Cameron Willden supports engineers and scientists across many different product lines at W.L. Gore, focusing on manufacturing and new product development.Cameron Willden supporta ingegneri e scienziati in molte linee di prodotti diverse presso WL Gore, concentrandosi sulla produzione e sullo sviluppo di nuovi prodotti.
Cameron Willden, WL Gore, tocca le differenze tra scienza dei dati e statistica e le differenze tra apprendimento automatico e intelligenza artificiale. Risponde ad alcuni degli obiettivi di apprendimento trattati in una nota chiave dell'autore David J. Hand e fornisce la sua prospettiva basata su anni di esperienza nel settore.Puoi guardare il keynote e il dibattito in qualsiasi momento.
Hai bisogno di aiuto per demistificare l'apprendimento automatico e l'intelligenza artificiale? Abbiamo imminenti live streaming e video on-demand su questo argomento. Dai un'occhiata !
“Sì, credo che ci siano alcune differenze davvero importanti tra, in particolare, la scienza dei dati e la statistica. Penso che David abbia spiegato abbastanza bene le differenze...
“Come statistici, tendiamo a dare maggiore enfasi alla quantificazione dell’incertezza nelle nostre stime, e la scienza dei dati tende a enfatizzare maggiormente le previsioni puntuali che emergono da un modello. E per questo motivo tendiamo a gravitare verso un diverso insieme di strumenti.
“Gli statistici stanno esaminando la verifica delle ipotesi e diversi tipi di intervalli statistici – cose come il bootstrap – in cui i data scientist gravitano verso cose come le reti neurali e supportano macchine vettoriali e metodi basati sugli alberi. Per non dire che non si incrociano di tanto in tanto, ma certamente tende ad esserci più enfasi che si allinea con le cose a cui tengono di più.
“Per quanto riguarda l'apprendimento automatico e l'intelligenza artificiale, onestamente, ammetto di non averli sentiti spiegare nello stesso modo in cui lo ha spiegato David; ciò potrebbe essere dovuto al fatto che ci sta arrivando con una migliore comprensione di alcuni sottocampi dell'intelligenza artificiale.
“Ma il modo in cui di solito penso all’apprendimento automatico e all’intelligenza artificiale è che l’intelligenza artificiale è l’obiettivo finale. Ci piacerebbe avere una macchina in grado di eseguire un compito con competenza, anche quando si trova di fronte a un esempio che non abbiamo mai incontrato esplicitamente prima. E per arrivarci, utilizziamo strumenti di apprendimento automatico, un insieme di tecniche e algoritmi che usiamo per istruire la macchina per aiutarla a sviluppare la sua intelligenza. E si spera, ad un certo punto, che sia pronto per avere un lavoro.
“Quindi questo è il modo in cui di solito penso a questi termini. Ma dirò che sono termini nebulosi e molto spesso sentirai persone usare l'intelligenza artificiale e l'apprendimento automatico in modo intercambiabile. Non vedo davvero dove ciò stia causando grossi problemi o confusione, quindi potremmo non convergere su un'interpretazione comune di questi termini nel prossimo futuro. Ma forse va bene così.
[video]
@dale_lehman ,
Concordo in pieno con le tue ultime due frasi. Un po' come nelle guerre dei pacchetti software (R vs SAS vs Python vs Julia vs [ad infinitum]), sembra esserci un divario crescente tra "data scientist" e "statistici", con i primi che considerano i secondi come "vecchi e perso di vista". (È qualcosa che ho sentito per caso a una conferenza.) Stiamo davvero tutti cercando di analizzare le informazioni nei dati, ed entrambi gli "approcci", in mancanza di una parola migliore, sono validi e necessari. Dobbiamo lavorare insieme per portare il meglio di entrambi i mondi, non dividerci in campi separati.
Posso essere d'accordo con le distinzioni statistica/scienza dei dati come descrizione pratica: quantificazione dell'incertezza rispetto alle previsioni puntuali (con i relativi strumenti diversi).Tuttavia, penso che questo sia un riflesso di uno stato di cose disfunzionale.Le previsioni puntuali senza alcuna misura di incertezza sono nella migliore delle ipotesi pericolose.Mi ricorda una vecchia citazione di Kenneth Boulding: "L'ottimizzazione in condizioni di incertezza porta quasi sempre a colpire l'obiettivo del disastro".È vero che la quantificazione dell'incertezza per alcuni strumenti di data science (ad esempio le reti neurali) è sottosviluppata: la vedo come una delle principali aree che necessitano di sviluppo.E concentrarsi sull'inferenza senza preoccuparsi dell'accuratezza predittiva è un modello per aumentare l'irrilevanza.Le sovrapposizioni devono essere accettate.I bravi statistici e i bravi data scientist non lavorano in modo così diverso, né dovrebbero.
