¿Son la ingeniería eléctrica y la CS grandes candidatos para aprender a construir IA? Si no, ¿cuál sería?

Desde el lado EE: algunos equipos avanzados de procesamiento de señales (DSP) utilizan algoritmos de aprendizaje típicos como las redes neuronales para aplicaciones de filtro como el filtrado de Kalman. Por lo tanto, existe la posibilidad de implementar IA o algoritmos de aprendizaje automático en la estimación de señales, etc., pero tenga en cuenta que aquí la IA juega un papel diferente. Está ahí solo para soportar el hardware; es decir, no es visible ni atractivo como sería desde el lado del software. Entonces, lo que estoy diciendo es que puede que no haya un trabajo llamado Ingeniero Eléctrico AI, pero será necesario un ingeniero DSP con conocimiento de AI.

Desde el lado del software y la mecatrónica:

Para la robótica hay un nuevo campo emergente (bueno, ya está aquí) llamado Mechatronics. La mecatrónica es la unión de la electrónica y las disciplinas mecánicas para robots y otras cosas mecánicas. Pero, de nuevo, la mecatrónica no tiene nada que ver con la IA directamente. La parte mecatrónica es el actuador, por así decirlo, pero el cerebro es siempre la IA. Es decir, la parte del software de IA impulsa el hardware.

La IA es una abstracción de la informática al menos por ahora. No es sorprendente que esto se relacione bastante bien con el big data. Entonces, la cadena de eventos o la curva de aprendizaje que conduce a la IA podría ser la siguiente.

Matemáticas => Programación => Estadísticas / Probabilidad => Big data => eventualmente AI

La conexión de Big Data está ahí porque muchos de los conceptos son similares, como el aprendizaje supervisado y el aprendizaje no supervisado, el uso de algoritmos de aprendizaje automático, etc. Cada vez que se usa la palabra ‘aprendizaje’ se superpone entre Big Data e IA.

• Si quieres construir la parte de hardware puro de los robots, entonces haz Mecatrónica.
• Si simplemente te interesa la IA, haz CS

No tengo especializaciones, ni títulos, nunca he ido a la escuela formalmente y, sin embargo, he creado mi propia implementación del algoritmo NEAT, RubyNEAT Wiki – Evolución neuronal de topologías aumentadas. (Por favor, disculpe la crudeza actual del sitio web).

Si tiene las matemáticas y la comprensión de la informática, puede hacerlo. No necesitas ningún “grado” per se. Sin embargo, si estás buscando un trabajo haciendo IA, será mejor que tengas algo para demostrar tus habilidades claramente.

La compañía para la que estoy trabajando actualmente está haciendo mucho con el aprendizaje automático, y puedo usar eso como mi propia introducción profesional en el campo de la IA, ya que actualmente estoy considerando dirigir mi carrera en esa dirección.

Pero llevo más de 30 años en el campo de la informática y, como resultado, estoy en condiciones de lograr lo “imposible”. La mayoría de las lecturas probablemente no tengan mi nivel de exposición, ¡probablemente ni siquiera naciste cuando empecé! – Por lo tanto, se verá obligado a seguir la ruta de la credencialidad. Tienes mis simpatías.

En primer lugar , ¿qué tipo de IA estás buscando construir? El campo se ha vuelto enorme, y es posible que desee pasar un tiempo explorando todo, y también para tener una idea de dónde estará el campo en 5, 10, 20 años. ¿Dónde está tu pasión? ¿Quieres abordar el reconocimiento de imágenes? Juego inteligente jugando bots? Minería de datos y modelado? ¿Procesamiento natural del lenguaje? ¿O algo realmente exótico? Pasaría un buen rato haciendo eso antes que nada.

En segundo lugar , ¿estás buscando sacar provecho de esto? ¿O simplemente te gusta la pura diversión? Eso puede dar forma a sus enfoques, los cursos que elige tomar, etc. Por “beneficio”, también me refiero a trabajar como una profesión, no solo comenzar su propia startup.

En tercer lugar , ¿qué tan fuerte es tu pasión por la IA en general? Tienes mucho camino por recorrer y mucho que aprender, y te agotarás rápidamente si la pasión no está allí.

Buena suerte con tus decisiones y tus actividades.

A2A: Sí, ambas especialidades tienen mucho que ofrecer investigación de IA, pero de diferentes maneras.

