Reporte honesto de intentos y resultados negativos.
En este momento, la forma en que funciona el método científico es observar un fenómeno, proponer una hipótesis y luego validar la hipótesis a través de experimentos bien diseñados. Si está siguiendo esto, entonces 9/10 veces su hipótesis probablemente resulte falsa. Esto también es cierto para el aprendizaje automático.
¿Y si tuviéramos acceso a una base de datos que detalla todos los diferentes intentos e hipótesis que las personas han propuesto para un problema en particular? Eso simplificaría mucho la vida porque ya sabríamos lo que no funciona y no gastaríamos demasiado tiempo en esos métodos, sino que dedicaríamos más tiempo a técnicas e hipótesis que son novedosas y potencialmente más fructíferas.
- ¿Cómo se sienten los investigadores y practicantes de Inteligencia Artificial y Aprendizaje Automático sobre los comentarios recientes de Stuart Russell sobre los peligros de la IA que parecen respaldar comentarios similares hechos por Elon Musk y Stephen Hawking?
- ¿Hay investigadores tratando de entender cómo el cerebro humano construye la realidad visual en 3D y tratando de construir un sistema artificial inspirado en él?
- ¿Qué técnicas de programación debo saber para hacer un juego jugando IA y desafiar en concursos como este: The Great Escape?
- ¿Qué atributos debo usar al diseñar un algoritmo de aprendizaje automático para el reconocimiento de imágenes?
- Cómo hacer la transición de la neurociencia computacional a la inteligencia artificial
El problema es que a nadie le gusta reconocer que estaban equivocados y la forma de publicar es mostrar resultados “positivos” interesantes. Personalmente, creo que informar resultados negativos ayudará a muchos en la comunidad de Machine Learning a enfocar mejor sus esfuerzos y no reinventar la rueda una y otra vez.