Hay dos lados para ver esto si desea implementar AI para sus productos.
- Algoritmos existentes : este es quizás el enfoque más rápido si no desea lidiar con la complejidad de crear sus propios algoritmos desde cero. Es importante tener en cuenta que esto es tan complejo como desarrollar otros sistemas de software como las aplicaciones sociales, etc. Esto se debe a que existen bibliotecas y algoritmos de IA bien documentados para cosas como el aprendizaje automático y la visión por computadora, y uno puede tratarlos como cajas negras e integrarlos fácilmente en una base de código ya existente. Este enfoque es ideal para el desarrollo orientado al producto mediante el cual un producto se lanzará lo más rápido posible.
- Invención La IA no es un problema resuelto, ya que hay mucho espacio para maniobrar. Esta flexibilidad puede introducir mucha ambigüedad, pero también puede abrir puertas para oportunidades para crear nuevos algoritmos desde cero. Es importante entender que esto requiere enormes cantidades de esfuerzo y tiempo, uno necesita comprender o contratar a un equipo para entrenar muchas cosas con el fin de poner en marcha un sistema de trabajo desde cero. Pero las soluciones de inteligencia artificial de construcción interna pueden darle la ventaja sobre otras, especialmente si sus sistemas son mejores que otros con diferencia.
Entonces, la complejidad de la IA depende de lo que quieras hacer con ella, trata los componentes de la IA como cajas negras y solo conéctalos a los sistemas existentes, entonces la IA es simple. Pero si construye soluciones de IA desde cero, la IA es compleja porque necesita comprender mucho, pero esto le dará una gran ventaja sobre otras que simplemente tratan la IA como cajas negras.
Sé que esta pregunta es sobre lo que se necesita para comprender la IA en general, diría que la IA es compleja en comparación con otros procesos de desarrollo de software. Esto se debe a que la IA aún no es un campo maduro en comparación con la ingeniería de software o el desarrollo de productos de software y, en realidad, especialmente para la IA, no existe una solución única que resuelva todo. La inteligencia artificial es estrecha, por lo general, funciona solo en problemas estrechos como el reconocimiento de imágenes y el reconocimiento de voz. Es por eso que hay un campo más nuevo y más amplio llamado Inteligencia General Artificial (AGI), pero este campo es demasiado joven, nuevamente le da mucha ambigüedad y flexibilidad con muchas oportunidades para construir sistemas novedosos.
- ¿Qué hace un científico de datos?
- ¿Cuáles son las buenas bibliotecas de código abierto en Python o R para los métodos de Tensor? ¿Su equipo mantiene alguna?
- ¿Cómo y de qué sitios web y libros puedo aprender en profundidad los conceptos de ciencia de datos para prepararme para el nivel de entrevista?
- ¿Hay periodistas / revistas dedicados a la ciencia de datos, big data y aprendizaje profundo en India?
- ¿Qué no enseñan los bootcamps de ciencia de datos?
La cuestión es que la IA es una caja de herramientas y se requiere que uno entienda las limitaciones y ventajas de la mayoría de los algoritmos de IA. Saber cuándo y cuándo no usar AI significa entenderlo y no solo tratar los componentes de AI como cajas negras.
Incluso si la IA es generalmente más compleja que las aplicaciones móviles sociales, no es tan compleja en general. El aprendizaje profundo, por ejemplo, en realidad no es tan complejo como parece, hay una estructura común de organizar unidades de procesamiento paralelas llamadas neuronas capa tras capa. Las matemáticas también son muy necesarias, las matemáticas, especialmente el álgebra lineal, el cálculo y las matrices son importantes para comprender la mayor parte de la IA.
Te animo a que entres, confía en mí, lo encontrarás muy satisfactorio e interesante pero desafiante. La IA requiere personas que se sientan atraídas por los desafíos y que estén listas para desarrollar aplicaciones interesantes que sorprendan.
Espero que esto ayude.
