¿El aprendizaje automático está sobrevalorado actualmente?

Por los medios sí ; para ciencia e ingeniería no .

Te explicaré más.

Mira el gráfico de arriba. Como puede ver, ha habido una explosión exponencial de interés para Machine Learning en los últimos años. Ha habido algunos artículos de noticias locos que hablan sobre IA y todas las cosas increíbles que se pueden hacer. Es cierto que las técnicas actuales, particularmente en el aprendizaje profundo, están haciendo posibles algunas aplicaciones excelentes que ayudan a la raza humana.

El problema es que los medios de comunicación y muchas empresas a menudo prometen demasiado . Hablan sobre el aprendizaje profundo como si fuera esta sustancia mágica la que resuelve todos tus problemas. Dicen “Tenemos esta poción mágica de aprendizaje profundo”. Todos afirman ser “compañías de IA”, pero en realidad solo descargan modelos pre-entrenados de TensorFlow .

El hecho es que todavía hay muchos desafíos con el aprendizaje profundo. Una de las grandes cosas es que todavía requiere toneladas de datos etiquetados y GPU potentes . Simplemente no puede resolver todo.

¡Ahora pasemos al lado de la ciencia y la ingeniería de las cosas!

La imagen de arriba muestra la disminución en el error de los algoritmos de reconocimiento de imágenes en los últimos años. Deep Learning son las barras moradas . Como puede ver, ha habido mejoras masivas en la precisión del reconocimiento de imágenes, incluso superando la de los humanos. Deep Learning ha permitido realizar muchas aplicaciones útiles (es decir, a velocidad en tiempo real y buena precisión) que simplemente no se podrían haber hecho antes, como el reconocimiento de voz, la conducción autónoma, la traducción de idiomas, etc.

Desde el punto de vista de la ciencia y la ingeniería, estos son avances sorprendentes . Pero los medios de comunicación y muchas empresas se han aprovechado de la situación al prometer demasiado lo que prácticamente puede hacer el aprendizaje profundo.

Hay partes de esto, pero no debemos condenar a todo el campo ni a todos los investigadores. A menudo es natural que las personas intenten promocionarse y ensalzar lo que hacen para tener más éxito.
Ahora, hay algunas estrellas en el campo que han logrado el éxito y se lo merecen. Luego hay algunas personas ambiciosas que solo están haciendo extensiones menores a la tecnología, pero reclamando grandes cosas. O están construyendo proyectos ambiciosos, pero está claro que tienen algunos agujeros enormes. Alcanzarán un éxito parcial, pero ciertamente no serán el final, serán todo tipo de cambiadores mundiales. Hemos visto tantos fracasos en los últimos 50 años. La inexperiencia o los grandes conversadores configuran esto y luego vergonzosamente fallan.
En tecnología hay y siempre ha habido ciclos. Algo nuevo y prometedor aparece y parece que será la base de algo grande. Los buenos pioneros hacen las cosas pioneras sólidas y lo hacen crecer. Luego viene una avalancha de personas que son más ambiciosas que buenas, y se suben al carro y no suficientes están haciendo algo que valga la pena. Pero se las arreglan para engañar a los capitalistas de riesgo estúpidos y codiciosos, todos los jugadores. Así fue como obtuvimos el auge y caída del punto com.
El aprendizaje automático es así. Muchas promesas, no tanta innovación real real. La ML, como muchas otras cosas en el pasado, se inflará en exceso y luego, en algún momento, se desinflará con los rudos ruidos de su anatomía. Las partes buenas permanecerán y se convertirán en herramientas y cosas que ahora le enseñas a los estudiantes de primer año. Las partes exageradas quedarán en el camino, su valor como lecciones objetivas sobre cómo no ser estúpido.

Siento exactamente lo mismo que Machine Learning fue tan fácil ayer. Como estudiante de segundo año en la universidad, pasé solo una semana y terminé la especialización de aprendizaje profundo de Andrew Ng. Algunas de las arquitecturas resultan ser muy similares a las publicaciones recientes que nunca he leído antes.

