P:
Quines són algunes de les formes fonamentals que destaquen els professionals de la carrera en l’aprenentatge automàtic?
R:L’èxit d’aprenentatge automàtic requereix sovint una combinació d’habilitats i experiències. Aprofundir sobre alguns d’aquests principis i conjunts d’habilitats ajuda els individus a comprendre millor el que busquen les empreses quan contracten professionals d’aprenentatge de màquines.
En un sentit molt bàsic, podríeu dir que l’èxit d’aprenentatge automàtic es basa sovint en un triple principi: programació, matemàtiques i coneixement. Cadascuna d’aquestes tres coses és fonamentalment diferent, però cadascuna d’elles té un paper en el desenvolupament d’un professional professional com a expert en aprenentatge de màquines.
Des del final de la programació, conèixer llenguatges com Python i R esdevé tremendament útil, però també hi ha habilitats creuades de llenguatges com COBOL, Perl i Ruby on Rails que poden tenir algun valor. En part, és a causa de la naturalesa fonamental de la programació: es tracta d'encaminar les operacions i els valors on han d'estar. Després també hi ha projectes d'aprenentatge automàtic que aprofiten el codi llegat.
El segon principi fonamental és la matemàtica. Les persones amb habilitats matemàtiques o coneixements avançats sovint tenen molt més èxit al món de l'aprenentatge de màquines. Quan miren les xarxes neuronals o altres models, són capaços de descompondre les equacions matemàtiques que condueixen a les sortides de la xarxa. Les persones sovint parlen que les xarxes neuronals són “caixes negres” fins i tot a tècnics, però, en la mesura que sou matemàtics, podeu començar a viatjar cap a una millor comprensió del que fa el programa.
Això condueix al tercer principi, que és el coneixement. La comprensió de les estadístiques probabilístiques ajuda realment en l'èxit d'aprenentatge automàtic. Això passa perquè amb l'aprenentatge automàtic els projectes passen d'una zona de programació purament determinista o lineal a una nova zona probabilística. Les persones més experimentades en probabilitats poden examinar els inputs ponderats i predir millor quins són els resultats. Tanmateix, en un altre sentit, les persones que siguin intuïtivament prudents sobre l'aprenentatge automàtic entendran com limitar les seves aplicacions a coses que tenen sentit.
Un dels cinc grans inconvenients de l’aprenentatge automàtic és avui l’aplicació desenfrenada i indiscriminada de l’aprenentatge automàtic en aplicacions empresarials. Hi ha moltes situacions en què l'aprenentatge de màquines no és una bona solució, ja sigui per la complexitat del sistema, per l'adequació, el problema de la caixa negra esmentada anteriorment o per qualsevol altra cosa. Alguns dels professionals més valuosos de l’espai d’aprenentatge de màquines seran aquells que saben escollir bé els projectes (com curar les aplicacions d’aprenentatge de màquines) i com gestionar la compra i el procediment com a consultor especialitzat.