Esto debe ser leído y releído especialmente por los nuevos entrantes. Data Science & Big Data (más allá de reempaquetar trabajos clásicos de análisis de datos como Data Scientist) sin experiencia en el dominio (biología, finanzas, diseño de productos, etc.), cualitativa (datos pequeños y empatía cognitiva en torno a los datos pequeños si los humanos reales están involucrados en el subyacente proceso) la comprensión a menudo es inútil. Aunque algunos expertos en IA realmente talentosos (0.1% superior) tienen habilidades asombrosas para crear un sistema ML listo para la producción (por ejemplo, el sistema de diagnóstico probabilístico de Watson) capaz de vencer a los expertos en el dominio, considérelo como una excepción. Su trabajo diario (en la industria, a menos que sea un investigador senior de ML en Microsoft Labs, por ejemplo) girará principalmente en torno a la ingeniería de datos, más que al aprendizaje automático. El “zumbido” que experimentas en los medios de comunicación o en el excelente libro de Pedro Domingo fue creado a propósito por reclutadores, constructores de publicidad y algunos académicos de la torre de marfil que a menudo “eligen” no trabajar para la industria, para garantizar la sostenibilidad de la industria. volumen del lado de la oferta. Sin experiencia en el dominio y comprensión cualitativa , su papel como Científico de Datos puede ser fácilmente (y pronto será) automatizado y comercializado. (Economía 101)
¿Es la creciente mercantilización en el LD una seria preocupación para sus practicantes o aspirantes?
Related Content
¿Pueden los robots tener conciencia alguna vez?
¿Es Marvin Minsky un buen programador? ¿Sabe mucho sobre IA o es solo un tipo teórico?
¿Qué cosas necesito para desarrollar una inteligencia artificial?
Esta es una buena pregunta. Mi experiencia es realmente positiva. El creciente número de compañías de IA y ML, y su creciente presupuesto publicitario, ha ayudado a educar a muchas industrias (e inversores), lo que está ayudando a hacer crecer el mercado. Desde las finanzas hasta la distribución mundial de frutas, hay cientos de compañías de ML que comienzan a marcar una verdadera diferencia.
Esto es bastante normal. Si soy la primera persona en inventar un avión, es difícil de vender. Si ya hay un mercado fuerte para aviones, entonces tendré muchas oportunidades para explotar, ajustando el diseño de un avión o proporcionando características adicionales a los diseños actuales.
Así es para ML. En este momento nunca ha sido un mejor momento para trabajar en ML. Los teoremas de No Free Lunch nos dicen que siempre habrá una oportunidad para hacer un mejor algoritmo para problemas nuevos específicos. Elija su nicho con cuidado y tendrá éxito.
More Interesting
¿Cómo afectará la IA el aprendizaje de idiomas y la traducción en los próximos cinco años?
¿Cómo se relacionan los actos de diálogo con el modelo de agente BDI (Belief Desire Intention)?
¿Cuáles son algunos argumentos filosóficos contra la prueba de Turing?
¿Cuáles son los proyectos de inteligencia artificial de código abierto más prometedores?
¿Qué se 'propaga' durante la retropropagación?
¿Qué matemática se necesita para comprender la inteligencia general artificial?
¿Cuál es el algoritmo detrás de x.ai?
¿Cómo reemplaza una red neuronal un modelo acústico para aplicaciones de reconocimiento de voz?
¿Para qué se puede usar un reconocedor de dígitos?
Rober Ambrogi: ¿Podría Watson de IBM hacer obsoletos a los testigos expertos?
¿Se puede usar la suma de todo el conocimiento sobre Quora para la inteligencia artificial?
¿Cómo funcionan los filtros Prisma?
¿Cuál es la prueba de que la iteración de políticas converge en el aprendizaje por refuerzo?