¿Se puede aplicar el aprendizaje automático a cualquier producto? En caso afirmativo, ¿qué sectores tienen más sentido?

El aprendizaje automático ha mostrado mejoras en muchas industrias. La atención médica ha visto grandes inversiones que van desde el nivel molecular, prediciendo marcadores genéticos para la enfermedad, hasta influir en la salud global. La industria financiera ha invertido durante mucho tiempo en métodos de aprendizaje automático para el comercio automatizado. El sector inmobiliario utiliza el aprendizaje automático para predecir los precios de la vivienda, por ejemplo, el reciente premio de un millón de dólares de Kaggle para predecir el valor de la vivienda. Google usa el aprendizaje automático no solo para la búsqueda y la orientación de anuncios, sino también para reducir los costos del servidor. Las empresas están utilizando modelos meteorológicos e imágenes satelitales para predecir el crecimiento de los cultivos y los tiempos óptimos de planeo.

Dicho esto, si bien el aprendizaje automático se puede utilizar para mejorar una variedad de productos en estos sectores, no siempre es necesario construir un producto exitoso. Los sistemas de aprendizaje automático exitosos tienen dos requisitos previos: un objetivo estricto y datos. A menudo, cuando un producto se concibe y construye por primera vez, no hay usuarios ni datos. ¡Y esto está bien! La mayoría de los productos comienzan de esta manera. El aprendizaje automático se vuelve muy útil a medida que aumentan los datos recopilados por su producto.

Por ejemplo, para utilizar el aprendizaje automático en el feed de inicio de Quora, necesitamos definir un objetivo como “predecir la probabilidad de un clic”. Para construir un sistema para medir este objetivo se requieren datos históricos de los usuarios que hacen clic, y no hacen clic, en las historias de su feed.

Sí, por supuesto . Todos los sectores / industrias pueden beneficiarse enormemente de ello y ya hay miles de modelos disponibles.

Sin embargo, los ganadores serán los que puedan incluir modelos / algoritmos súper livianos y dinámicamente actualizables en sus aplicaciones, ya sean servicios o aplicaciones.

Desafortunadamente, las empresas no pueden adoptarlo a escala, ya que no comprenden el panorama tecnológico en evolución y tienen un acceso o atractivo muy limitado para los científicos de datos internos.