Andrew Ng, una delle voci più influenti nel machine learning dell'ultimo decennio, sta attualmente esprimendo preoccupazioni sulla misura in cui il settore enfatizza le innovazioni nell'architettura del modello rispetto ai dati e, in particolare, la misura in cui consente ai risultati `` overfitting '' di essere rappresentato come soluzioni o progressi generalizzati.
Si tratta di critiche radicali all'attuale cultura dell'apprendimento automatico, emanate da una delle sue più alte autorità, e hanno implicazioni per la fiducia in un settore afflitto dai timori per un terzo crollo della fiducia delle imprese nello sviluppo dell'IA in uno spazio di sessant'anni.
Ng, professore all'università di Stanford, è anche uno dei fondatori di deeplearning.ai, ea marzo ha pubblicato una missiva sul sito dell'organizzazione che riassumeva un suo discorso recente fino a un paio di raccomandazioni fondamentali:
In primo luogo, la comunità di ricerca dovrebbe smetterla di lamentarsi del fatto che la pulizia dei dati rappresenta l'80% delle sfide nell'apprendimento automatico e andare avanti con il lavoro di sviluppo di metodologie e pratiche MLOps robuste.
In secondo luogo, dovrebbe allontanarsi dalle "vittorie facili" che possono essere ottenute adattando eccessivamente i dati a un modello di apprendimento automatico, in modo che funzioni bene su quel modello ma non riesca a generalizzare o a produrre un modello ampiamente distribuibile.
Accettare la sfida dell'architettura e della cura dei dati"Il mio punto di vista", ha scritto Ng. "è che se l'80% del nostro lavoro è la preparazione dei dati, garantire la qualità dei dati è il lavoro importante di un team di machine learning."
Lui continua:
"Piuttosto che contare sugli ingegneri per cercare il modo migliore per migliorare un set di dati, spero che possiamo sviluppare strumenti MLOps che aiutano a rendere la creazione di sistemi di intelligenza artificiale, inclusa la creazione di set di dati di alta qualità, ...
Continua a Leggere
Continua a Leggere
