobre el negocio de consultoría. Parece solo cuestión de tiempo antes de que las personas consuman e investiguen la información se verán verdaderamente alteradas (para mejor) con formas interesantes de ver mucha información a la vez, gracias a interesantes estrategias de aprendizaje automático no supervisadas.
f) Atención médica: el aprendizaje automático eventualmente cambiará por completo la forma en que se prestan los servicios de atención médica. Hay empresas como Enlitic que está cambiando completamente la forma en que los radiólogos evalúan los rayos X y, en algunos casos, el aprendizaje automático puede hacerlo mejor que los humanos. Está ampliamente acordado que la forma en que se dirige el aprendizaje automático / automático es proporcionar formas estratégicas para que la inteligencia humana se pueda aumentar y usar de manera más efectiva, no para reemplazar la inteligencia humana en sí misma (al menos en cualquier horizonte a corto y mediano plazo), y este es un gran ejemplo Vea también aquí un ejemplo interesante de manejo / detección de cataratas: una plataforma de inteligencia artificial para el manejo colaborativo multihospitalario de cataratas congénitas
Ver también:
-Silicon Valley está tratando de reinventar la atención médica, comenzando en Nueva Jersey. 10 maneras: el aprendizaje de máquinas está revolucionando la fabricación
Ahora, último punto: en lo que respecta al propósito de tu carrera. Añadiría una cosa más, que es que, en comparación con la academia, donde las transiciones profesionales son muy lineales – PhD -> postdoc -> profesor -> tenencia, hay más flexibilidad para definir su propia ruta personalizada en un entorno industrial. A mi modo de ver, esto es realmente para su ventaja, y le permite cambiar de marcha a medida que descubre cosas que realmente lo entusiasman. Otra forma de pensarlo es que, algunos trabajos pueden ser solo aprender más que tu pasión principal, que sin embargo también jugará un papel en permitirte llegar a donde quieres ir a largo plazo (ya sea para comenzar una organización sin fines de lucro, inicie su propia empresa o conviértase en un ejecutivo de ML, etc. El cielo es realmente el límite.
¡La mejor de las suertes! (Este es realmente un buen momento para entrar al campo).
