¿Cuáles serán los 3 principales problemas de aprendizaje profundo en los próximos 5 años?

Yann LeCun presentó el famoso pastel de Deep Learning en NIPS 2016 🙂

LeCun argumentó que si la inteligencia era el pastel, entonces el Aprendizaje no supervisado sería ese pastel.

Por el momento, Deep Learning está mostrando un gran progreso en el aprendizaje supervisado y el aprendizaje de refuerzo. Esto incluye cosas como visión artificial, traducción automática, AlphaGo y autos sin conductor.

Sin embargo, esta es una pequeña parte del pastel de inteligencia. Creo que en los próximos años deberíamos ver mucho trabajo en Aprendizaje sin supervisión para construir sistemas que puedan comprender y razonar sobre el medio ambiente con mucho mayor detalle. Por lo tanto, el aprendizaje no supervisado será lo suficientemente caliente como para ocupar los espacios 1, 2 y 3 de los próximos problemas de aprendizaje profundo.

Una de las áreas más importantes de la IA es la integración del sistema operativo. Necesitamos servicios de búsqueda y mapeo estandarizados para acceder a los servicios locales de inteligencia artificial y nube. A medida que la inteligencia prolifera, deberá clasificarse, registrarse, monetizarse, etc. En este momento, hay muy poca IA disponible a través del sistema operativo.

Creo que las siguientes serán áreas realmente calientes en los próximos años

  1. Autos sin conductor
  2. Aplicaciones medicas
  3. Aplicaciones financieras y bursátiles

En mi vista:

  1. Aprendizaje de refuerzo en entornos del mundo real
  2. Aprendizaje profundo en el procesamiento del lenguaje natural
  3. AutoML
  1. Obviamente, autos sin conductor
  2. Reconocimiento de imagen aplicado, como máquinas que recogen fruta.
  3. Análisis de genes

More Interesting

¿Hay alguna anomalía inexplicable en la codificación de la computadora que pueda sugerir que las máquinas tienen alma?

¿La regresión logística tiene en cuenta el desequilibrio de datos?

¿La programación de Python es suficiente para el aprendizaje automático o deberíamos aprender R también?

¿Por qué la regresión logística se considera robusta a los valores atípicos en comparación con un método de mínimos cuadrados?

¿Qué significa el término difusión en bibliotecas numéricas con matrices como MATLAB, Numpy o TensorFlow?

¿Cuál es la diferencia entre alineación y deformación en visión artificial?

¿Cómo decidimos entre usar la factorización a priori o matriz para el filtrado colaborativo?

¿Qué es una explicación intuitiva de los modelos de proceso gaussianos?

¿Cuáles son las diferencias entre GRU y RNN estándar?

¿Se pueden usar los árboles de decisión para encontrar atributos de variables latentes de una muestra?

¿Cuáles son las distribuciones bayesianas anteriores y posteriores? ¿Cuáles son sus roles en las redes neuronales?

¿Cuál es el mejor título de maestría para obtener hoy en inteligencia artificial, aprendizaje automático, etc.?

¿Qué medida de evaluación fuera de línea para los sistemas de recomendación se correlaciona mejor con los resultados de la prueba AB en línea?

¿Por qué no es una práctica estándar publicar pesos de modelos entrenados junto con el código fuente para trabajos de investigación de aprendizaje profundo?

¿Alguien consiguió un trabajo en Machine Learning después de completar un Nanodegree de Machine Learning?