No siempre.
Ser ingeniero tiene que ver con el pragmatismo. Se trata de utilizar todas las herramientas a su disposición para resolver un problema de la manera más eficiente. La mayoría de las veces, eso significa implementar una solución de acuerdo con las mejores prácticas establecidas. ¿Dónde encuentra información sobre las mejores prácticas? Bueno, no en un nuevo trabajo de investigación.
Los trabajos de investigación son principalmente útiles si necesita resolver problemas que rara vez se han resuelto antes en la práctica. Si tiene suerte, la investigación de alguien puede haber dado un resultado que sea directamente aplicable al problema exacto que está tratando de atacar, pero aun así, podría no ser tan útil. Desde la perspectiva de un ingeniero, muchos trabajos de investigación son irremediablemente ingenuos, porque hacen todo tipo de suposiciones que no serían ciertas en el mundo real.
- ¿Cuáles son algunas aplicaciones destacadas de los métodos de máxima verosimilitud?
- ¿Todavía es necesario aprender LDA (distribución de Dirichlet latente)?
- Entre JavaScript y la ciencia de datos, ¿qué debo hacer? Tengo que aprender a los dos desde cero.
- ¿Tiene sentido emplear Bayes ingenuos multinomiales con n-gramos? Pregunto porque supone que cada posición está ocupada por un término, por lo que los n-gramos no parecen encajar naturalmente en el modelo.
- ¿Cuáles son los algoritmos disponibles para diseñar un detector de actividad de habla hablada cercana?
Sí, muchas personas en el espacio de aprendizaje automático leen trabajos de investigación, pero diría que la mayoría de nosotros lo hacemos por interés y para tener una idea de las tendencias actuales en el campo. No necesariamente porque nos beneficiamos directamente de ello en nuestro trabajo.