Sí, ML puede estar desplazando Algoritmos como el área que atrae a algunas de las mentes más agudas en CS. Hay mucho trabajo desafiante y emocionante que hacer y mucha demanda.
En los últimos años en Johns Hopkins, hemos realizado 5 contrataciones de docentes con seguimiento de tenencia (2 de ellas aún no anunciadas) que contarían como contrataciones de ML. Esa es una fracción significativa de 25 profesores en total. Nuestros cursos relacionados con ML son muy populares y estamos agregando varios nuevos cursos especializados de ML.
Pero el número de profesores “que se ocupan del aprendizaje automático” es algo mayor, como usted sugiere. Al menos en Johns Hopkins, hay muchas otras personas como yo, dentro y más allá del departamento de CS, la vía de tenencia y la pista de investigación, que hacen ML + X por algún valor de X. Esto se debe en parte a nuestra tradicional fortalezas en lenguaje / habla, visión y robótica, todos los subcampos de IA que se han inclinado fuertemente hacia ML. Pero va más allá de eso, a otras áreas en el campus como ML + cuidado de la salud, ML + bio, ML + neurociencia, ML + sociología.
- ¿Las computadoras cuánticas son realmente reales ahora? ¿Cuándo lo usarán para calcular el significado de la vida? ¿Cuándo resolverá las otras preguntas filosóficas?
- ¿Cómo ayudan los tipos en la verificación formal de los programas?
- ¿Cuál es la mejor función de evaluación que se te puede ocurrir para el inverso del juego tic tac toe?
- ¿Qué significa cuando los datos están ocultos?
- ¿Cuáles son las aplicaciones del aprendizaje automático en las finanzas?
Hay una cantidad tremenda de cosas interesantes sucediendo en la intersección de ML y otros campos. Hace unos 10 años, noté que cuando conocí a colegas aleatorios de otros departamentos de ciencia o ingeniería, el lenguaje común era ML. En diez minutos, estaríamos hablando de nuestros modelos generativos y de cómo conseguimos mezclar nuestros muestreadores MCMC.
Tomándome como ejemplo: hago ML + NLP. La mayoría de mis propios trabajos todavía están en conferencias de PNL, pero ¿y qué? Las personas en esa comunidad son muy sofisticadas con respecto a ML y han realizado un trabajo clave en modelado generativo, algoritmos de predicción estructurados y aprendizaje de representación. (El grupo de lectura de PNL que dirijo pasa la mitad de su tiempo leyendo una amplia variedad de artículos de ML). Y ciertamente me siento cómodo en la comunidad más amplia de ML: publico algunos trabajos en lugares como NIPS, he dado charlas invitadas en ICLR y en los talleres de NIPS e ICML, y reviso las principales conferencias de ML.
Creo que este patrón puede ser común: las personas con mentalidad matemática en cualquier campo tratarán de descubrir formas de principios para modelar o analizar sus datos, y eso los lleva a ML.