Con esta definición de relevancia (1a y 2), Machine Learning es una herramienta (y una de las mejores que tenemos) para ofrecer una alta relevancia frente a las necesidades del usuario. El objetivo final de los productos suele ser relevante, y hacen lo que sea necesario para llegar allí.
Algunas formas en que ML ofrece relevancia:
- Si hoy existiera una computadora cuántica, ¿qué pasaría con la IA / aprendizaje automático / aprendizaje profundo? ¿En qué se traduciría esto para las empresas / industrias?
- ¿Hay algún proyecto / investigación de Machine Learning interesante en el que pueda trabajar de forma independiente?
- Cómo comenzar a aprender lenguaje máquina a partir de tutoriales
- ¿Cuál sería la mejor manera de encontrar estudiantes universitarios interesados en un proyecto de investigación sobre la interfaz entre bioinformática y aprendizaje automático, en Johns Hopkins?
- ¿Cuál es la diferencia entre el aprendizaje automático en Python y R?
- Búsqueda: ML ha visto un gran crecimiento reciente en el ranking de búsqueda. Un ejemplo es la importancia de RankBrain en el trabajo de Google: AI está transformando la búsqueda de Google. El resto de la web es el siguiente.
- Feeds personalizados: Feeds como el uso de Facebook ML (quién controla realmente lo que ves en tu feed de Facebook y por qué lo siguen cambiando)
- Orientación de anuncios: el aprendizaje automático se abrió paso en la clasificación de anuncios antes de buscar en la clasificación, consulte ¿Por qué el aprendizaje automático se usa mucho para la clasificación de anuncios de Google y menos para su clasificación de búsqueda? ¿Qué llevó a esta diferencia?
Algunos que de alguna manera los métodos que no son de ML ofrecen relevancia:
- Aunque ya no es una señal tan alta como lo era antes, PageRank sigue siendo una característica en el ranking de búsqueda de Google y otros. Es esencialmente una medida de la centralidad de la red.
- Gráficos sociales y señal explícita del usuario: Facebook y Twitter tienen una tarea de clasificación de ML mucho más fácil porque sus grupos de candidatos para historias son contenidos creados principalmente o sobre los cuales actúa su gráfico social.
- Diseño de interfaz de navegación. A menudo, crear la jerarquía y los patrones de navegación correctos combinados con el aprendizaje automático ayuda a las personas a encontrar lo que quieren. Por ejemplo, la navegación de Spotify permite a los usuarios transmitir su intención (que es difícil de predecir con ML) y luego se inicia la personalización.
A veces, ML no se trata de relevancia
El aprendizaje no supervisado (específicamente la agrupación) a menudo no se trata de encontrar el material adecuado para una necesidad, sino de dar sentido a información desconocida. A veces determina la necesidad en lugar de satisfacerla.