Pero NO Estoy completamente equivocado

Sí, el aprendizaje automático es simple y no es demasiado para aprender. Incluso los investigadores más famosos no están tan seguros de por qué las cosas funcionan y por qué no. Sin embargo, nosotros, los recién llegados al campo, no podemos ver la imagen completa del aprendizaje profundo, y estamos contentos con el hecho de que podemos hacer algunos trabajos similares como los investigadores más famosos en el campo más avanzado.

He aquí por qué estamos equivocados :

1. La implementación de modelos de vanguardia con marcos como Keras, Tensorflow y Scikit no es única y especial, especialmente cuando seguimos un tutorial en línea y simplemente cambiamos los datos a los nuestros.

2. Proponer y comprender las cosas detrás de esas arquitecturas es extremadamente difícil. Necesitamos una comprensión completa de la probabilidad y las estadísticas, la teoría de la información, el cálculo, etc. para comprender las ideas principales.

3. El aprendizaje automático será mucho más difícil. Es como la alquimia en este momento, pero pronto se convertirá en una ciencia rigurosa que debemos probar y justificar por qué todo funciona.

El aprendizaje automático está ayudando en la lucha contra las enfermedades mentales.

• Con los años, las tasas de suicidio han aumentado en un 60 por ciento en los últimos 45 años, un millón de personas mueren por suicidio cada año.
• Un equipo de investigadores desarrolló un algoritmo de aprendizaje automático entrenado para comprender las representaciones neuronales del comportamiento suicida.
• Los investigadores probaron su técnica en 17 pacientes con ideación suicida.
• El algoritmo fue capaz de identificar con precisión 15 de los 17 pacientes con ideación suicida y 16 de los 17 controles, para una tasa de precisión general del 91 por ciento.
• El algoritmo de aprendizaje automático muestra las diferencias en los cerebros de las personas con ideación suicida en comparación con los que no.

Por lo tanto, los algoritmos de Machine Learning no solo se utilizan para proporcionar recomendaciones en Amazon o netflix, o para proporcionar los mejores resultados de búsqueda.

No está sobrevalorado. Los algoritmos demuestran la importancia y muestran la diferencia en el mundo.

[1]

Notas al pie

[1] El aprendizaje automático está ayudando en la lucha contra las enfermedades mentales.

Mi respuesta corta sería Sí y No.

Antes de continuar, me gustaría decir que no soy un experto en aprendizaje automático; pero un entusiasta que trabajó en la construcción de algunos de los modelos de problemas en el entorno académico durante mi maestría con el 60% de mis cursos dedicados al aprendizaje automático y áreas relacionadas como PNL.

Una búsqueda rápida en LinkedIn y Google de “Empleos de aprendizaje automático” arroja una tonelada de resultados; todos los que buscan ingenieros de aprendizaje automático, ingenieros de Big Data, ____________ (ranura para cualquier nombre elegante que se les ocurra). En realidad, casi no he conocido a nadie en persona que afirme que trabaja en el aprendizaje automático Y que en realidad lo quiere decir al construir modelos día a día.

Como menciona Mert Celikok, hay muy pocas personas que construyen modelos con datos sin procesar y no llaman apenas a las API. Pero son muy pequeños en número y, a menudo, altamente calificados, experimentados, súper interesados ​​en estadísticas y datos. Es un campo que requiere un conocimiento muy completo de estadísticas, matemáticas y el aprovechamiento de la informática y los datos disponibles. Muy pocas personas lo hacen en realidad en comparación con las personas que “dicen” que trabajan en el aprendizaje automático. A menudo, cuando las personas afirman que “trabajan” en el aprendizaje automático, solo significa que trabajan en un software que “permite” el aprendizaje automático como las canalizaciones de datos, llamando a ciertas API (sin conocimiento de aspectos internos) o utilizando marcos como Hadoop, Spark, etc.

