¿Qué te intriga del aprendizaje automático? ¿Qué te atrajo al espacio y cómo empezaste?

La belleza de la inteligencia , tengo curiosidad sobre qué factores permiten que el cerebro humano haga lo que hace. Tal como su capacidad de aprender de la experiencia con tanta efectividad. Tal vez debería haber sido neurocientífico, pero no, me gustan las máquinas.

¿Cuáles son estos factores que permiten la inteligencia?

Hasta donde sé, no son algún tipo de factores sobrenaturales, sino más bien factores físicos explicables. El cerebro humano tiene neuronas que trabajan juntas para lograr esta hazaña de inteligencia. El aprendizaje automático (ML) como campo explora la capacidad de las máquinas para obtener conocimiento a través de un proceso de aprendizaje. El hecho de que sea posible construir máquinas de aprendizaje es la mejor idea en inteligencia artificial (IA).

En la buena IA pasada de moda (GOFAI), el enfoque estaba más inclinado hacia la elaboración artesanal de algoritmos como el sistema DeepBlue. Tales algoritmos donde sistemas muy muy estrechos. Incluso si las redes neuronales (NN) han existido durante los últimos 30 años más o menos, todavía no funcionaban tan bien como lo hacen ahora debido a:

• Restricciones computacionales.
• Problema de gradiente de fuga.
• Overfitting / underfitting.

El campo moderno de ML que comenzó en la época en que Yann LeCun logró entrenar una red neuronal convolucional usando backprop y el fuerte resurgimiento de interés que comenzó alrededor de 2012 después de que Geoffrey Hinton y su grupo lograron entrenar a una convNet en el desafío ImageNet de 1000 clases. se ha propagado como una ola en el agua, atrayendo a muchas más personas a ML. Hay varias innovaciones como:

• Uso de unidades de procesamiento de gráficos (GPU) para acelerar el aprendizaje de redes neuronales profundas (DNN). Esto permite a cualquier persona con dos o más GPU en sus sistemas entrenar DNN bastante grandes.
• El uso de unidades lineales rectificadas (ReLU) para resolver el problema del gradiente de fuga para permitir un proceso de aprendizaje de extremo a extremo. En la actualidad, se ha demostrado que las unidades lineales exponenciales (ELU) funcionan mejor que ReLU.
• Abandono como método de regularización para que los sistemas eviten el problema de sobreajuste en NN. También tenemos la normalización de lotes para ayudar a entrenar modelos que no se sobreajustan.

En el transcurso de algunos años, hemos sido testigos de un progreso notable en el campo de la inteligencia artificial, de modo que compañías tecnológicas gigantes como Microsoft y Google literalmente se están reestructurando en torno a la inteligencia artificial, esto es una señal de que el futuro es brillante para AI / ML desde se canalizará más dinero a estos campos. También hay algunas herramientas disponibles, como TensorFlow, para permitir que cualquiera en todo el mundo pueda participar y ser parte de esta revolución.

A nivel personal, desde que era un niño de 8 años, me han fascinado los robots o la automatización en general. Eso sucedió el día que vi Robocop por primera vez y mi curiosidad entró en modo overdrive. Incapaz de resistir la atracción, me sentí atraído por el mundo de la ciencia, la ingeniería y la tecnología. Entonces, a una edad muy temprana, comencé a ver muchos documentales sobre ingeniería, robótica, inteligencia artificial (IA), exploración espacial y muchos más, incluidos documentales sobre la naturaleza. También leí mucho en las bibliotecas escolares y cuando me conecté en línea comencé a usar Internet para alimentar mi curiosidad aún más. Encontré a Quora, luego comencé a alimentarme aún más.

