Zastanawiam się, dlaczego tak ważne jest posiadanie zasadniczego / teoretycznego uczenia maszynowego? Z osobistego punktu widzenia, jako człowiek, rozumiem, dlaczego uczenie maszynowe oparte na zasadach jest tak ważne:
- ludzie lubią rozumieć, co robią, my rozumiemy piękno i satysfakcję.
- z teoretycznego punktu widzenia matematyka jest zabawna
- kiedy istnieją zasady, które kierują projektowaniem rzeczy, mniej czasu spędza się na losowym zgadywaniu, dziwnych próbach i błędach. Gdybyśmy zrozumieli, powiedzmy, jak naprawdę działają sieci neuronowe, być może moglibyśmy poświęcić znacznie więcej czasu na ich projektowanie, niż na ogromne ilości prób i błędów, które się w tym momencie pojawiają.
- ostatnio, jeśli zasady są jasne, a teoria również, to powinna być (mam nadzieję) większa przejrzystość systemu. Jest to dobre, ponieważ jeśli zrozumiemy, co działa system, wtedy AI ryzykuje, że wiele osób o tym hype prawie natychmiast znika.
- zasady wydają się być zwięzłym sposobem na podsumowanie ważnych struktur, jakie może mieć świat i kiedy używać narzędzia zamiast innego.
Czy jednak te powody są wystarczająco silne, aby uzasadnić intensywne teoretyczne studium uczenia maszynowego? Jedną z największych krytyk teorii jest to, że ponieważ jest to tak trudne, zwykle kończą się badaniem bardzo ograniczonego przypadku lub założeń, które należy zasadniczo przyjąć, aby wyniki były bezużyteczne. Myślę, że kiedyś to słyszałem podczas przemówienia twórcy Tora w MIT. To, że część krytyki Tora, którą usłyszał, jest teoretycznym argumentem, ale w gruncie rzeczy ludzie nigdy nie są w stanie udowodnić rzeczy na temat prawdziwych scenariuszy z prawdziwego życia, ponieważ są tak skomplikowane.
W nowej erze z tak dużą mocą obliczeniową i danymi możemy testować nasze modele przy użyciu prawdziwych zestawów danych i zestawów testowych. Możemy sprawdzić, czy wszystko działa, używając empiryzmu. Jeśli zamiast tego możemy osiągnąć AGI lub systemy współpracujące z inżynierią i empiryzmem, czy warto nadal stosować zasadnicze i teoretyczne uzasadnienie uczenia maszynowego, szczególnie gdy trudno jest osiągnąć granice ilościowe, ale intuicje i odpowiedzi jakościowe są o wiele łatwiejsze osiągnąć dzięki podejściu opartemu na danych? Takie podejście nie było dostępne w klasycznej statystyce, dlatego uważam, że teoria była w tamtych czasach tak ważna, ponieważ matematyka była jedynym sposobem, aby upewnić się, że wszystko jest poprawne lub że faktycznie działało tak, jak myśleliśmy.
Osobiście zawsze kochałem teorię i uważałem, że ważne jest podejście oparte na zasadach. Ale fakt, że mogę po prostu wypróbować rzeczywiste dane i moc obliczeniową, sprawił, że zastanawiam się, czy wysoki wysiłek (i potencjalnie niskie nagrody) teoretycznej realizacji jest nadal tego wart.
Czy teoretyczna i oparta na zasadach nauka maszynowa jest tak ważna?