¿Cuáles son las tareas diarias de un investigador de inteligencia artificial?

Mis tareas no eran muy diferentes de las de los científicos de investigación, excepto que eran mucho más fáciles, por supuesto, por lo que la descripción de mi día te daría una idea.

Estaba trabajando en algunos casos extremos de clasificación de texto usando redes neuronales. Aquí está mi lista de tareas típicas:

  1. Escriba un script para transformar el conjunto de datos X para nuevos experimentos.
    Esto generalmente significa un poco de confusión con los textos, generando mis propias etiquetas, bastante trivial.
  2. Implementar una nueva rutina de entrenamiento.
    Perdón por la vaga descripción, aún no está publicada. La tarea consistía en codificar un nuevo método de muestreo, una pérdida y algunas cosas mínimas.
  3. Escriba un script que ejecute todos los experimentos en un único conjunto de datos y genere el informe.
    Autoexplicativo. Hubo muchos casos que queríamos investigar, por lo que para cada condición debería haber un montón de puntajes.
  4. Sintonizar modelos individuales
    A veces las cosas requieren un poco de trabajo extra, por ejemplo, no obtienes las mejores puntuaciones para un conjunto de datos de inmediato. Los resultados pueden ser engañosos.
  5. Dibuja curvas de aprendizaje y prepara pequeñas tablas de los resultados más interesantes.
    Las tablas con todos los experimentos fueron enormes. Era imposible hacer una presentación razonable que mostrara todos los números, y la mayoría de ellos no eran interesantes (se explica fácilmente con lo que ya sabemos)
  6. Reúnase con mi gerente y discuta qué debe hacerse más

Los investigadores “adultos”, lo que significa que todos los que están por encima del nivel de un interno, tienen más reuniones diarias, pero su día típico también se ve así. Los científicos también supervisan a algunas personas que pueden llevar bastante tiempo. Pero eso no debería ser una preocupación suya inmediata, porque tiene un largo camino por delante antes de que lo atrapen en un frenesí de gestión 🙂

La inteligencia artificial es bastante amplia, por lo que la naturaleza de su trabajo depende bastante del subdominio en el que esté trabajando. Pero aquí hay algunos consejos generales:

La IA esencialmente involucra dos componentes: modelar matemáticamente un proceso del mundo real y trabajar en el modelo matemático así obtenido. (Más sobre esto discutido en otra respuesta).

Por lo tanto, pasará algunos días tratando de modelar el problema , como si estuviera tratando de construir un sistema de reconocimiento de rostros, es posible que desee definir características que puedan discriminar entre rostros de diferentes personas. Esto a menudo implica leer documentos, intercambiar ideas con otros investigadores, escribir algunas matemáticas para tener una idea de cuán complejos serán los próximos pasos si modela el problema de una forma u otra.

Una vez que haya modelado el problema, generalmente terminará teniendo un problema de optimización. Proponer cómo resolver el problema de optimización , exactamente o aproximadamente, sería el siguiente paso. Esto podría requerir nuevamente la lectura de documentos o el desarrollo de nuevos métodos para resolver aproximadamente el problema.

Resolver el problema de optimización le dará un modelo; por lo tanto, para el sistema de reconocimiento de rostros, terminará obteniendo una función que toma una imagen de una cara y muestra el nombre de la persona cuya cara es. Para que el método sea publicable o utilizable comercialmente, debe analizar el rendimiento de su modelo . Esto se puede hacer teóricamente y experimentalmente. En el lado teórico, usted da algunos tipos de límites de error (límites del peor de los casos, límites probabilísticos). Esta suele ser la parte matemáticamente más intensa de la investigación de IA. Esencialmente, necesita probar los teoremas de su algoritmo , basándose en resultados matemáticos anteriores. Las pruebas pueden ser de unos pocos párrafos a unas pocas páginas, y puede llevar de unos días a unas pocas semanas completar todas las pruebas no triviales. En el lado experimental, aplica su método a los datos, sintéticos o reales. Usted escribe código para su algoritmo y lo compara con otros métodos para el mismo problema para ver si su algoritmo mejora con respecto a los métodos existentes. De nuevo, esto podría llevar bastante tiempo, dependiendo de cuán complejo sea su algoritmo. Es posible que deba lidiar con problemas de escalabilidad aquí, aprender a usar nuevas bibliotecas, etc.

A menudo, es posible que tenga que ir y venir del modelado, la resolución del problema de optimización y el análisis del algoritmo, especialmente si no puede probar resultados teóricos o descubre que su método no es comparable a los métodos existentes.

Tal vez deberías hablar con tus profesores sobre esto. Después de todo, muchos de ellos probablemente están investigando sobre IA.