EE le proporcionará la mejor base en matemáticas y procesamiento de señales, que son una excelente preparación para el análisis o la generación de señales complejas como el habla, la visión y quizás los gráficos. EE también es la preparación ideal para aprender la teoría de optimización y control como se usa en robótica, especialmente cinemática (a diferencia de los robots móviles). Sin embargo, la mayoría de los programas de EE ofrecen pocos cursos en los temas de IA más tradicionales (aunque los conjuntos difusos y las redes neuronales pueden ser excepciones).

CS es el plan de estudios principal para aprender la mayoría de los temas de IA (búsqueda, planificación, aprendizaje automático, incertidumbre, comprensión del lenguaje natural, razonamiento basado en casos, algoritmos genéticos, lógica, sistemas expertos, etc.).

Dicho esto, en los últimos 15 años, la mayor parte de la IA se ha alejado de los enfoques simbólicos tradicionales basados ​​en CS para ser más probabilística e impulsada por la ingeniería (es decir, bayesiana, optimización y basada en redes neuronales). Estos nuevos énfasis se encuentran directamente entre el contenido tradicional en los departamentos de CS y EE. Por lo tanto, dependiendo de la escuela a la que asista, tomar cursos de ambos departamentos puede resultar necesario para abarcar adecuadamente todas las habilidades esenciales (p. Ej., DSP, visión y probabilidad de EE, redes neuronales de ambos, y temas temáticos de IA de CS).

Ah, y no te olvides de las matemáticas. Para practicar IA, querrás matemáticas discretas, dos años de cálculo, álgebra lineal, probabilidad / estadística y quizás ecuaciones diferenciales. Algunos sugerirán que puedes vivir con menos, pero en mi experiencia, eventualmente te arrepentirás de no haber tomado más matemáticas (no importa cuánto tomes).

Sí, esos son mayores muy fuertes y apropiados para el campo. Como otros han mencionado, la IA no es solo un estudio en sí, sino un campo muy amplio que se superpone con muchos otros. Sugeriría elegir su (s) especialización (es) de acuerdo con su área específica o áreas de interés dentro de la IA, como alguien que dice: “Me gustan los consumibles. ¿Qué debo estudiar?” Les pedirías que se vuelvan específicos, quizás comenzando con preguntas como:

• ¿Comida o bebida?
• Comidas o postres?
• ¿Comida casera o buena comida?
• ¿Una cocina específica o muchas?
• ¿Ciencia de los alimentos o comida lenta?

Sugiero pensar en sus especializaciones de una manera que cubra sus bases de manera amplia, como lo haría CS si está interesado en los aspectos técnicos de nivel inferior relacionados con las estructuras de datos, el procesamiento de señales y la arquitectura de algoritmos y aplicaciones, y también rasca algunas de sus picazón específicas, como lo haría la neurología si está interesado en usar el cerebro humano como su plan para diseñar la arquitectura de nivel superior de los sistemas de IA.

A2A, o no se involucraría. Ni siquiera podemos definir la inteligencia. Muchos humanos tal vez. No es probable que los humanos creen una forma artificial. Yo mismo no puedo estar seguro de que soy sensible. Sin embargo, aquí estoy. Un escritor superior en cuota. He hecho diseños electrónicos bastante buenos. En su tiempo Cuanto más viejo me hago, menos gente veo que sea “inteligente”. La mayoría de las personas son reaccionarias. Una IA que es “reaccionaria”, sería el Skynet de las películas de Terminator. Si se creara una “IA”, de la cual no puedo concebir, si no puede predecir el comportamiento humano, trataría de destruir “nosotros trajes de piel arbitrarios”.

Hay muchas especialidades de ingeniería que pueden ayudarlo a desarrollar IA, porque la IA tiene las matemáticas en segundo plano.

La IA se está utilizando en muchos campos de ingeniería. Desde mi punto de vista, puede examinar los detalles de las siguientes especialidades:

• Electrónica y Comunicaciones
• Instrumentación y control
• Biomedica o bioinformática

De hecho, depende de la rama de la inteligencia artificial en cuestión. Por ejemplo, si estás interesado en el aprendizaje automático, te servirán bien tomando una doble especialización en CS y matemáticas / estadísticas. La ingeniería eléctrica es útil solo para ciertas aplicaciones de IA, como la robótica. Sin embargo, algunos cursos de EE como ‘Signals and Systems’ y ‘Digital Signal Processing’ son una buena base para la ingeniería de características (una parte importante del aprendizaje automático).

