He trabajado en ambos mundos; Aquí están mis 2 centavos:
1) Conocimiento de dominio: abordar problemas de datos profundos en biología requiere conocimiento y capacitación especializados adicionales. Por lo general, no te atraen estos problemas con el objetivo de convertirte en el próximo Bill Gates. Esto significa que la intersección de geeks de datos que pueden resolver estos problemas técnicos y tienen el conocimiento de dominio requerido es pequeña.
2) Fuerzas del mercado: mi impresión es que la barrera de entrada y salida exitosa es mucho más baja en el mundo web, y las recompensas monetarias potenciales pueden ser mucho más altas. Muchas personas que trabajan en los últimos problemas de datos bioinformáticos están en la academia, laboratorios nacionales o son estudiantes graduados mal pagados. Las startups web fallan rápidamente, y algunas realmente suceden. La primera startup de software en la que estuve fue adquirida, y la mayoría de mis amigos tecnológicos han trabajado en una compañía que fue adquirida en algún momento. No puedo pensar en ningún amigo en biología con la misma experiencia. Este es un argumento vago, y tal vez alguien en Quora pueda respaldar esto con números reales.
- ¿El aprendizaje profundo hará que otros algoritmos de aprendizaje automático sean obsoletos?
- ¿Hay una buena lista de ejemplos de cómo los problemas genéricos se convierten a MapReduce?
- ¿Cómo funciona la función softmax en el campo AI?
- ¿En qué tipo de situaciones debemos emplear las redes neuronales recurrentes de Vanilla en lugar de LSTM?
- ¿Cómo puede una red neuronal ser capaz de razonamiento simbólico? ¿Cómo puede unir variables?
3) Nivel de comodidad: las personas tienden a relacionarse más fácilmente con los problemas de datos de inicio de la web y del consumidor. Por ejemplo: recomendar películas que le puedan gustar a alguien, encontrar personas que puedan conocer, personalizar fuentes de noticias, orientar anuncios o mejorar los resultados de búsqueda. La mayoría de las personas pueden familiarizarse rápidamente con posibles algoritmos o características de datos que podrían ser útiles. Estas cosas también están “de moda” e implican conceptos que puede explicar fácilmente a los inversores o a un extraño al azar que conozca en un bar.
4) Velocidad: muchas cosas parecen moverse más rápido en el espacio web / consumidor. En general, se eliminan más de la academia, los datos son más fáciles de recopilar y trabajar, hay menos obstáculos regulatorios y costos de inicio.