¿Qué puede hacer el aprendizaje automático además de la clasificación? ¿Hay más?

Seguramente alguien más entendido que yo responderé esta pregunta, pero propondría mirarlo desde una dirección diferente.

Si ML hizo tres cosas, y solo esas tres:

1. Optimizar las funciones de búsqueda
2. Identificar patrones / conexiones
3. Hacer predicciones dados los patrones / conexiones mencionados anteriormente

¿Qué hace el cerebro humano que no se reduce a esas tres cosas? ¿No es todo acerca de toda nuestra existencia una extrapolación de esas funciones centrales?

Reduzca el comportamiento humano lo más lejos que pueda, y luego vea si alguna función (productiva) no cae dentro de ese ámbito. Es bastante difícil de hacer cuando excavas lo suficiente, y eso es lo que hace que ML e AI por extensión sean tan interesantes. No podemos decir por qué somos mucho más inteligentes que los animales con los que compartimos el 98% de nuestro ADN … solo podemos observar el comportamiento, no rastrearlo (al menos, todavía no de manera confiable). Se podría argumentar que un cambio exponencial en inteligencia no se deriva de una miríada de “formas de aprendizaje”, sino de una mejora rápida en la capacidad de procesar, optimizar y aplicar módulos básicos de aprendizaje. En otras palabras, no hay una vasta y misteriosa biblioteca de inteligencia para desarrollar que nos separe de los chimpancés y la IA de nosotros. Solo hay poder de procesamiento y acceso a la información.

Diría que las tres grandes operaciones básicas en el aprendizaje automático son la clasificación, la regresión (predicción de valores continuos) y la agrupación (agrupación sin etiquetas proporcionadas). Por supuesto, también hay cosas que no encajan tan bien, pero estas son probablemente las más importantes. Agregue un par de capacidades adicionales, como la optimización de una función desconocida, que no siempre se cuenta como parte del aprendizaje automático, y obtendrá un conjunto de herramientas bastante decente.

Utilizándolos como bloques de construcción y aplicando información sobre el problema, puede construir sistemas que puedan manejar tareas más complicadas. La segmentación (averiguar dónde termina una cosa y comenzar la siguiente) y analizar (descubrir cómo se relacionan las cosas entre sí) son buenos ejemplos de los tipos de problemas que puede resolver de esta manera que pueden parecer no obvios con solo las técnicas básicas. Incluso puede ir más allá y usar ese tipo de piezas de nivel superior como subcomponentes en un sistema para un problema aún más complicado, como reconocer y analizar adecuadamente las expresiones matemáticas escritas a mano, por ejemplo.