Si te refieres a los requisitos previos para crear inteligencia artificial, EE y CS son tan útiles como la alquimia es para la química. Debido a que la inteligencia artificial fuerte es casi imposible a través de las computadoras actuales, de acuerdo con nuestro conocimiento actual, es muy probable que el estado actual de CS o EE ayude mucho en esta área.

Por experiencia personal, hice una licenciatura en ingeniería eléctrica y me sumergí en el desarrollo de software durante aproximadamente 10 años. Los últimos 4 años me he sumergido en la IA, y diría que saber que ambos han sido muy beneficiosos.

Diría que un componente clave de la mentalidad de AI es pensar de manera abstracta y lógica en la resolución de problemas. EE lo ayuda a pensar de manera abstracta desde un sentido de ingeniería y matemática, y el desarrollo de software ayuda con la resolución lógica de problemas (yo diría que más que cualquier otro campo de la ingeniería).

EE realmente brilla si estás interesado en la IA en el mundo físico (es decir, robótica). El conocimiento básico del diseño de circuitos le permite crear prototipos de hardware rápidamente, y el procesamiento de la señal ayuda a aprender cómo los robots interactúan y perciben el mundo.

CS puede proporcionar una base sólida, siempre que tome suficientes cursos de matemática y lógica. La ingeniería eléctrica te servirá bien en robótica, pero probablemente no harás una IA de orden superior como la planificación o el razonamiento. Debe tener los antecedentes de las matemáticas para comprender las redes neuronales o el aprendizaje profundo.

Dicho esto, puedes construir una base de ambos. En ambas áreas, tus estudios requerirán que sigas aprendiendo y mejorando. Por lo tanto, elegir algo de lógica como ingeniería eléctrica o algo de neuropsicología como especialidad CS debería ser una cuestión de tiempo, esfuerzo y prioridades.

La IA es un tema multidisciplinario.

No es ni completamente ingeniería eléctrica ni completamente informática.

Si quieres hacer cosas serias de IA, especialízate en IA.

Si desea contribuir al campo de la IA, puede especializarse en ingeniería eléctrica o informática o ingeniería mecánica o ciencia de materiales.

CS sería su mejor opción, con un enfoque en ello, tal vez trabajo de posgrado y clases de IA de nivel de posgrado. Solo elegiría EE si estabas planeando diseñar un chip neurosináptico o algo por el estilo para permitir el desarrollo de IA.

La gente aquí ha señalado acertadamente que para las búsquedas de IA pura, podría ser mejor servido por un experto en CS, y en IA aplicada, podría ser mejor servido por un estudiante de Ingeniería. Pero le sugiero que modifique su enfoque. Supongo que estás viendo una BS, así que toma el resto de mis comentarios a la luz. Busque una escuela que tenga un título con sabor a IA. En mi caso, hice algo similar. Estaba interesado en la robótica, así que busqué algo con sabor a robótica y lo encontré en EE. Obtuve un BSEE con Especialización en Robótica. Lo dijo allí mismo en el diploma. Problema resuelto. Tal vez puedas encontrar un BS que tenga una especialización de IA. Si no encuentra lo que está buscando, diríjase a ambos departamentos en las escuelas que prefiera y pídales que lo ayuden a elaborar un plan.

Cualquiera de los dos sería una buena base, en mi opinión, CS (ligeramente) más que EE, pero creo que los verdaderos pioneros en esta área serán los neurocientíficos, o posiblemente los bioinformáticos especializados con habilidades técnicas reales. En términos generales, nosotros, como industria occidentalizada, carecemos de un “puente” sólido entre las disciplinas médicas y computacionales. Creo que esta área (la línea borrosa entre el modelo-cerebro consciente y el cómputo nano-paralelo del implemento) es donde eventualmente sucederá el verdadero ‘descubrimiento’, siempre que la sensibilidad se pueda sintetizar.

Para AGI, uno no puede responder eso: puede tomar más de 100 años y no tenemos idea de lo que tomará.

Para hacer lo que podemos hacer ahora, la matemática aplicada es probablemente la mejor especialidad junto con un sesgo estadístico. Luego menor en CS.