Debido a mi curiosidad, siempre intento cosas que están fuera de mi alcance, pero finalmente lo hago posible con tenacidad y trabajo duro. Así que leí mucho sobre todo sobre las nuevas tecnologías emergentes. Es ese deseo ardiente desde temprana edad lo que me atrajo hacia el aprendizaje automático (ML). La primera vez que conocí las redes neuronales fue cuando estaba leyendo sobre auriculares adaptativos de cancelación de ruido. El libro electrónico de procesamiento de señal digital, no recuerdo el título, tenía una sección sobre redes neuronales, que leí rápidamente y no pude superar las posibilidades.

Luego comencé un proyecto personal que implicaba construir un sistema de visión por computadora (CV) desde cero, en ese momento no era un buen programador ni estaba en un nivel para construir un sistema de CV tan complejo sin ninguna capacitación formal en el campo en sí. Pero tan terco como soy, decidí enseñarme todo, desde la programación de computadoras en C ++, Java y Python hasta técnicas complejas de visión por computadora y luego se extendió a las técnicas de aprendizaje automático (ML).

En general, he estado haciendo esto durante aproximadamente 8 años seguidos, sin parar. Mis niveles de habilidad ahora están en un nivel en el que puedo sentarme y analizar un problema complejo en CV / ML, diseñar e implementar la solución desde cero o usar los paquetes existentes para ayudar con la implementación. Puedo ir tan bajo como quiera dependiendo de varios problemas, como la novedad de la solución.

Así que ML es hermoso, con tantas posibilidades y con la presencia de tantas fuentes de las cuales aprender. ¿Por qué no intentarlo? ¿Por qué no ser parte de este período de transición hacia sociedades impulsadas por la IA?

Apuesto a que no quiero perderme este increíble período de la historia humana, ya que desenredamos los factores que nos hacen inteligentes y mejoran la vida de miles de millones de personas.

Esta es una oportunidad que no debe perderse.

Espero que esto ayude.

Siri, Google Assistant, Google Photos, Lens, Facebook Newsfeed, sugerencias de Netflix / Amazon, autos sin conductor, Watson de IBM … son algunas de las cosas que me intrigan .

Lo que más me sorprendió fue cuando DeepMind de Google derrotó a Lee Sodol, el mejor jugador de Go del mundo. Go es millones de veces más complejo que el ajedrez, lo que no solo requiere movimientos calculados fuera de la mente, sino que también exige un toque de intuición humana. Fue sorprendente ver a un programa idear una estrategia perfecta para dominar el juego. El aprendizaje profundo ahora se utiliza para bots destinados a la inteligencia general, comenzando con el dominio de otros juegos sin supervisión humana (aprendizaje no supervisado). Recientemente, DeepMind de Google aprendió a caminar sin ningún dato previo de caminar. ¡Este tipo de IA genérica puede aprender casi cualquier cosa, más rápido que los humanos ! Ese es el alcance de ellos. Esto es lo que sorprendentemente me intriga. Este shock y un tratamiento me llevaron al espacio.

Soy un estudiante de primer año de la universidad, y tengo la intención de leer mucho y hacer algunos cursos para saber marginalmente algo sobre cómo se hace antes de graduarme 🙂

Me encanta el uso creativo de la teoría matemática para resolver problemas en el mundo real. Me encontré por primera vez con el aprendizaje automático mientras estaba en un programa de MD / PhD y trabajando en investigación estadística; Tan pronto como un seminario sobre aplicaciones forestales aleatorias para la investigación médica, supe que quería trabajar en el aprendizaje automático (aunque esa no era una opción en mi programa). Cuando surgió la oportunidad de cambiar los programas de grado, hice el cambio y nunca he mirado atrás.

El concepto de construir un cerebro artificial. Me enganché a él en 1994, estudiándolo como estudiante universitario. Y desde entonces me he mantenido actualizado en el campo. Mucho ha cambiado desde entonces, sin embargo, lo básico sigue igual 🙂

Actualmente uso MOOCs, Medium y arxiv para mantener una pestaña de lo que está sucediendo. Es un campo práctico, por lo que inicialmente estaba limitado a solo leer, pero ahora con recursos en la nube disponibles, divirtiéndome experimentando. 🙂