A menudo, una buena parte de la gente considera a Hadoop como Aprendizaje automático (verifique cualquier requisito de trabajo de aprendizaje automático que vea) (puedo decir con confianza que 5/10 personas piensan que Hadoop es Aprendizaje automático). En realidad, Hadoop / Map-Reduce es solo una arquitectura distribuida, un marco y un paradigma que le permite a alguien procesar datos voluminosos en clúster. Incluso si está escribiendo programas Map-Reduce, es solo otra función de ingeniería de software especializada en escribir código en dos fases que trabajan juntas para resolver la imagen más grande en una gran cantidad de datos. Hadoop no es solo Machine Learning; es solo uno de los muchos controladores para una aplicación de aprendizaje automático de nivel de producción. Lo mismo ocurre con Spark, Kafka, etc., Machine Learning Scientist definitivamente aprovecha estos marcos. Sin embargo, no todos los que usan / tocan Hadoop deberían clasificarse como “trabajando en Machine Learning”.

En mi opinión / comprensión, lo llama aprendizaje automático si implica analizar datos, comprender la distribución subyacente, adivinar, experimentar diferentes modelos, ajustar los parámetros del modelo y todo el arte de jugar con los modelos. Con mi experiencia en el entorno académico trabajando con algunos de los problemas, como: crear un sistema de calificación basado en el sentimiento para las revisiones de texto, clasificar el correo electrónico como spam y jamón, clasificar / agrupar artículos de noticias de tipo similar y algunos otros proyectos en los que he trabajado en la academia, solo puedo decir que la parte divertida de cualquiera de estos sistemas predictivos es construir modelos; que en mi opinión debería llamarse Machine Learning. Lo que agrega a un modelo (¿servicios decorativos?) Definitivamente no debería llamarse aprendizaje automático, que desafortunadamente en la práctica hoy en día es desenfrenado.

Dicho esto, solo quiero que las personas estén más educadas sobre lo que hacen / afirman antes de decir que trabajan en el aprendizaje automático. A menos que esté construyendo modelos, jugando con datos directamente, no debería llamar a ingenieros de aprendizaje automático o alguien que trabaja en aprendizaje automático en mi opinión.

La realidad de que cada persona que conoces quiere trabajar / ya trabaja en el aprendizaje automático sin siquiera haber profundizado es lo que lo convierte en un término sobrevalorado. Pero la ciencia maravillosa detrás de esto definitivamente no está sobrevalorada; bastante subestimado

tl; dr: ¡No todos los que llaman a una API son ingenieros de aprendizaje automático!

Respuesta corta: SI

Te estoy dando este ejemplo, generalmente presento:

El aprendizaje profundo es como tratar con un niño con autismo con problemas mentales: tiene que alimentarse con muchos ejemplos para que el niño identifique, eventualmente, el objeto mecánicamente , de manera similar al enfoque del entrenamiento intensivo temprano, atribuido al difunto Ole Ivar Løvaas.

Eso no es aprender sino una mecanización de un proceso. Por lo tanto, no espere ningún entendimiento o razonamiento del “niño”.

Si. ML o AI quizás está recibiendo más atención en estos días debido al aumento de hardware para procesar los datos. La revolución del hardware o el embalaje de más transistores trajeron este cambio.
El aprendizaje automático o IA ha estado en uso desde la Segunda Guerra Mundial. Predominantemente, los algoritmos de aprendizaje automático se desarrollaron durante el período de 1980. (corríjame si me equivoco) Pero en ese momento, el uso de estos algoritmos en un conjunto de datos real y, por lo tanto, obtener el El trabajo del ML realizado no era posible o económicamente factible, debido a la limitación de hardware.
Como ahora el hardware o la computadora es capaz de ejecutar más instrucciones por segundo, el ML está atrayendo mucha atracción y también está produciendo resultados productivos a costos más bajos.

Y también según lo mencionado por el Usuario, “solo recientemente ha estado disponible una gran cantidad de datos etiquetados de calidad, gracias a las redes sociales y los motores de búsqueda”

En realidad, el bombo está enmascarando un poco de verdadera innovación técnica. Si bien algunos pueden quejarse de que cada blog está lleno de palabras de aprendizaje automático o inteligencia artificial, creo que debería ser así. Porque en los próximos cinco a diez años, casi todas las empresas utilizarán el aprendizaje automático de alguna forma. Con los volúmenes y tipos correctos de datos y potencia de procesamiento, las computadoras pueden desarrollar una comprensión suficiente para predecir, optimizar, segmentar o detectar anomalías en muchos dominios nuevos como el habla, la generación del lenguaje, el reconocimiento de imágenes, la comprensión del lenguaje natural, la imagen y creación musical Y pueden hacerlo con mucha menos orientación humana que antes. Optimización publicitaria, software antifraude, prevención de intrusiones, comercio de acciones: todas estas industrias son difíciles de imaginar sin la contribución de ML.

