Cameron Willden supports engineers and scientists across many different product lines at W.L. Gore, focusing on manufacturing and new product development.Cameron Willden soutient les ingénieurs et les scientifiques sur de nombreuses gammes de produits différentes chez WL Gore, en 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 un discours de l'auteur David J. Hand et fournit son propre point de vue basé sur des années d'expérience dans l'industrie.Vous pouvez 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 diffusions en direct à venir et des vidéos à la demande sur ce sujet. Vérifie-les !
« Oui, je pense qu’il existe des différences très importantes entre la science des données et les statistiques, en particulier. 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 dans nos estimations, et la science des données a tendance à mettre davantage l’accent sur les prédictions ponctuelles qui ressortent d’un modèle. Et pour cette raison, nous avons tendance à nous tourner vers un ensemble d’outils différent.
« Les statisticiens examinent les tests d'hypothèses et différents types d'intervalles statistiques – des choses comme le bootstrapping – où les data scientists gravitent vers des choses comme les réseaux neuronaux et prennent en charge les machines vectorielles et les méthodes basées sur les arbres. Cela ne veut pas dire qu’ils ne se croisent pas de temps en temps, mais il y a certainement tendance à mettre davantage l’accent sur les choses qui les intéressent le plus.
« En ce qui concerne l'apprentissage automatique et l'intelligence artificielle, honnêtement, j'admets que je n'ai pas entendu cela expliqué de la même manière que David l'a expliqué ; c'est peut-être parce qu'il aborde le sujet avec une meilleure compréhension de certains 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 disposer d'une machine capable d'effectuer une tâche avec compétence, même lorsqu'elle est confrontée à un exemple que nous n'avons jamais rencontré explicitement auparavant. Et pour y parvenir, 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 sera prêt à trouver 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, donc nous ne pourrons peut-être pas converger vers une compréhension commune de ces termes dans un avenir proche. Mais peut-être que ça va.
[vidéo]
@dale_lehman ,
Je suis tout à fait d'accord avec tes deux dernières phrases. Un peu comme les guerres de progiciels (R vs SAS vs Python vs Julia vs [à l'infini]), il semble y avoir un écart croissant entre les "scientifiques des données" 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 les informations contenues 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 nous diviser en nos camps séparés.
Je peux être d'accord avec les distinctions statistiques/science des données en tant que description pratique : quantification de l'incertitude par rapport aux prédictions ponctuelles (avec les différents outils associés).Cependant, je pense que cela reflète un état de choses 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 de neurones) 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 plan pour augmenter la non-pertinence.Les chevauchements doivent être acceptés.Les bons statisticiens et les bons scientifiques des données ne fonctionnent pas vraiment différemment, et ils ne devraient pas non plus.
