¿Qué tan importante es la matemática para una IA?

Voy a tomar una visión contraria aquí: realmente depende de la aplicación, y si el 80% es o no lo suficientemente bueno, con una gran excepción si tiene datos muy escasos o muy ruidosos o muy largos, o si va a aplicar un modelo que no sea un árbol impulsado o una red neuronal. Esa es la respuesta corta. La larga respuesta sigue.

A medida que mi carrera se desarrollaba, el aprendizaje automático estaba de moda como una herramienta para la producción de productos (aunque como una técnica de ciencia de datos tiene siglos de antigüedad), y había un ecosistema bastante limitado a su alrededor. Algunos de los modelos iniciales que construí los escribí a mano. No hace falta decir que una comprensión profunda de las matemáticas era esencial. Solía ​​encontrarme con todo tipo de problemas matemáticos, desde la optimización a utilizar hasta cómo manejar matrices singulares y pequeños errores de redondeo que se propagan a través del modelo y se vuelven muy significativos. Los grandes datos exacerbaron mucho esto: muchas de las técnicas (como calcular el SVD) no se distribuyeron bien.

Pero con el tiempo, gran parte del aprendizaje automático se ha mercantilizado. Ciertamente no necesita un doctorado en CS para implementar una solución construida a partir de la antorcha o el flujo de teano o tensor, y un curso de 10 semanas en ciencia de datos lo llevará a un punto moderadamente competente con muchos modelos sin realmente aprender matemática Detrás de eso. La ‘mercantilización’ del aprendizaje automático no se aplica universalmente: hay muchos problemas, como la predicción de resultados médicos (un área donde actualmente trabajo), donde el problema sigue siendo lo suficientemente desafiante (más sobre cómo identificar estos problemas a continuación). Pero esta es la tendencia.

Pero la mayoría de los problemas de “IA” no tienen esa característica. Para un sistema típico de rendimiento relativamente alto, usted define algo que está tratando de maximizar, obtiene una gran cantidad de datos e implementa un modelo para predecir o clasificar o lo que haga su sistema con alguna biblioteca estándar. Obtendrá aproximadamente el 80% del camino hacia su objetivo simplemente agregando más datos o agregando datos de mayor calidad. Y este es el secreto oculto del que la mayoría de la gente no habla en la industria de IA: los modelos son mucho menos importantes que la calidad de los datos y la precisión de las etiquetas que se les aplican.

Es decir, para muchos proyectos muy exitosos, un modelo listo para usar y un énfasis en (1) la calidad de los datos, que no requiere un doctorado, y (2) comentarios, que tampoco requieren un phd, dará como resultado un progreso mucho mayor que el modelo altamente complejo y personalizado.

Ahora, hay algunas excepciones.

1. Tus datos son muy ruidosos
2. Tus datos son muy escasos
3. Su espacio de problemas tiene una distribución de cola muy pesada
4. No sabes a qué me refiero con 1–3.
5. Debe crear modelos que funcionen con TB o PB de datos

Si su problema tiene cualquiera de esas 5 características, probablemente necesitará a alguien con experiencia en el tema para dirigir el equipo. Por lo general, un individuo como ese tiene un doctorado en CS o matemática aplicada o similar.

De forma análoga a la aritmética para la contabilidad → así como no hay forma de balancear sin aritmética básica, no hay una forma (significativa) de construir sistemas de IA sin matemáticas.

Las matemáticas, especialmente la probabilidad y las estadísticas, son la base de la IA.

La única razón por la que creo que estoy parcialmente calificado para escribir una IA es porque recientemente intenté escribir una red neuronal usando el tensorflow de código abierto de Google.

Para resumir mi experiencia con él en pocas palabras: “Got rekt m8”.

No entendí nada en términos de las matemáticas detrás de las matrices y las pocas matemáticas que pude entender estaban en el nivel más básico, todavía se está trabajando en gran parte del rigor detrás de las redes neuronales y la inteligencia artificial, sin embargo, las matemáticas que sí usan es una gran cantidad de estadísticas, álgebra lineal y funciones de aproximación.

Todo se reduce a lo que quieres decir con esta pregunta, ¿quieres saber cómo implementar una IA? Si ese es el caso, espere a que el equipo de Brain en Google salga con un código abierto para crear IA y usarlo. Si está interesado en comprender cómo funcionarían las IA y los conceptos detrás de las redes neuronales, siga la ruta rigurosa.

Todo se reduce a lo que quieres que sea tu experiencia, si quieres saber exactamente por qué y cómo funciona algo, profundiza en las matemáticas detrás de esto, si no, no lo hagas.

Escuché que hay un buen libro sobre aprendizaje automático teórico llamado “Comprender el aprendizaje automático” de Shai Ben David (es un profesor de UWaterloo) que se supone que debe entrar en los fundamentos teóricos de la informática.

¡Buena suerte!

No hay IA sin matemáticas. No hay computadoras sin matemáticas. No hay ciencia o ingeniería sin las matemáticas.

Ni siquiera podríamos construir una ciudad sin las matemáticas. Ni siquiera uno de piedra.

La matemática es fundamental para la existencia humana. Como fundamental, o quizás más, que el lenguaje hablado.