Cameron Willden soutient les ingénieurs et les scientifiques dans de nombreuses gammes de produits différentes chez WL Gore, se concentrant sur la fabrication et le développement de nouveaux produits.
Cameron Willden, WL Gore, aborde les différences entre la science des données et les statistiques, ainsi que les différences entre l'apprentissage automatique et l'IA. Il répond à certains des objectifs d'apprentissage abordés dans une allocution de l'auteur David J. Hand et présente sa propre perspective basée sur des années dans l'industrie. Tu peux regarder le discours d'ouverture et la table ronde à tout moment.
Besoin d'aide pour démystifier l'apprentissage automatique et l'intelligence artificielle? Nous avons des livestreams à venir et des vidéos à la demande sur ce sujet. Vérifie-les !
«Oui, je pense qu'il existe des différences vraiment importantes entre, en particulier, la science des données et les statistiques. Je pense que David a assez bien expliqué les différences ...
«En tant que statisticien, nous avons tendance à mettre davantage l'accent sur la quantification de l'incertitude de nos estimations, et la science des données a tendance à mettre davantage l'accent sur les prédictions ponctuelles issues d'un modèle. Et à cause de cela, nous avons tendance à nous tourner vers un ensemble d'outils différent.
«Les statisticiens étudient les tests d'hypothèses et différents types d'intervalles statistiques - des choses comme le bootstrap - où les data scientists gravitent vers des choses comme les réseaux neuronaux et prennent en charge les machines vectorielles et les méthodes arborescentes. Cela ne veut pas dire qu'ils ne se croisent pas de temps en temps, mais ils ont certainement tendance à être davantage axés sur des choses qui leur tiennent le plus à cœur.
«En ce qui concerne l'apprentissage automatique et l'intelligence artificielle, honnêtement, j'admets que je ne l'ai pas entendu expliqué de la manière dont David l'a expliqué; c'est peut-être parce qu'il y parvient avec une meilleure compréhension de certains des sous-domaines de l'intelligence artificielle.
«Mais la façon dont je pense généralement à l'apprentissage automatique et à l'intelligence artificielle est que l'IA est l'objectif final. Nous aimerions avoir une machine capable d'exécuter une tâche avec compétence, même lorsqu'elle est confrontée à un exemple que nous n'avons jamais rencontré explicitement auparavant. Et pour y arriver, nous utilisons des outils d'apprentissage automatique - un ensemble de techniques et d'algorithmes que nous utilisons pour former la machine afin de l'aider à développer son intelligence. Et j'espère qu'à un moment donné, il est prêt à avoir un emploi.
«C'est donc ainsi que je pense généralement à ces termes. Mais je dirai que ce sont des termes nébuleux, et vous entendrez très souvent les gens utiliser l'IA et l'apprentissage automatique de manière interchangeable. Je ne vois pas vraiment où cela cause des problèmes majeurs ou de la confusion, alors nous ne pourrons peut-être pas converger vers une compréhension commune de ces termes dans un proche avenir. Mais peut-être que ça va.
Je peux être d'accord avec les distinctions statistiques / science des données comme description pratique: quantification de l'incertitude par rapport aux prévisions ponctuelles (avec les différents outils associés).Cependant, je pense que c'est le reflet d'un état de fait dysfonctionnel.Les prédictions ponctuelles sans aucune mesure d'incertitude sont au mieux dangereuses.Cela me rappelle une vieille citation de Kenneth Boulding: "L'optimisation dans l'incertitude conduit presque toujours à atteindre la cible du désastre."Il est vrai que la quantification de l'incertitude pour certains outils de science des données (par exemple, les réseaux neuronaux) est sous-développée - je considère cela comme l'un des principaux domaines à développer.Et, se concentrer sur l'inférence sans se soucier de la précision prédictive est un modèle pour augmenter la non-pertinence.Les chevauchements doivent être pris en compte.Les bons statisticiens et les bons scientifiques des données ne fonctionnent vraiment pas différemment, et ils ne devraient pas non plus.
@dale_lehman ,
Je suis entièrement d'accord avec vos deux dernières phrases. Un peu comme les guerres de progiciels (R vs SAS vs Python vs Julia vs [ad infinitum]), il semble y avoir un écart croissant entre les «data scientists» et les «statisticiens», les premiers considérant les seconds comme «anciens et hors de portée". (C'est quelque chose que j'ai entendu lors d'une conférence.) Nous essayons vraiment tous d'analyser l'information contenue dans les données, et les deux «approches», faute d'un meilleur mot, sont valables et nécessaires. Nous devons travailler ensemble pour apporter le meilleur des deux mondes, et non diviser dans nos camps séparés.
