Un punto importante es que TDA no pretende resolver las cosas solo .
TDA es un componente del análisis de datos y proporciona un nuevo tipo de características que pueden ayudar a realizar machine learning & cie.
En teoría, si necesita clasificar entre nubes de puntos distribuidas en Klein Bottles y Projective Planes, TDA debería hacer todo el trabajo. Pero en la vida real, las cosas no dependen 100% de la topología. Cuanto más sea su problema, más TDA ayudará, pero usar solo TDA no lo ayudará a resolver muchos problemas.
- ¿Los teléfonos inteligentes, las computadoras portátiles y otros dispositivos y tecnologías de marca china son confiables para usar en la India?
- ¿Es necesario que mi compañía de viajes tenga presencia móvil?
- ¿Cuáles son los inventos más geniales y sorprendentes del siglo XXI?
- ¿Cuál es el próximo gran paso en la evolución de Quora como plataforma?
- ¿Cuál es su fuente de noticias preferida?
Por lo tanto, no creo que una empresa que enfrenta problemas de big data para sus propias necesidades (como Facebook, Google y cie) deba usar “TDA como su tecnología central”. En cambio, debería considerar el uso de TDA para mejorar sus resultados (o ayudar a comprenderlos, tener información cualitativa, etc.) sobre la naturaleza de sus problemas.
Es por eso que las empresas de TDA, como Ayasdi, están más basadas en B2B. El lema de Ayasdi es “Inteligencia artificial para la empresa” . Ayasdi utiliza TDA para proporcionar resultados significativos a otras empresas. La TDA es difícil de dominar, por lo que la experiencia brindada por Ayasdi es muy valiosa (todavía no hay tanta gente en la Tierra capaz de usar correctamente las herramientas de la TDA e interpretarlas).
Pero en general, es importante tener en cuenta que TDA nunca pretendió reemplazar las herramientas clásicas de análisis de datos. Con suerte, Data Science no es un método para gobernarlos a todos .