¿Qué le falta a la comunidad de aprendizaje automático?

Geez, solo por mencionar una carne que apareció hoy. Las aplicaciones comerciales de ML (incluida la atención médica) predicen resultados valorados: en resumen, un número, llamado utilidad, se puede aplicar a cada estado de resultado por el cual los resultados se pueden clasificar por preferencia. El uso del modelo ML es para ayudar a elegir entre los resultados, específicamente entre las “loterías” de opciones, para usar términos de la literatura económica. Por lo tanto, para usar un modelo predictivo, debe incluirse en un modelo de utilidad.

Tal vez la traducción de los resultados pronosticados a los servicios públicos sea trivial, pero creo que a menudo se pasa por alto, y en su lugar el análisis de LA concluye con alegaciones de medidas de precisión, como el AUC. Esto tiene sentido cuando se investiga en algoritmos, pero no en aplicaciones. Los clientes a menudo preguntan qué precisión se necesita para justificar el uso de una solución ML. La pregunta debería ser qué valor se puede lograr en función del riesgo implícito en la precisión lograda.

Pensar en términos de valor es una práctica estándar en otras áreas de análisis, y la economía ofrece una comprensión profunda de la utilidad y el valor, cuya aplicación falta ML.

Uno de los desafíos de utilizar efectivamente algoritmos de aprendizaje automático es que requiere mucho conocimiento especializado, en muchos casos un doctorado. Existe un programa DARPA financiado por el gobierno llamado PRAML (Programación Probabilística para el Aprendizaje Automático Avanzado (PPAML)). Uno de los objetivos principales del programa es llevar el aprendizaje automático a la corriente principal.