¿El aprendizaje automático es un campo sobresaturado?

Cuando hablamos de que un campo está saturado, por debajo o por encima, realmente necesitamos comenzar a hablar sobre con qué está saturado.

Cualquier campo que ofrezca altos salarios, horas razonables y (temporalmente, al menos) alta demanda estará sobresaturado con los solicitantes de empleo en aproximadamente 4 a 7 años, dependiendo de cuán alta sea la demanda y cuán publicitada sea.

Sin embargo, el talento promedio de los solicitantes de empleo en ese campo disminuirá porque cada vez más personas ingresan solo por el dinero y la exageración. Estas personas no lo eligieron por pasión o porque descubrieron que tenían talento para ello. Bajan el promedio.

Entonces, si bien un campo puede estar sobresaturado con cuerpos calientes, también puede estar saturado con talento, y este es a menudo el caso. De hecho, estaría bastante sorprendido si alguien me dijera que su campo está sobresaturado de talento (campos STEM, al menos).

Entonces, si solo está buscando un trabajo bien remunerado, será difícil encontrar uno. Sin embargo, si eres realmente bueno en eso, en realidad es, de alguna manera, más fácil conseguir un trabajo. La trampa, por supuesto, es que probablemente eres un juez terrible de si eres bueno o no en eso.

Machine Learning ha estado allí durante más de medio siglo bajo diferentes nombres. La única diferencia ahora es que ha salido de las cuatro paredes de las universidades a la naturaleza. Con una mejora en los recursos computacionales y los avances en ciertos algoritmos, ahora podemos resolver algunos problemas que eran inimaginables hace solo una década. Como resultado, está obteniendo mucha cobertura en los medios populares.

No, ML no está saturado, por lo que definitivamente no está demasiado saturado. La gente todavía está tratando de descubrir qué se puede hacer con ML. Lo están aplicando en varios campos, como atención médica, biomédicos, anuncios, venta minorista, banca, automóviles sin conductor, subastas, educación, economía, etc. El genio acaba de salir de la botella y nadie sabe a dónde puede conducir. Definitivamente no hay muchas personas que entiendan el potencial real de ML. No hay muchos graduados que puedan trabajar en todos estos problemas interesantes. Este es solo el comienzo.

Otras lecturas

  • La respuesta de Shehroz Khan a ¿Qué tan avanzada es la mejor IA en 2017 y qué tan avanzada podría ser la mejor IA en 2037?
  • La respuesta de Shehroz Khan a ¿Deep Learning ha superado el pico exagerado? Si es así, ¿cuál sería el próximo tema candente?

Siempre hay espacio para nuevas ideas y aplicaciones creativas de Machine Learning. Después de más de 15 años en la industria del desarrollo de software, veo que están sucediendo muchas cosas en el campo de la Inteligencia Artificial, pero aún queda mucho por descubrir.

Hoy enfrentamos una nueva tendencia en el desarrollo de software que es el surgimiento de aplicaciones inteligentes . Además, debido a que la abundancia de datos es crucial para el reconocimiento de patrones, el uso de Machine Learning en la era de la información ha sido potenciado por Internet de las Cosas (IoT) y big-data; aprovechando su capacidad de generación, almacenamiento y procesamiento de un gran volumen de datos en tiempo real a bajo costo. En algunos lugares, ya está apareciendo la idea de “Machine Learning First” .

Entonces, si está dispuesto a ingresar a este fantástico Machine Learning y dar su contribución, ¡no espere más! Únase a la fiesta, porque hay mucho trabajo por hacer.

Además, si desea obtener más información sobre las tendencias en Machine Learning, le recomiendo que lea este libro electrónico gratuito Introducción a la IA. Me ha dado una perspectiva amplia sobre Machine Learning y otros conceptos modernos.

Un campo está sobresaturado cuando el valor para el demandante hace que prefiera al proveedor mediocre pero de bajo costo al proveedor bueno pero de costo promedio. Otra forma de verlo es qué tan mal distribuidos están los salarios en un campo determinado. Una distribución sesgada hacia la izquierda (básicamente donde la mediana es significativamente inferior al promedio) junto con los quejumbrosos quejándose de la escasez de talento son indicadores de un campo saturado de oferta.

Veo que sucederá pronto en ML si se acerca a la estabilización. Actualmente, aprendo sobre nuevos conceptos que a menudo reemplazan los viejos conceptos antes de siquiera entender el viejo concepto. Prácticamente las únicas partes del proceso de ML que no han cambiado mucho desde el punto de vista conceptual desde que me metí por primera vez son el descubrimiento de datos, la ingeniería de datos y la selección de características. Sin embargo, en los últimos años, algo de eso ha estado sujeto a cambios conceptuales. Todavía no he encontrado ninguna gran investigación sobre el uso de ML tanto como una excelente herramienta de soporte analítico. Supongo que los ingenieros de ML mediocres a buenos podrían verse reemplazados por pymes de dominio real.

