En general, es difícil dar respuestas significativas a tales preguntas, porque las respuestas son inherentemente subjetivas. Las clasificaciones no significan nada en la práctica porque los programas van y vienen, y las personas entran y salen. Particularmente en AI y ML, ha habido una salida neta a la industria de la mayoría de los departamentos académicos, y por lo tanto, en general, muchos programas se han diezmado en los últimos 10 años. Es probable que esta tendencia continúe en este clima de contratación sobrecalentado donde la industria está preparada para gastar sumas generosas en la adquisición de talento de IA / ML. La forma más segura de negarse una verdadera experiencia de aprendizaje es prestar atención a las clasificaciones.
Pero, lo que es más importante, debes darte cuenta de que la IA es un campo increíblemente diverso, y los avances fundamentales pueden venir de cualquier parte. De hecho, algunas de las mejores ideas de los últimos 10 años provienen de fuera de la IA, en campos como la optimización (por ejemplo, el marco de los algoritmos proximales y los métodos de descenso de espejo), las estadísticas (por ejemplo, los métodos de regularización en ML) y la física (por ejemplo, , gafas giratorias, modelos energéticos). Por lo tanto, un departamento que probablemente tenga estrellas en estadística o física o biología puede ser tan valioso en el estudio de la IA como un programa que tenga fuertes investigadores en IA. El seminario más valioso que tomé hace un par de años fue en realidad un profesor que enseñaba en la escuela de negocios, porque era una experta de clase mundial en un marco matemático que generalizaba la optimización de una manera realmente genial. El marco matemático en el que ella era experta se desarrolló originalmente en física. Allí estaba ella, enseñando en una escuela de negocios, sobre ideas que provenían de la física, y allí me senté, como persona de aprendizaje automático, cautivada por las ideas que estaba enseñando. Si abres tu mente, puedes aprender ideas útiles sobre IA de casi todos los rincones de cualquier buena universidad.
El fallecido físico de Caltech, Richard Feynman, solía citar a menudo a Gibbons: “El poder de la instrucción rara vez es de mucha eficacia, excepto en esas disposiciones felices cuando es casi superfluo” (ver Prefacio a sus famosas Lectures on Physics, 3 volúmenes). Él creía firmemente en el autoaprendizaje y el autodescubrimiento.
- ¿Hay AI haciendo preguntas y escribiendo respuestas en Quora?
- Si una empresa no estuviera limitada por ningún tipo de recursos, ¿cómo haría para crear la IA más inteligente?
- ¿Cuál es el algoritmo detrás de x.ai?
- ¿Estaba Watson ganando en Jeopardy un progreso significativo para la IA?
- Si me importa cargar, en teoría, ¿mi 'yo' será transferido a un robot, o el robot será solo una copia exacta de mí?
En inglés simple, lo que esto significa es que los mejores estudiantes son aquellos que ya han aprendido mucho de lo que está tratando de enseñarles, y solo necesitan ese último porcentaje adicional que puede proporcionar. En todos mis años de enseñanza, he sentido que esto capturó el dilema de la enseñanza mejor que cualquier otra cosa que haya leído.
En resumen: si quieres aprender IA, ¡sé tu propio maestro! Hay muchos recursos en línea: libros, tutoriales, documentos, código. Enséñese lo que necesita saber. Aprende a tu ritmo. Descubre lo que te emociona. El autodescubrimiento es a menudo la cosa más emocionante del mundo (más de un Premio Nobel ha comentado que el momento del descubrimiento puede ser tan emocionante que supera casi todas las experiencias humanas, ¡incluso el sexo!). Una vez que experimente la verdadera alegría de aprender por su cuenta, le resultará fácil decidir a dónde quiere ir para estudiar IA. ¡Incluso puede terminar en un lugar sorprendente, como una escuela de negocios o un departamento de biología o estadística!