WiWi Gast schrieb am 18.09.2020:
Die High Performer machen Machine Learning - da kannst du derzeit sowohl easy
- gründen
- in die universitäre, kommerzielle (DeepMind, OpenAI, FBAI usw.), oder semikommerzielle (Turing, Vector, Mila...) Forschung, oder auch
- in High Finance (HF, HFT) arbeiten. Dazu ist es ein Fachbereich, in dem sich diverse Naturwissenschaften überschneiden (Phys, CS, Eng, Stats, AppMath).
ML ist zumindest in der Akademik kein heißes Eisen mehr. Machine Learning schon mal gleich sowieso, aber ich bezweifle dass dem Poster überhaupt der Unterschied zwischen AI, ML und DL bekannt ist.
ML geht gerade erst richtig los in der Academia, lebst du auf dem Mond? Schau dir mal an, was ICML, NeurIPS, ICLR in den letzten Jahren für einen Zuwachs hatten. Und was universitär investiert wird.
Dass Deutschland da nicht mitziehen kann, ist klar, aber alles zu ignorieren, was in US/CN/UK/CAN passiert, ist auch nicht zielführend...
Nö geht's nicht. Den ganzen Käse gibt es seit >30 Jahren. Das einzige was neu ist ist, dass man mittlerweile die Rechenleistung hat, um die ganzen Modelle, die man schon vor Jahrzehnten hatte, anzuwenden. Forschungstechnisch hingegen ist KI nix neues! Mag sein, dass bei KI in der Praxis daher aktuell viel geht, in der Akademik ist es ein Gebiet unter vielen.
Nur weil Hinton und co. schon vor 30 Jahren auf dem Papier ein NN zusammenbauen konnten, heißt das doch nicht, dass es ML, wie es heute existiert, damals schon gab. Die "Deep Learning Welle" mit den Papers von LeCun, