Depende. La utilidad de las IA depende mucho de su rendimiento, es por eso que los documentos tendrán que centrarse en una IA utilizable con inteligencia correcta frente a una IA súper lenta, apenas utilizable y con buena inteligencia.
Si está construyendo redes neuronales para entrenar para un propósito específico como lo hice, entonces no me preocupé demasiado por el rendimiento, ya que mi objetivo era lograr una precisión del 95% o superior y el conjunto de datos es lo suficientemente pequeño (rango de cientos de miles) para no me importa el rendimiento en absoluto.
Si quieres construir Alpha Go donde analiza todos los movimientos posibles en un juego de mesa infinitamente más complejo, entonces no es bueno si la IA pasa demasiado tiempo (como 2 días) para hacer un movimiento. Dado que los algoritmos tienden a exagerar la complejidad del tiempo de ejecución a medida que crecen los datos (es decir, si tiene dos algoritmos, uno con O (n), uno con O (n ^ 2) y utilizando solo 20 conjuntos de datos, cada uno se ejecutará aproximadamente al mismo tiempo, pero si tiene 2 mil millones de conjuntos de datos, uno toma minutos y otro puede tomar siglos), querrá centrarse en el lado del rendimiento del algoritmo al publicar documentos para que las personas puedan implementar su idea y usarla.
- ¿Hay algún conjunto de datos o API que proporcione una lista de palabras poco frecuentes?
- ¿Cómo afectan las imágenes que se filtran con diferentes filtros de imagen al entrenamiento de las redes neuronales profundas?
- Si existieran interfaces neuronales, ¿cuáles serían las aplicaciones civiles? ¿Cuántos tendría, por qué?
- ¿Alguien ha intentado combinar las redes neuronales con un aprendizaje profundo?
- ¿Cómo se aplica el aprendizaje profundo en la industria?