Por otro lado, el miedo a perder ML es tan alto que todos quieren ser parte de esta ola a pesar de que no están listos para esto. Hay muchas formas en que el aprendizaje automático puede ayudar, y muchas serán aplicaciones realistas que mejorarán nuestra vida cotidiana Solo necesitamos las personas, la cultura y la infraestructura adecuadas para ejecutar.

• Esta pregunta apareció en mi feed ya que estaba buscando un algoritmo de Machine Learning en Quora. Parece que es útil.
• Uso la búsqueda de Google y mucho contenido, si no todos son muy relevantes para lo que estoy buscando. Ahorra tiempo.
• Recomendaciones de productos en algunas plataformas de comercio electrónico de Amazon o similares que utilizo. Encuentro buenas ofertas 🙂
• Estamos construyendo autos sin conductor (autónomos). Esto ahorrará tiempo a las personas, reducirá los accidentes. Parece que todo el proceso de conducción se está simplificando.
• Ideas como RelateIQ desarrolladas exclusivamente con el concepto de Machine Learning ayudan a un proceso de ventas eficiente. Las empresas se han dado cuenta rápidamente.
• Yo uso Lyft y Uber (empresa). Dan buenas estimaciones sobre la llegada de mis conductores, así que planifico lo suficientemente bien.
• Yo uso aplicaciones como Siri. Mejor hablar que escribir. Ergonómico amigable.
• Cosas ecológicas como los paneles solares están construidos de manera eficiente. La agricultura está mejorando para que todos podamos vivir en paz.

Estos son solo algunos ejemplos al azar fuera de mi mente. El aprendizaje automático realmente está mejorando nuestras vidas de muchas maneras. Fue poco apreciado todo el tiempo y ahora está recibiendo su debido.

No. Mire “Regreso al futuro” y vea cómo se imaginaban que sería 2018. Prefiero decir que tuvimos largos inviernos de IA debido a que el progreso del aprendizaje automático no ha crecido tan rápido como puede. De alguna manera, nos estamos poniendo al día. Los principios de IA se propusieron en la década de 1950 y algunos incluso antes. Los modelos lineales simples de aprendizaje automático existieron durante más de un siglo. Simplemente no teníamos los datos / casos de uso o la instalación informática.

Simplemente siéntese y piense en un problema dado, ¿puedo usar ML para automatizarlo y, en caso afirmativo, sería barato y eficiente? Si la respuesta es sí, alguien ya lo está automatizando o lo hará pronto. De hecho, lo que me parece sorprendente es el nivel de sistemas arcaicos que usan muchas industrias debido a la falta de conocimiento y la falta de mano de obra calificada.

El aprendizaje automático está sobrevalorado porque será la tecnología futura del mundo. Cada sector está experimentando un cambio tremendo hacia el aprendizaje automático.

La mayoría de las industrias que trabajan con grandes cantidades de datos han reconocido el valor de la tecnología de aprendizaje automático. Al obtener información de estos datos, a menudo en tiempo real, las organizaciones pueden trabajar de manera más eficiente u obtener una ventaja sobre sus competidores. La inteligencia artificial te va a robar el trabajo

SERVICIOS FINANCIEROS

Los bancos y otras empresas de la industria financiera utilizan la tecnología de aprendizaje automático para dos propósitos clave: identificar información importante en los datos y prevenir el fraude. Los conocimientos pueden identificar oportunidades de inversión o ayudar a los inversores a saber cuándo negociar. La minería de datos también puede identificar clientes con perfiles de alto riesgo, o usar la vigilancia cibernética para identificar señales de advertencia de fraude.

GOBIERNO

Las agencias gubernamentales como la seguridad pública y las empresas de servicios públicos tienen una necesidad particular de aprendizaje automático, ya que tienen múltiples fuentes de datos que pueden extraerse para obtener información. Analizar los datos del sensor, por ejemplo, identifica formas de aumentar la eficiencia y ahorrar dinero. El aprendizaje automático también puede ayudar a detectar el fraude y minimizar el robo de identidad.

