¿Por qué todos están interesados ​​en las redes neuronales profundas ahora cuando otros sistemas de inteligencia artificial como las máquinas LISP fueron promocionados y no pudieron obtener una gran adopción en el pasado?

Creo que la razón es que las redes neuronales y los algoritmos genéticos están entrenados y producen resultados interesantes incluso si se aplican de manera teórica o práctica, mientras que otros enfoques requieren mucho esfuerzo por parte de un experto en el campo para producir resultados igualmente interesantes o útiles. Es notoriamente difícil traducir un campo de conocimiento a un lenguaje de inferencia de IA como LISP o lógicas difusas, pero para las redes neuronales puede ser suficiente tener un marco preestablecido para confrontar un conjunto de datos mínimamente adaptado para comenzar a obtener algunos resultados. Además, las redes neuronales prometen ser completas ya que pueden producir resultados a datos que no han visto antes y esos resultados pueden ser correctos, mientras que los sistemas basados ​​en lenguaje solo pueden producir respuestas estándar sin respuesta cuando se les presentan datos fuera de su alcance programado. Esto sucede con los Elizas: un LISP Eliza tiene una serie de respuestas preestablecidas para seguir avanzando en la conversación, incluso si una declaración no tiene ningún significado para Eliza, con la esperanza de que un humano caiga en ella y la reconozca como una respuesta significativa. Un generador de voz de red neuronal, en cambio, puede inventar respuestas nuevas y diferentes a material nunca antes visto fuera de su alcance del tren que incluso puede ser significativo para el ser humano interactivo y tener algún significado de asociación de tierra. Los sistemas basados ​​en el lenguaje solo pueden adaptarse y ** aprender ** con la ayuda de un mantenedor, en cuyo caso el nuevo contenido tendrá una garantía casi significativa, mientras que las redes neuronales y los algoritmos genéticos pueden adaptarse y ** aprender ** automáticamente sin intervención humana, concebible, y producir al menos nuevos resultados no muy malos para el menor esfuerzo. Entonces, la diferencia está en el esfuerzo necesario para producir resultados, un enfoque requiere esfuerzos directos mientras que el otro enfoque puede ser semi o totalmente automatizado.

Las otras respuestas tocan algunos puntos importantes, pero me gustaría agregar algunos de mis pensamientos aquí.

Tenga en cuenta que las redes neuronales profundas son realmente una exageración. El aprendizaje automático ha existido y ha sido exitoso durante bastante tiempo, pero en los últimos años ha habido mucha atención de los medios a las redes neuronales profundas. Esto hace que muchas personas se interesen, específicamente jóvenes estudiantes o personas nuevas en el campo. Dado que esto se publicita como la próxima gran cosa (y los medios solo informan historias de éxito, no los muchos experimentos fallidos), a muchas de estas personas les parece que los DNN son mágicos: puedes usarlos para resolver cualquier problema. Se convierte en su martillo: denles cualquier problema y tratarán de resolverlo utilizando DNN.

Simplemente mire en Quora para ver cuántas preguntas hay del tipo “¿Cómo empiezo con los DNN?”, “¿Cuál es el mejor lenguaje para los DNN?”, “¿Cómo usaría un DNN para resolver este problema?”.

Un problema clave con los DNN es que el análisis teórico aún es bastante limitado. Diseñar una buena arquitectura es más un arte que una ciencia, y regularmente se agregan nuevas técnicas a la caja de herramientas DNN.

Para tener una carrera exitosa en ML, creo que es importante estudiar una gran cantidad de técnicas esencialmente diferentes, y conocer al menos los conceptos básicos y algunas propiedades cruciales de cada uno. Sin embargo, muchos estudiantes ven esto sin importancia ya que se les ha dado la impresión de que los DNN son la única técnica que vale la pena estudiar.

Cuando se ven afectadas las limitaciones de los DNN (o cuando tienen que implementar un sistema en el que los expertos en la materia requieren un modelo interpretable por el ser humano), estarán perdidos y tendrán que aprender sobre otras técnicas.

Para mí, trataré los DNN como una herramienta útil en mi colección de herramientas de ML, bueno saber, útil para tareas particulares, menos útil para otros. Hice lo mismo para los sistemas basados ​​en LISP y la lógica difusa.