¿Cuáles son los principales desafíos que el Aprendizaje Automático puede resolver?

Answer 1

El principal desafío que resuelve el aprendizaje automático es la complejidad a escala. Más específicamente, proporciona un conjunto de herramientas para encontrar el orden subyacente en lo que parecen ser sistemas impredecibles, generando estructuras infinitamente complejas para tomar decisiones. Y lo hace barato, constante y consistentemente.

Resuelve el problema de que los humanos no son lo suficientemente rápidos: un algoritmo puede tomar una decisión más rápido que la frecuencia de actualización de su pantalla, miles de decisiones en menos tiempo de lo que le toma a una persona procesar información visual, millones en el tiempo que toma hacer clic. tu raton Además, y más específico para el ML, un analista solo puede analizar y aprender mucho en un día. ML puede iterar: pruebe algo, evalúe sus resultados, adapte, muchas, muchas veces por segundo. La velocidad de una iteración es la velocidad a la que puede obtener una fracción mejor. Puede evolucionar al ritmo de miles de generaciones al día, mejorando ligeramente, y la alta frecuencia permite que esas pequeñas ganancias sumen una diferencia perceptible.

Resuelve los problemas que los humanos tienen sesgados: la máquina es intencionalmente aleatoria, confirma constantemente su toma de decisiones al permitir que los parámetros subóptimos rindan resultados subóptimos, porque cada cierto tiempo la sabiduría común está equivocada, cada cierto tiempo el ecosistema turnos, y la máquina se adapta sin su administrador vetando los experimentos por ser “inútil”. Intenta cosas que nunca intentaríamos porque creemos que ya somos inteligentes, pero el algoritmo no lo es, tiene que aprender todo desde cero.

Resuelve el problema de que los humanos son impacientes, perezosos, emocionales, egoístas, distraídos, cansados, hambrientos, lujuriosos y todas las otras cuestiones que nos llevan a la inconsistencia a pesar de nuestros mejores esfuerzos. No seguimos las reglas, precisamente, cada vez, incluso cuando sabemos que es lo mejor que hacemos. La máquina ve la diferencia entre 51% y 49%, o 99% y 99.9999%, y actúa en consecuencia, siempre.

Y resuelve el problema de que los humanos son caros, por todas nuestras fallas. De manera realista, es raro que el aprendizaje automático realice tareas que la gente no puede hacer, o que realice tareas mucho mejor que los humanos; la mayoría de las veces, ML se encarga de problemas que no vale la pena que los humanos resuelvan. Puede perseguir la mejora adicional del 10% que nunca justificaría su costo en horas de trabajo, o lo más probable es que también realice el 70-90% por el 10% del costo. Una instancia de AWS EC2 con alguna infraestructura de datos de soporte podría costar $ 5K / año y escalar de forma lineal o mejor. Las personas necesitan exámenes de detección, capacitación, administración, seguros, vacaciones; quieren ser promovidos o se dan por vencidos en medio de una crisis. Mientras tanto, AWS garantiza un tiempo de actividad del 99,95% y solo se sigue conectando, mejorando gradualmente, resolviendo un millón de problemas por segundo.

Answer 2

El “santo grial” de ML es inteligencia general artificial, no imagen ni reconocimiento de voz sino aprendizaje general.

Es como la teoría de todo en la física. Investigadores de ML en todo el mundo están tratando de encontrar un pequeño conjunto de algoritmos que hacen que el aprendizaje de cualquier cosa imaginable o inimaginable sea posible sin o con poca participación humana. Al igual que los humanos pueden aprender casi cualquier cosa solo, solo mirando, leyendo y experimentando cosas nuevas.

Así que ML está tratando de hacer que las máquinas aprendan de forma independiente, como los humanos que escriben códigos, evolucionarán por sí mismos. Esta es la razón por la cual es un campo tan espantoso y emocionante al mismo tiempo.

Google DeepMind ha dedicado sus recursos a resolver la inteligencia general artificial al hacer que su sistema juegue primero a los juegos de los 80 y posteriores, como Go, y luego a los juegos más complejos.

También hay compañías como Microsoft que también se dedican a este campo y leí en alguna parte que están probando sus algoritmos de aprendizaje en juegos como el juego de la fatalidad temprana.

Todo esto es un intento de comprender y construir no solo algoritmos de aprendizaje de propósito general, sino también entender cómo funcionan nuestras mentes o cerebros.

Espero que esto ayude.

Answer 3

¿Por qué es importante el aprendizaje automático para Data Science?

El aprendizaje automático permite a las computadoras entrar en un modo de autoaprendizaje sin ser programadas explícitamente. Cuando se exponen a nuevos datos, un programa de computadora puede aprender, crecer, cambiar y desarrollarse por ellos.

-Resolver un problema

¿Tienes un problema que crees que el aprendizaje automático puede resolver? Tal vez sea un problema de negocio abierto o un problema en el trabajo. Tal vez sea una oportunidad que puedas ver en el mercado. Sin embargo, está pensando en el aprendizaje automático como una herramienta para que aprenda y se aplique a un problema. En este caso, es posible que le interese aprender herramientas que proporcionen implementaciones de algoritmos que pueda usar rápidamente. También es muy probable que le interesen las formas creativas de usar estas herramientas, como los estudios de caso sobre problemas como el problema que desea resolver.

-Entrega resultados más rápidos

Debido al aprendizaje automático, las computadoras pueden producir rápida y automáticamente modelos que pueden analizar datos más grandes y complejos y entregar resultados más rápidos y más precisos, incluso en una escala muy grande.

-Evitar riesgos desconocidos.

Las organizaciones pueden buscar oportunidades rentables construyendo modelos precisos, evitando así riesgos desconocidos.

– Logro Técnico

El aprendizaje automático es un campo técnico popular y se enorgullece de aprender nuevas y difíciles tecnologías y herramientas. El aprendizaje automático puede ser su próximo gran desafío y oportunidad de crecimiento y la oportunidad de demostrar sus habilidades para aprender y dominar materiales técnicos.