CUIDADO DE LA SALUD

El aprendizaje automático es una tendencia de rápido crecimiento en la industria del cuidado de la salud, gracias al advenimiento de dispositivos y sensores portátiles que pueden usar datos para evaluar la salud de un paciente en tiempo real. La tecnología también puede ayudar a los expertos médicos a analizar datos para identificar tendencias o señales de alerta que pueden conducir a mejores diagnósticos y tratamientos. ¿Cómo puede automatizar su negocio con Inteligencia Artificial?

MARKETING Y VENTAS

Los sitios web que recomiendan artículos que podrían gustarle en base a compras anteriores están utilizando el aprendizaje automático para analizar su historial de compras y promocionar otros artículos que le interesarían. Esta capacidad de capturar datos, analizarlos y usarlos para personalizar una experiencia de compra (o implementar una campaña de marketing) es el futuro del comercio minorista. ¿Cómo puede la Inteligencia Artificial automatizar la generación de leads?

PETRÓLEO Y GAS

Encontrar nuevas fuentes de energía. Analizando minerales en el suelo. Predicción de falla del sensor de refinería. Racionalización de la distribución de petróleo para hacerlo más eficiente y rentable. El número de casos de uso de aprendizaje automático para esta industria es enorme, y sigue expandiéndose.

TRANSPORTE

Analizar los datos para identificar patrones y tendencias es clave para la industria del transporte, que se basa en hacer que las rutas sean más eficientes y predecir posibles problemas para aumentar la rentabilidad. El análisis de datos y los aspectos de modelado del aprendizaje automático son herramientas importantes para las empresas de entrega, el transporte público y otras organizaciones de transporte.

Básicamente, un algoritmo de aprendizaje automático recibe un “conjunto de datos de enseñanza” y luego se le pide que use esos datos para responder una pregunta. Por ejemplo, puede proporcionarle a la computadora un conjunto didáctico de fotografías, algunas de las cuales dicen: “esto es un gato” y otras dicen: “Esto no es un gato”. Luego, podría mostrarle a la computadora una serie de fotos nuevas y comenzaría a identificar qué fotos eran de gatos.

El aprendizaje automático continúa agregando a su conjunto de enseñanza. Cada foto que identifica, correcta o incorrectamente, se agrega al conjunto de enseñanza, y el programa efectivamente se vuelve “más inteligente” y mejor para completar su tarea con el tiempo. Es, en efecto, aprender. El auge de las máquinas: todo lo que necesita saber sobre los asistentes digitales virtuales

En una empresa con la que estoy familiarizado, el papel de las personas que realizan trabajo de analista está cambiando. Ya no estarán haciendo el trabajo, sino que estarán entrenando las máquinas y haciendo una verificación por muestreo. Esto solo requiere 1/10 de las personas. Hasta que tal vez las máquinas aprendan a autoentrenarse como AlphaGo o el mercado de valores.

La compañía enfrenta presión competitiva para hacer estos cambios para evitar perder costos y liderazgo de calidad. Este es un fenómeno de gran impacto. Mis hijos estudian investigación médica y CS porque parecen ser áreas en las que las máquinas necesitarán ayuda especializada.

El aprendizaje automático está alcanzando una amplia adopción y un crecimiento exponencial de las tecnologías de refuerzo. No creo que esté sobrevalorado. Si algo, los medios tradicionales no parecen cubrir esto porque hay aspectos aterradores en esto sin soluciones prometedoras. ¿Cuál es su visión de cómo la clase media de los EE. UU. Puede hacer frente al auge de la robótica, la automatización, etc.?

Deberíamos moderar las esperanzas de soluciones gubernamentales con la constatación de que las empresas públicas son máquinas de aprendizaje que contratan personas, que operan en un conjunto competitivo. Los CEOs operan en una posición restringida con tolerancia cero para desviarse del objetivo de la máquina. Mirando las elecciones estadounidenses, las compañías públicas tienen un gran poder. Los humanos que tienen defectos en el lado de la máquina son generosamente compensados. Las multitudes y los países se pisotean entre sí para obtener una posición favorecida.

