1. Predicción de abandono : la predicción de abandono es uno de los casos de uso más populares para las personas que desean aprovechar el aprendizaje automático. Tiene un gran valor comercial y beneficios asociados especialmente en industrias como las telecomunicaciones y la banca. Varios desafíos, como la naturaleza sesgada del conjunto de datos disponible y la capacidad de decidir qué modelos usar van a ser objeto de mucho debate.
2. Análisis de sentimientos : actualmente se toman muchas decisiones en opinión de otros. Compramos un producto más porque ha recibido una opinión positiva y visitamos un hotel muy probablemente porque obtuvo la mejor calificación en línea. El análisis de sentimientos tiene sus propios desafíos, como qué tan granular se puede determinar, qué tan subjetivo es el sentimiento, etc., y por lo tanto, el análisis de sentimientos será un buen lugar para atacar el aprendizaje automático.
3. Verdad y veracidad : se dice mucho en línea en estos días y es difícil determinar qué es verdad y qué es falso. Tenemos bots lo suficientemente inteligentes como para publicar contenido como seres humanos y hay aspectos sociales asociados a las calificaciones de varias entidades en línea. Siento que el aprendizaje automático se aprovechará como un gran desafío para determinar la veracidad / verdad de la información en línea.
- ¿Qué tecnologías de IA están disponibles para el reconocimiento del usuario por comportamiento (interacción con el sistema), estilo de escritura, etc. y cómo procedo a hacer una?
- ¿Cuáles son las unidades de análisis utilizadas en el reconocimiento de voz automático?
- ¿Hay algunos trabajos relacionados con el aprendizaje por refuerzo?
- ¿Cuál es la diferencia entre una curva ROC y una curva de recuperación de precisión? ¿Cuándo debo usar cada uno?
- ¿Qué es mejor para la clasificación binaria, softmax bidireccional o regresión logística?
4. Recomendaciones : hay tantas opciones disponibles en línea que cada vez es más difícil elegir un libro, un restaurante o incluso un producto simple. La capacidad de hacer recomendaciones inteligentes basadas en el contexto del usuario y no solo en función de las preferencias de la multitud será un gran desafío porque es un gran acuerdo para comprender el contexto del usuario.
5. Publicidad en línea : hay mucho trabajo y muchas nuevas empresas en el espacio de los anuncios inteligentes en línea, pero para poder enviar la publicidad correcta en el momento correcto de la manera correcta para el usuario necesita mucha comprensión de la cuándo apuntar a un cliente en particular. El aprendizaje automático exhibe un gran desafío en este espacio en mi opinión para determinar el comportamiento del usuario en línea para impulsar la publicidad correcta al instante cuando el usuario realmente lo necesita.
6. Agregación de noticias: se generan muchas noticias a nuestro alrededor desde diferentes lugares sobre una variedad de temas. Sin embargo, todos tenemos una sed constante de consumir todas las noticias relevantes para nosotros tanto como sea posible. ¿Cómo vamos a agregar noticias según la preferencia del usuario? ¿Su gusto varía con el tiempo? ¿Cómo aprendemos esta variación? Todo esto será un desafío para el aprendizaje automático e implica mucho dar sentido a las noticias y artículos.
7. Escalabilidad : los datos se expanden constantemente en variedad, velocidad y volúmenes. ¿Se pueden aplicar los algoritmos tradicionales de aprendizaje automático que se desarrollaron hace una década a Big Data? Creo que todos se someterán a algún tipo de renovación para poder operar con datos a gran escala. ¿Pueden los SVM entrenar más rápido? ¿Se puede hacer paralelo? Este será un buen problema para enfocarse con el aumento de los grandes datos.
8. Búsqueda / descubrimiento de contenido : hay millones de personas en todo el mundo en varias redes sociales y dentro de la empresa. ¿Cómo puede descubrir personas que comparten intereses similares a los suyos y qué parámetros considerará para medir esta similitud? ¿Cómo medimos la similitud y podemos cuantificar esto? Creo que este es un buen problema para el aprendizaje automático, donde enfrentaremos el desafío de tratar de encontrar la aguja en un pajar.
9. Aprendizaje inteligente: por ejemplo, todavía es difícil identificar un comportamiento en una secuencia de video y se ha investigado mucho en este espacio. En mi opinión, con los algoritmos de aprendizaje de última generación, creo que uno de los principales problemas es permitir que las máquinas puedan ver, escuchar y reconocer como lo hace el cerebro humano. Esto significa que un buen problema sería aprovechar los algoritmos de aprendizaje automático para utilizar diferentes modos de aprendizaje para lograr una tarea en particular, ya sea reconocimiento o algo similar.
10. Aprendizaje automático para la medicina : creo que este es probablemente el problema de aprendizaje automático más interesante para 2013 y el futuro. Hay tantas enfermedades que necesitan nuestra atención y mucho tiempo humano dedicado a la búsqueda de su cura mediante el análisis de muchos síntomas. Sin embargo, dos pacientes con problemas de salud similares reciben diferentes tipos de tratamiento y eventualmente diferentes grados de cura. ¿Podemos utilizar el aprendizaje automático para comprender cómo se siente un paciente en un momento determinado y recomendar el tratamiento adecuado para él? Siento que esto cambiará la forma en que vamos a vivir y ayudará a los médicos a descubrir muchas nuevas metodologías médicas.
