El problema con los proyectos de aprendizaje automático, a pequeña o gran escala, es que los datos casi nunca están disponibles. Recolectar, limpiar y formatear es un trabajo muy duro que nadie hace a menos que haya una clara necesidad.
¿Existen pequeños proyectos significativos en el aprendizaje automático?
Si, absolutamente. Hay muchos proyectos pequeños significativos y emocionantes en ML, incluso mejor, algunas personas están listos para pagarlos. La mayoría de esos proyectos se pueden hacer en una computadora portátil. Pero en esos casos, alguien ya ha preparado el conjunto de datos. Si no trabaja como científico de datos, tendrá que hacerlo usted mismo.
- ¿Cuáles son las diferencias entre una computadora en clúster y un sistema distribuido?
- ¿Qué es un desbordamiento de búfer?
- Si AI reemplaza la necesidad de trabajadores humanos en las empresas, ¿se les proporcionaría a todas las personas un salario digno, ya que los trabajadores de AI no necesitan el dinero?
- ¿Cuáles son las similitudes y diferencias entre las definiciones de información en diferentes disciplinas?
- ¿Qué es un sistema ciberfísico?
Si trabajar como científico de datos no es una opción para usted ahora, aún puede hacer un trabajo significativo:
- Contribuciones de código abierto
Implemente nuevas funciones y corrija errores en los marcos de ML existentes. Este es un trabajo muy impactante y facilitará muchas vidas. - Investigación de datos abiertos
Trabajar en datos abiertos del gobierno puede ayudar a las organizaciones gubernamentales y sin fines de lucro en sus trabajos. Hacen que esos conjuntos de datos estén disponibles públicamente y encajan perfectamente en la categoría de “datos pequeños” - Periodismo
Una gran narrativa y hacer infografías pueden ayudar a las personas a tomar decisiones informadas. Esto es más un trabajo de analista, pero aún puede ser útil.
Para un investigador de ML, el mejor curso de acción sería utilizar AWS para construir los modelos. Los servidores en alquiler no cuestan mucho y esencialmente solo paga por lo que usa. A menos que necesite un clúster de GPU gigante durante un mes, probablemente esté bien.
Como pensamiento secundario, hay comunidades abiertas de investigación de ML e IA (como OpenAI Slack) donde puede unirse a un equipo existente (también pueden tener algunos recursos computacionales) y usar sus habilidades en un proyecto interesante.