¡Parcialmente!

En muchas ocasiones, sentí que el aprendizaje automático y la inteligencia artificial son exagerados. Raramente sentí que estos términos son bastante útiles. Necesitamos entender una cosa muy claramente, al final del día necesitamos ganar dinero con todas estas tecnologías. Una nueva invención, idea o tecnología puede ser genial. Pero no será nada cuando no tenga éxito económicamente. La mayoría de los términos que parecen elegantes e publicitados fracasarán económicamente y se adoptarán tal como los adoptó el competidor.

Adoptar una tecnología que no tendrá ningún impacto en el negocio, nunca tendrá éxito. La mayoría de las personas han comenzado a adoptar ML e IA, solo por el bien del nombre para mostrar a los clientes. Esto no será útil a largo plazo. Tenemos que centrarnos en los requisitos del negocio en lugar de adoptar tecnología no deseada en el negocio.

Básicamente, ML e IA vendrán después del programa principal o se pueden dar como un servicio. La organización puede adoptar ML e IA una vez que la base sea sólida o puede proporcionar IA como servicio a los clientes. Adoptar la estrategia anterior será la mejor idea que la posterior. Esto reducirá la exageración creada en la sociedad. Dado que todos (adoptados por el mismo nombre) están adoptando IA, se creó una publicidad no deseada.

Lo haría como un bombo artificial creado por las personas para hacer sus negocios. Esto no durará mucho.

Entonces, una vez que todo esté regulado, Hype se reducirá.

¡Aclamaciones!

Depende de quien eres. Si usted es el CEO de grandes compañías electrónicas o compañías en general, es muy probable que la IA involucre su carrera directamente … pero, si son otras personas, tal vez no realmente. La máquina se vuelve más inteligente y humana la compra y la usa para resolver problemas mayores, como calculadoras, ipad y luego asistentes de robot, tal vez. Es para aquellos que realmente están preocupados por cómo afecta enormemente su sueldo. La mayoría de las personas donde uber los reemplaza, o las máquinas robots reemplazan a los trabajadores, encontrarán otros trabajos …… es inevitable para estas personas, algunas en sus 40 años; y para los niños, tienen que aprender cosas nuevas como cualquier nueva generación.

La forma en que veo esto es la falta de voluntad de las personas para admitir que las computadoras son estúpidas y fáciles de aprender … y es aún más fácil que la física o las matemáticas …… … pero para sonar importante y tratar de mantener su valía, el CEO preocupado involucrado o los gobiernos intentan retratar una imagen de místicos ……….

No son nada para la ciencia … o los descubrimientos del Nobel … (a algunos premios Nobel les gusta criticar los problemas como si fueran tan especiales. A los ojos de Dios, son lo mismo).

La ciencia implica si es material de construcción o tecnología de inteligencia artificial … son simples herramientas …

No, el tamaño del mercado de Aprendizaje automático como servicio se evalúa para desarrollar de USD 613.4 millones en 2016 a USD 3,755.0 millones para 2021, a una tasa de crecimiento anual compuesta (CAGR) del 43.7% de 2016 a 2021. Las variables impulsoras fundamentales para el El desarrollo del mercado es la recepción de innovaciones basadas en la nube y progresos en los avances.

Entre los beneficios del Mercado de Aprendizaje Automático como Servicio, el fragmento de las administraciones expertas es el que más da en medio del marco de tiempo del medidor, aunque la sección de administraciones supervisadas se basa en el desarrollo de la CAGR más sorprendente. Las administraciones competentes incorporan asesoramiento y combinación, refuerzo y mantenimiento, y administraciones y exámenes de seguridad del sistema, que están ampliando el desarrollo y la familiaridad con MLaaS como la instancia más utilizada de la innovación NFV.

Entre la parte de las empresas, se requiere que el negocio de salvaguardas sea el segundo mayor defensor en medio del marco de tiempo del medidor. Esta industria está recibiendo respuestas del Mercado de Aprendizaje Automático como Servicio para su uso en la era de la información en curso y ejemplos destacados de reconocimiento. La digitalización y la inquietud de interactuar con el mundo para todos los efectos han provocado la era de las medidas gigantescas de información en el negocio de TI, en este sentido, impulsando la apropiación de los acuerdos de MLaaS en el mercado.

