¿El aprendizaje automático es un viejo campo de CS? ¿Y cuál sería el futuro del aprendizaje automático en los próximos 10 años?

No soy un experto, pero hasta donde sé, el tema “aprendizaje automático” ha sido de uso común recientemente (en la academia, como en los últimos 15-20 años). Es un subcampo de inteligencia artificial, que ha existido por un tiempo. Para mí, el aprendizaje automático se refiere específicamente a adoptar un enfoque estadístico de la inteligencia artificial.

Depende de lo que quieras decir con subcampos. Podemos hablar de subcampos en términos de aplicaciones. Algunos ejemplos son la recuperación de información (por ejemplo, búsqueda en la web), sistemas de recomendación (por ejemplo, recomendación de películas de Netflix), detección de fraude, finanzas cuantitativas, robótica e investigación científica.

También podemos hablar de subcampos en términos de métodos / enfoques. Las dos clases principales de algoritmos de aprendizaje automático son algoritmos discriminativos y generativos. Piense intuitivamente en algoritmos discriminativos como una especie de “función”. Le da respuestas a una pregunta en particular dada alguna entrada. En los algoritmos generativos, expresa su creencia sobre el mundo en algún tipo de modelo estadístico, y ajusta los parámetros de esos modelos a los datos. Una diferencia importante, como su nombre indica, es que puede generar nuevos datos a partir de modelos generativos basados ​​en lo que cree sobre el mundo.

Algunos métodos discriminatorios incluyen métodos de kernel, árboles de decisión y redes neuronales. La mayoría de los métodos generativos caen en el campo de los modelos gráficos probabilísticos.

Hasta donde sé, el aprendizaje automático se originó en varios otros campos.

En la escuela de posgrado estudié ingeniería de sistemas en el departamento de EE. Allí tomé un par de cursos de aprendizaje y máquinas adaptativas donde estudiamos diferentes tipos de algoritmos iterativos para identificar parámetros para modelos predeterminados de sistemas dinámicos. Sistemas como los controladores de aeronaves. Otra aplicación interesante en la que se involucró el instructor fue modelar víctimas de accidentes en salas de emergencia con un modelo adaptativo. Pudieron hacer predicciones bastante buenas que ayudaron a salvar bastantes vidas. Nunca estuve involucrado en eso aparte de escuchar conversaciones en el pasillo. Eso fue a principios de los años 70 en RPI en Troya y él estaba trabajando con personas en el Centro Médico de Albany.

El otro campo que conozco es la investigación de IA que se originó en MIT y Stanford. Aunque nunca he estado involucrado en esas cosas directamente, por lo que he leído, esto tiende más hacia el procesamiento del lenguaje natural, modelos finitos, pero grandes, identificación de patrones, clasificaciones, reconocimiento e identificación facial, coincidencia de huellas digitales, etc. Parece que no le interesan los sistemas dinámicos modelados por ecuaciones diferenciales.

Luego está la investigación de operaciones que se centró más en la gestión de los recursos. Por lo general, se plantean como problemas de optimización, pero aún necesita un modelo. Si el modelo se puede determinar a priori a partir del análisis, no habría necesidad de un componente de aprendizaje automático. Si no, como en los modelos económicos, probablemente debería haberlo.

Probablemente hay otros campos donde el aprendizaje automático podría ser útil en la generación de modelos, pero en este momento no se me ocurre nada más.

El trabajo básico de una máquina de aprendizaje es determinar valores específicos de algunos parámetros para un modelo de algo de interés. Los algoritmos tienden a ser iterativos y se basan aproximadamente en algunas matemáticas que garantizan la convergencia. Un artículo seminal de los años 50 fue escrito por Robins & Monroe, publicado en Annals of Probability (o algo así). Básicamente, muestra que algo así como un método de gradiente que usa números reales convergerá siempre que se cumpla alguna condición. He olvidado la condición precisa, pero creo que es la suma de los segundos momentos de la medición. Esto se traduce más o menos en ‘necesitas excitar siempre todos los modos del sistema para que sean observables’.

Robins & Monroe no se puede implementar directamente porque la prueba depende de la precisión infinita de los números reales. [Era ingenuo y lo intenté] Entonces, en un sistema informático tienes que hacer algo que se aproxime, pero el principio de excitar continuamente el sistema es cierto. Me dijeron que Honeywell aerospace intentó vender un sistema de control adaptativo a alguien, probablemente la fuerza aérea, pero no lo compraron porque necesitaba un aleteo continuo en las superficies de control para evitar que el algoritmo se desviara y creara controlador inestable El cliente no quería que movieran el avión.

• Si busca trabajo con habilidades de ML / AI, al menos los próximos 10-15 años serán un período de auge para usted, donde gigantes tecnológicos como Google, Facebook, Microsoft, IBM, otras compañías en todos los mercados verticales y nuevas empresas en todo el mundo. world estará igualmente interesado en contratar talentos de ML / AI como usted.
• Si eres un emprendedor con una buena idea relacionada con ML / AI, tendrás muchas oportunidades para recaudar dinero para impulsar el crecimiento de tu negocio. Según una estadística de Kalaari, ¡las empresas de IA han recaudado $ 6B USD desde 2014!

Hopfield, quien inventó la red neuronal asociativa, el precursor del aprendizaje profundo moderno, fue un químico bio / físico en Caltech. Recuerdo haber leído sus artículos de química física sobre la teoría de la tasa de transición molecular.

El trabajo seminal de Vapnik en el campo incluyó análisis de núcleo duro

El director administrativo del Toyota Technical Institute en Chicago es Stuart Rice, quien era químico físico.