La sobresaturación ocurre cuando hay una oferta demasiado grande de talento que puede aplicar una habilidad en la práctica. Para el aprendizaje automático, eso está lejos de donde estamos hoy. La conciencia se ha convertido en su mayor parte en algo omnipresente (incluso si muchas personas no necesariamente creen que va a cambiar la cara del trabajo). En términos de aprendizaje automático práctico implementado en industrias públicas y privadas, estamos muy poco saturados.

Dicho esto, cuando miramos a la academia, estamos relativamente saturados, en los niveles más altos, pero eso todavía está tomando tiempo para llegar a estudiantes universitarios y estudiantes de secundaria. En los próximos 5 a 10 años (idealmente, incluso los próximos con las herramientas y redes adecuadas) conseguiremos que más personas en la fuerza laboral entiendan la IA y puedan implementarla en escenarios del mundo real.

Para llegar allí, necesitamos que tanto la industria privada como las entidades públicas comprendan la brecha y trabajen activamente para cerrarla. Si bien las entidades públicas, particularmente en los Estados Unidos, han hecho un trabajo extremadamente pobre, la industria privada en los Estados Unidos ha tomado la delantera (junto con las entidades públicas y privadas en China) para cerrar esta brecha. Con herramientas como Datmo, ciertamente esperamos ser uno de esos jugadores que ayuden a cada persona a comprender, implementar y resolver problemas con el aprendizaje automático.

Tenemos un largo camino por recorrer antes de la sobresaturación, pero trabajemos juntos para llegar allí. Será mejor para todos nosotros.

Absolutamente. En arvix se pueden ver hasta 10 nuevos documentos diarios. Es ridículo. Si está trabajando en aprendizaje profundo, por ejemplo, y no es google, buena suerte tratando de publicar cualquier cosa. Es imposible competir con un equipo de 300 científicos de investigación e ingenieros de investigación (tenga en cuenta que los científicos de investigación ** ya tienen un doctorado y tal vez incluso un documento post **). Esencialmente, cualquier persona en la ciencia que no sea ML trabajando en el “tema candente” está esencialmente condenada al fracaso. Si está considerando saltar en la investigación de aprendizaje profundo al azar, le sugiero que reconsidere antes de seguir un camino que probablemente arruinará su carrera científica. Está muy lleno. Está exagerado. Está sobre todo. Hay muchos otros campos interesantes por ahí también. Pensar sabiamente.

A menos que solo desee utilizar tecnologías existentes para ganar dinero o poner en su empresa. Entonces ML podría ser una buena idea.

Mucha gente tiene un conocimiento superficial del campo, pero no hay muchas personas que puedan crear con éxito nuevos algoritmos o entenderlos lo suficientemente bien como para usarlos correctamente.

En mi opinión, el aprendizaje automático está muy saturado de observadores o espectadores, pero no de ingenieros o investigadores reales.

Muchas, muchas personas están interesadas en lo que AI / ML puede hacer. Hablan de vehículos autónomos, Amazon Alexa y otros productos interesantes.

Muchas personas también exploran ML más allá explorando cosas como el curso de Andrew Ng o leyendo sobre temas de ML en quora.

En contraste, hay muy pocas personas que realmente están acelerando el campo hacia adelante. Se concentra en un pequeño número de universidades en todo el mundo, así como en algunas corporaciones selectas.

More Interesting

Cómo usar el aprendizaje automático en IoT Hardware Security

¿Cómo se puede diseñar la topología de una red neuronal artificial con una capa oculta para lograr efectivamente la reducción de la dimensionalidad?

Cómo guardar un modelo de red neuronal de convolución después del entrenamiento

Quiero comprar una PC de segunda mano decente para comenzar con el aprendizaje profundo comprando una GeForce GTX 1070, ¿qué características me deberían interesar?

¿Puedo usar el aprendizaje automático para pronosticar datos de series temporales para puntos de datos discretos dispersos?

¿Cómo se emplea una parada temprana en TensorFlow?

¿Tiene sentido el uso de bosques aleatorios en los datos financieros si se supone que los rendimientos dependen en serie (es decir, que los rendimientos actuales dependen de los rendimientos pasados)?

¿Dónde puedo encontrar modelos de temas previamente capacitados para MALLET?

¿Cómo podemos hacer csv o dataset textual a partir de imágenes?

¿Puede el aprendizaje reforzado aprovechar la memoria o transferir el aprendizaje?

Cómo etiquetar los datos conversacionales para la capacitación en PNL

¿Existe una lista de conferencias de minería de datos / aprendizaje automático organizadas en los Estados Unidos?

¿Cuál es el principio del aprendizaje profundo?

¿Qué debo hacer para pasar de la bioinvestigación al aprendizaje automático de manera muy eficiente?

Cómo configurar un laboratorio de innovación de ciencia de datos