Una palabra: datos.
La mayoría de las veces, los investigadores que hacen la transición de un puesto de investigación académica a un puesto de investigación de la industria se sorprenden por el hecho de que los datos del “mundo real” no son tan buenos / limpios. Los datos no son negociables en la industria, se le entregan los datos y tiene un problema que resolver. He visto a algunos investigadores académicos que hacen la transición a la industria quejarse, levantarse y ponerse alborotados. Su punto de discusión es que “deberían invertir más en la recopilación de datos de buena calidad / deberían obtener un mecanismo mecánico para limpiar los datos / con estos datos basura nada funcionará, este es un proyecto desesperado / yada-yada”.
Otra cosa que he notado personalmente es que algunos investigadores académicos no entienden el concepto de maximización de la asignación de “problema de recursos”. Tenemos N problemas para resolver y tenemos investigadores M, ¡los intereses de los investigadores M no necesariamente se asignan directamente a todos los problemas N, pero tenemos que maximizar el recurso de los investigadores M para resolver los problemas N! Durante el proceso de contratación, la mayoría de los investigadores son juzgados predominantemente por su experiencia en un dominio particular (por ejemplo: visión artificial) y, en menor medida, por una comprensión más profunda de un problema particular (por ejemplo: detección / seguimiento de peatones). Eso no significa que el investigador trabajará para siempre en la detección / seguimiento de peatones. En cierto punto, si es necesario, el investigador se asignará a problemas que pueden no ser de su interés particular de investigación, pero se encontrarán en su dominio de experiencia. En este punto, algunos investigadores académicos acérrimos se quejan de “deberían estar resolviendo el problema-X no este problema / Apple está resolviendo el problema-X, por eso son rentables / yada-yada”. El hecho es que se tomó una decisión comercial en algún momento, para bien o para mal este es el problema que debemos resolver, de alguna manera este punto se escapa a muchos investigadores académicos.
- ¿Cuáles son los avances importantes en el aprendizaje automático en la última década?
- ¿Quiénes son los mejores profesores que trabajan en Computación Cuántica?
- ¿Cuál es la forma más eficiente de transferir datos entre MATLAB y Python?
- ¿Debería preocuparme si podría terminar mi doctorado a tiempo?
- En informática, los temas de comercio algorítmico no parecen ser populares. ¿Porqué es eso?
Por otro lado, un investigador industrial también puede quejarse / levantarse / levantarse un escándalo en un entorno académico porque el “juego de pelota” es diferente en un entorno académico.
PD: Esta es mi opinión y de ninguna manera completa. Feliz de escuchar los pensamientos y opiniones de otras personas.
mis 2 centavos!
