La pregunta es difícil de responder, no solo porque tratar de predecir el futuro siempre es difícil, sino también porque su formulación puede hacerlo más restrictivo de lo que a usted le gustaría.
Hoy en día todo el mundo habla de aprendizaje profundo, pero el aprendizaje profundo se refiere a una variedad de técnicas de aprendizaje que utilizan redes neuronales con muchas capas. Es un subconjunto de redes neuronales artificiales en general, las redes neuronales son en sí mismas una clase de técnicas de aprendizaje automático, y el aprendizaje automático es en sí un subcampo (importante) de IA.
Pero la frase se ha vuelto tan popular que hoy en día, cuando las personas preguntan si se puede resolver un problema de ciencia de datos con el “aprendizaje profundo”, lo que realmente quieren decir es si se puede hacer mediante el aprendizaje automático o alguna forma de IA basada en datos. o automatización. Las redes profundas son solo una herramienta en la caja de herramientas del científico de datos (o investigador de IA), y puede que no siempre sea la más adecuada. Por supuesto, las técnicas modernas de aprendizaje profundo son herramientas muy eficientes y versátiles, y la forma en que a veces puedes alimentarlos con un problema en bruto y obtener algunos resultados utilizables (no siempre resultados excelentes, pero decentes) es un poco extraño cuando estás acostumbrado a más Herramientas frágiles y / o específicas. Pero hay algunos casos en los que actualmente no son la mejor herramienta. Fuera de mi mente, citaría problemas en los que no tiene muchos datos o un conjunto de datos muy desequilibrado y problemas en los que necesita un aprendizaje incremental (que el sistema aprenda eficientemente mientras está en uso). La investigación de IA y ML se mueve en muchas direcciones diferentes a la vez, y también las diferentes categorías no están completamente separadas (puede mezclar el aprendizaje profundo con otras cosas). Pero es difícil predecir qué técnica (s) específica (s) serán las más útiles para qué industria sin analizar realmente las necesidades y problemas de cada industria e intentar diseñar las mejores opciones. En otros términos, realmente trabajando en el problema como ingeniero. No puedes simplemente chasquear los dedos y decir “Bien, el aprendizaje profundo servirá aquí” (incluso si finalmente terminas usando el aprendizaje profundo para hacerlo 🙂)
- ¿Qué hay detrás de un agente virtual en casa?
- ¿Cómo funciona la inteligencia artificial?
- ¿Qué documentos recomienda para que estudie un principiante de Machine Learning?
- ¿Cuáles son ejemplos del mundo real de sistemas de múltiples agentes?
- ¿Cómo pueden los informáticos monitorear una inteligencia artificial que posee mayor inteligencia que ellos?
Si reformulamos la pregunta sobre cómo el aprendizaje automático afectaría a las industrias, diría que las industrias que serán las menos afectadas son aquellas que ya están bastante automatizadas y en las que hay poco margen de mejora en este punto, como las industrias pesadas. Una vez visité una fábrica de acero (¡fue realmente impresionante! ¡Hazlo si tienes la oportunidad!), Y no veo cómo el aprendizaje automático podría revolucionar esa industria. Probablemente podrían automatizar más, reducir algunos costos de personal, pero eso no es lo que yo llamaría una revolución. También podría ayudarlos a organizar su logística o vender sus productos en el mercado global, pero no es el núcleo de su trabajo (eso es para los especialistas en logística y comerciantes, que de hecho se verán fuertemente afectados por el aprendizaje automático de la OMI). Su trabajo es convertir el carbón y el hierro en acero. Si las máquinas que lo hicieran fueran más inteligentes (o incluso completamente autónomas), eso sería útil, pero seguiría siendo básicamente el mismo proceso industrial realizado de la misma manera general. No hay revolución aquí.
Otras clases de industrias en las que puedo pensar que no se ven muy afectadas son aquellas que aún no están automatizadas, por razones diferentes a las de aprendizaje y problemas cognitivos de IA. Un ejemplo es la construcción. Posiblemente podría utilizar inteligencia artificial y aprendizaje automático para diseñar los planos de un edificio, planificar el trabajo a realizar, adaptarse a contingencias no planificadas, etc. En otras palabras, al menos podría automatizar de manera plausible los arquitectos y los ingenieros de construcción. trabajo (no es que piense que sucederá pronto). Pero al final todavía necesita trabajadores de la construcción para verter el concreto, ensamblar las paredes, pintar las superficies, etc.
¿Quieres reemplazarlos con robots? ¿Robots móviles, capaces de moverse eficientemente en un entorno desordenado, peligroso y cambiante, para realizar una variedad de tareas calificadas y no calificadas, y para colaborar entre sí? Buena suerte. Podemos entrenar redes neuronales recurrentes que pueden escribir guiones de películas, pero todavía estamos luchando por crear robots capaces de hacer algo tan trivial como transportar un rayo con otra persona (o robot). A eso me refiero cuando digo que el aprendizaje automático no lo es todo; es solo un subcampo de la IA, y son aspectos de la inteligencia que son menos glamorosos pero igual de importantes. (E incluso si realmente tuviéramos trabajadores de construcción robóticos competentes, no estoy completamente seguro de cómo el aprendizaje automático sería fundamental para que realmente construyan un edificio).
