Проблема в сегодняшнем мире науки о данных заключается в том, что большинство специалистов по данным не построили ни одной прогностической модели, прежде чем прикоснуться к алгоритмам ML в python или R. И, поскольку это открытый исходный код, буквально не требуется никаких денег или чего-то большого, чтобы попробовать из всех красот, доступных там.
Это может быть способом взглянуть на ML, AI и DP (с точки зрения разработчиков):
- ML — это когда вы говорите своей машине — это моя проблема, это мои данные и это алгоритм, продолжайте учиться и предлагайте решение. Он запускает несколько моделей и каждый раз учится на предыдущих. Значительное количество алгоритмов машинного обучения не являются новыми для мира, просто у нас не было очень хороших компьютеров для запуска нескольких моделей. Банк Citi использует логистическую регрессию для своей системы показателей кредитного риска в течение последних 50 с лишним лет, и мы вдруг не можем назвать это ML ☺.
- DL — это тип машинного обучения с нулевой архитектурой сетевого типа. Поскольку он пытается имитировать работу нашего мозга, он хорошо работает с фотографиями, звуками и т. д. Но это не означает, что вы не можете использовать его для выполнения действий, которые в настоящее время наш мозг не делает, например, для предсказания того, кто уйдет, предсказания когда машина выйдет из строя и т.д.
- AI — Используя DP (да, DP или эквивалент), создайте что-нибудь для решения проблемы, которой мы сейчас управляем. Например, создайте чат-бота, который может общаться с людьми и передавать информацию. Для выполнения этого действия требуется человеческий интеллект (даже если вы считаете, что колл-центры — отстой!!!). И вы сейчас строите «искусственный» мозг, чтобы управлять им. «Запуск любого алгоритма машинного обучения 1 млн раз не сделает его ИИ». Он должен иметь структуру человеческого мозга в своей основе, чтобы его повысили до ИИ после того, как он выступит.
