¿Cuáles son las aplicaciones más interesantes del aprendizaje automático en espacios inesperados?

Gracias por el A2A.

Me voy a centrar en el aprendizaje profundo, porque es lo que mejor sé.

En primer lugar, las redes neuronales artificiales profundas se utilizan para clasificar, agrupar y hacer predicciones sobre los datos. Esos datos pueden ser imágenes, sonido, texto o series temporales de sensores. Puede pensar en el aprendizaje profundo como la percepción de la máquina: aplica nombres a los datos (por ejemplo, caras), intuye similitudes entre cosas sin nombre y reconoce patrones en secuencias.

Así que imagínense lo que significa que ahora podemos replicar los poderes humanos de la percepción infinitamente. No solo eso, sino que podemos replicar las percepciones de los expertos. Por ejemplo, si un grupo de oncólogos etiquetó un gran conjunto de rayos X con cierto tipo de cáncer o no, y rodeó los indicadores en los rayos X que utilizaron para sacar sus conclusiones, entonces podríamos entrenar a red neuronal para diagnosticar, con el mismo nivel de precisión, cualquier radiografía a la que esté expuesto, en cualquier parte del mundo. Cada laboratorio en cada comunidad remota tendría la capacidad de hacer esos diagnósticos. Las redes neuronales no diagnosticaban cada vez más el cáncer al final del día debido a la fatiga, como a veces hacen los técnicos. Simplemente atraparían el cáncer y salvarían vidas. El aprendizaje profundo nos ayudará a superar la limitación de la limitada experiencia humana en muchos campos.

Mencioné la percepción de la máquina, pero no debemos imaginar esa percepción de la máquina. Las máquinas tienen sensores que se extienden más allá de las facultades humanas. Pueden sentir longitudes de onda como infrarrojos o ultravioleta invisibles para el ojo, perciben vibraciones sutiles para sentir y escuchan “sonidos” más allá de la capacidad del oído. El aprendizaje profundo se puede aplicar a esos reinos invisibles con la misma precisión que se usa para reconocer caras. En este momento, muchos hogares dependen de los perros para oler y escuchar mejor que sus habitantes humanos. Pero las redes neuronales podrían entrenarse para reconocer patrones que los perros consideran peligrosos y alertar incluso cuando nuestro perro no esté allí.

Muchos lectores pueden saber que el aprendizaje profundo se aplica a los idiomas para avanzar en la traducción automática, mapear un idioma a otro e interpretar un hablante automáticamente. Pero pocas personas han reflexionado sobre lo que esto significa para la humanidad. En este momento, la traducción automática todavía envía muchas cosas, pero a medida que mejora, y creo que podemos suponer que mejorará para alcanzar el nivel de habilidad de los expertos, la humanidad podrá comunicarse de forma libre y transparente entre culturas y naciones. Piense en las personas que no ha conocido, las conversaciones, las percepciones y las conexiones que se perdieron debido a la falta de idioma. Ahora imagine que esa brecha se evapora. Los estadounidenses y los chinos podrían comunicarse tan bien entre sí como los australianos y los neozelandeses. Creo que habrá grandes dividendos, tanto para la paz como para la economía mundial.

Si bien esto no es realmente una aplicación de Machine Learning directamente, las técnicas discutidas aquí en torno a la entropía, etc. son fundamentales en muchos campos de muchos ML, incluido el procesamiento del lenguaje natural.

Personalmente, considero que es el uso más inesperado de las técnicas de ML.

A2A.

Ok, aquí hay algunas cosas que parecen inesperadas.

1) Aprendizaje automático en cambio climático

Creo que el cambio climático es un problema apremiante y es necesario forjar una colaboración entre el aprendizaje automático y la ciencia climática para detectar eventos o para desafíos más apremiantes.

http://ntrs.nasa.gov/archive/nas …

2) ML para identificar posibles fuentes de energía

La detección de fuentes de energía de la corteza terrestre es de extrema importancia y qué mejor que usar ML para tales tareas. Esto es de importancia primordial en geoestadística y está siendo un estudio que creo que lo hace fascinante.

https://arena.gov.au/files/2014/ …

3) Aprendizaje automático para la desagregación de energía

Esto me parece bastante fascinante, pero no sé mucho sobre esto.

7 razones por las que las empresas de servicios públicos deberían utilizar el aprendizaje automático

4) ML para MOOC’s

La iniciativa para la educación ha llevado a muchos MOOC. Creo que el ML para la investigación relacionada con la verificación del abandono de los estudiantes, la calificación automática y el contenido personalizado parece fascinante.

5) ML para medicina personalizada

No tengo idea de esto, pero parece súper interesante si es posible,

Aprendizaje automático para medicina personalizada

6) Aprendizaje automático para cosmología

Creo que esto sería asombroso. Desde la detección de galaxias distantes hasta la detección de cuásares, creo que ML tiene mucho que ofrecer.

Hubo un taller de NIPS

cmml-nips2011 – inicio

El aprendizaje automático está surgiendo en lugares bastante inesperados. El espacio de internet es común. Amazon, Google, IBM, Microsoft tienen infraestructuras y software de vanguardia donde el corazón son los algoritmos de aprendizaje automático. Algunos de los espacios inesperados para ver ML es Home Automation e IoT. Los sistemas embebidos e Internet de las cosas han ganado mucha tracción. Las luces controladas por voz, las aplicaciones inteligentes que rastrean los parámetros de salud y estado físico, los bloqueos automáticos que se bloquean y desbloquean según el reconocimiento facial son algunos ejemplos. Además, se dice que será uno de los componentes centrales detrás de Bio Informática y Genética.

Si entiendo bien su pregunta, diría que su aplicación en el Mars Rover y los descubrimientos del espacio profundo para los que la NASA lo utiliza. Ese es un espacio inesperado con terreno desconocido para el hombre sin telemetría, pero estas máquinas han sido programadas para navegar a través del aprendizaje automático y la codificación integrada

Mis colegas de la comunidad de ciencia de datos abiertos de San Petersburgo están trabajando en un proyecto destinado a agrupar etiquetas pornográficas, fusionar etiquetas sinónimas y encontrar patrones en los videos que la gente ve, a juzgar por la audiencia superpuesta de los videos.

Los chicos de la misma comunidad también hacen algunas cosas con una gran cantidad de datos de Dota 2, prediciendo el resultado del partido, si mi memoria me sirve bien.

Recientemente elegí un proyecto destinado a hacer que la búsqueda de stackoverflow sea más amigable para los novatos, pero aún no le diré nada 😉

No estoy calificado para responder esta pregunta, ya que mi expectativa natural es que el aprendizaje automático se aplique en cualquier lugar, sin dejar espacio para espacios inesperados.

Sin embargo, un enlace obligatorio: los usuarios de iPhone tienen más sexo.