Cameron Willden apoya a ingenieros y científicos en muchas líneas de productos diferentes en WL Gore, centrándose en la fabricación y el desarrollo de nuevos productos.
Cameron Willden, WL Gore, aborda las diferencias entre la ciencia de datos y las estadísticas, y las diferencias entre el aprendizaje automático y la inteligencia artificial. Responde a algunos de los objetivos de aprendizaje cubiertos en un discurso de apertura del autor David J. Hand y proporciona su propia perspectiva basada en años en la industria. Tú puedes ver el discurso de apertura y el panel de discusión en cualquier momento.
¿Necesita ayuda para desmitificar el aprendizaje automático y la inteligencia artificial? Tenemos próximas transmisiones en vivo y videos a pedido sobre este tema. Échales un vistazo !
“Sí, creo que hay algunas diferencias realmente importantes entre, en particular, la ciencia de datos y las estadísticas. Creo que David explicó bastante bien las diferencias ...
“Como estadístico, tendemos a poner más énfasis en cuantificar la incertidumbre en nuestras estimaciones, y la ciencia de datos tiende a enfatizar más las predicciones puntuales que surgen de un modelo. Y debido a eso, tendemos a gravitar hacia un conjunto diferente de herramientas.
“Los estadísticos están buscando pruebas de hipótesis y diferentes tipos de intervalos estadísticos, como el bootstrapping, en los que los científicos de datos gravitan hacia cosas como redes neuronales y soportan máquinas vectoriales y métodos basados en árboles. No quiere decir que no se crucen de vez en cuando, pero ciertamente tiende a haber más énfasis que se alinea con las cosas que más les importan.
“En cuanto al aprendizaje automático y la inteligencia artificial, honestamente, admito que no lo he escuchado explicado de la manera en que David lo explicó; eso podría deberse a que lo está logrando con una mejor comprensión de algunos de los subcampos de la inteligencia artificial.
“Pero la forma en que normalmente pienso en el aprendizaje automático y la inteligencia artificial es que la IA es el objetivo final. Nos gustaría tener una máquina que pueda realizar una tarea de manera competente, incluso cuando se enfrenta a un ejemplo que no hemos encontrado explícitamente antes. Y para llegar allí, utilizamos herramientas de aprendizaje automático, un conjunto de técnicas y algoritmos que utilizamos para educar a la máquina y ayudarla a desarrollar su inteligencia. Y con suerte, en algún momento, estará listo para tener un trabajo.
“Así que esa es la forma en que normalmente pienso sobre esos términos. Pero diré que son términos nebulosos, y muy a menudo escucharás que las personas usan la IA y el aprendizaje automático de manera intercambiable. Realmente no veo dónde eso está causando mayores problemas o confusión, por lo que es posible que no converjamos en un entendimiento común de esos términos en el futuro cercano. Pero tal vez eso esté bien ".
Puedo estar de acuerdo con las distinciones entre estadística y ciencia de datos como descripción práctica: cuantificación de la incertidumbre frente a predicciones puntuales (con las diferentes herramientas correspondientes).Sin embargo, creo que esto es un reflejo de una situación disfuncional.Las predicciones puntuales sin ninguna medida de incertidumbre son peligrosas en el mejor de los casos.Me recuerda una vieja cita de Kenneth Boulding: "La optimización en condiciones de incertidumbre casi siempre conduce a dar en el blanco del desastre".Es cierto que la cuantificación de la incertidumbre para algunas herramientas de ciencia de datos (por ejemplo, redes neuronales) está poco desarrollada; lo veo como una de las áreas principales que necesitan desarrollo.Y centrarse en la inferencia sin preocuparse por la precisión predictiva es un plan para aumentar la irrelevancia.Las superposiciones deben aceptarse.Los buenos estadísticos y los buenos científicos de datos realmente no trabajan de manera tan diferente, ni deberían hacerlo.
@dale_lehman ,
Estoy totalmente de acuerdo con sus dos últimas frases. Algo así como las guerras de paquetes de software (R vs SAS vs Python vs Julia vs [ad infinitum]), parece haber una brecha creciente entre "científicos de datos" y "estadísticos", y los primeros consideran a los segundos como "viejos y fuera de contacto". (Eso es algo que escuché en una conferencia.) Realmente todos estamos tratando de analizar la información en los datos, y ambos "enfoques", a falta de una palabra mejor, son válidos y necesarios. Necesitamos trabajar juntos para traer lo mejor de ambos mundos, no dividirnos en campos separados.
