Спорно, не так ли?
Этот разглагольствования — результат встречи, которую я посетил несколько дней назад по машинному обучению. Это была известная встреча Python в Бангалоре, на которой было довольно много людей, которые работали инженерами по машинному обучению в своей повседневной работе. Одно из выступлений было о логистической регрессии и о том, как и почему она работает (интуиция, стоящая за ней). Большинство из этих «профессиональных инженеров по машинному обучению» не знали этого, и я мог видеть благоговение на их лицах, когда они понимали тему. Это заставило меня задуматься.
У нас огромное количество инженеров по машинному обучению, и все остальные хотят ими быть. У нас есть машинное обучение, применяемое ко всем вещам, и все компании хотят продавать себя как основанные на ИИ, но мы не видим такого большого прогресса в этой области, как это должно было бы быть со всеми этими людьми. Большинство методов относятся ко второй половине 20-го века, и прогресс не поспевает за количеством людей, работающих в этой области. То, что у нас появились большие компьютеры и теперь мы можем применять алгоритмы, которые не могли использовать в 80-х, не означает, что мы чего-то достигли. Значит, ребята из Intel чего-то добились.
Возможно, нам следует начать классифицировать инженеров по машинному обучению как инженеров по прикладному машинному обучению и инженеров по теоретическому машинному обучению. Первые просто применяют техники, разработанные последними, потому что так и происходит. Люди, которые не знают, как работает алгоритм, используют разные виды алгоритмов и параметров и используют только тот, который работает. С настройкой гиперпараметров это стало еще проще. С большой силой приходит большая ответственность, это не значит, что вы начинаете с 0 и доходите до 100.
Другим побочным эффектом этого является то, что мы начали применять машинное обучение к каждой возможной проблеме, определяя машинное обучение как аналогию молотка с молотком и гвоздем. Нам не нужны CNN для чего-то, что можно решить с помощью вычислительной геометрии.
Думаю, этот пузырь лопнет. Люди скоро поймут, что существует определенный набор проблем, которые можно решить с помощью машинного обучения, и только потому, что у вас есть данные, и если вы используете какой-то алгоритм машинного обучения, это не значит, что это вам что-то даст. На самом деле, это будет давать вам что-то, а это что-то будет дерьмом, и в этом-то и заключается неразбериха. Мы должны понять, как работают алгоритмы. Мы должны понимать, что алгоритм так же хорош, как и данные, и мы должны понимать, что машинное обучение — это не решение всех проблем.
В 2000-х годах была веб-разработка, теперь есть машинное обучение. Как вы думаете, каким будет следующий пузырь?