Se confía en que Norteamérica será el lugar de desarrollo más rápido en el marco de tiempo de la figura; la selección de los arreglos de MLaaS en esta área debe estar impulsada por el requisito cada vez mayor de conciliación de MLaaS con gran información, Internet de las cosas (IoT) y otras innovaciones impulsadas. Otra explicación detrás del creciente interés por los acuerdos de MLaaS es la rápida extensión de las empresas en el distrito de América del Norte. Se requiere que América del Norte lidere el mercado del aprendizaje automático como servicio, ya que la localidad incorpora naciones con economías establecidas, lo que permite un interés extremo en los nuevos avances.

Para obtener más información, solicite una muestra gratuita en el siguiente enlace:

https://goo.gl/lKF46p

Escribí este artículo sobre inteligencia artificial hace unas semanas, sobre la relación entre las prácticas actuales de “IA” y la ciencia de datos.

https://medium.com/@ryangtanaka/ …

He puesto “AI” entre comillas porque el enfoque actual de AI y las prácticas de aprendizaje automático no arrojarán el tipo de resultados necesarios para construir automóviles autónomos o sistemas sofisticados de “verdadera inteligencia”, simplemente debido a las limitaciones de hardware que tienen los sistemas actuales tener. Tal vez con la computación cuántica podría haber una posibilidad … pero incluso entonces, probablemente no se acercará realmente a lo que se especula ahora, ya que el cerebro humano y las computadoras simplemente no funcionan de la misma manera. (El cerebro no “procesa”, “almacena”, “recupera” cosas, por un lado … no hay separación entre ellas en los sistemas biológicos).

La exageración proviene principalmente de empresas que trabajan en proyectos de inteligencia artificial o aprendizaje automático (“aprendizaje profundo” es solo una palabra de moda, si me preguntas) que tienen algo que ganar con eso. No estoy seguro de por qué no pueden estar contentos con simplemente llamarlo como realmente es, un algoritmo diseñado para ayudar a la automatización, en lugar de agregar palabras como “inteligencia” o “aprendizaje” para que parezca más de lo que realmente es.

Creo que la gente olvida que ha estado trabajando en estas cosas desde la Guerra Fría, con cierto éxito y muchos fracasos que deberían informarnos sobre lo que es y lo que no es posible. Personalmente, realmente no veo una diferencia radical entre lo que se está haciendo ahora frente a entonces, tal vez a excepción del acceso barato a sistemas de hardware relativamente potentes. Pero incluso entonces, los problemas con los que se encontrará son los mismos que en aquel entonces, y hacer las cosas de la misma manera no lo ayudará a superar ese obstáculo.

No. En cierto sentido, todo lo que ML hace es dejar que las computadoras realicen tareas humanas mundanas. No permite que una computadora tenga presencia y un sentido de sí mismo. Permite que las computadoras funcionen a un nivel superior para que puedan interactuar con nosotros utilizando nuestras herramientas. Pero al hacer eso, hacemos computadoras y el poder que tienen una extensión de nuestra voluntad, permite a cualquiera interactuar con una computadora sin tener que aprender nada sobre el sistema informático. Ese es un resultado final poderoso, incluso si el sistema informático aún carece de la capacidad de perseguir sus propios pensamientos creativos.

Está “sobrevalorado” de alguna manera. Está sobrevalorado porque la frase “Machine Learning” invoca imágenes poco realistas en la mente de las personas. “Machine Learning” suena como Wall-E aprendiendo qué es el amor, y eso no es a lo que nos referimos cuando lo decimos.

Pero, ¿eso significa que está sobrevalorado? No De ningún modo.

El aprendizaje automático ciertamente está recibiendo una atención inusual.

De acuerdo con el análisis de Jared Friedman de las aplicaciones de YC, son específicamente términos como aprendizaje profundo e inteligencia artificial los que han visto el pico real en uso.

Los términos no utilizados como aprendizaje automático o ajuste de hiperparámetros son relativamente más seguros que el overhype. Así que todavía hay muchos shibboleths útiles.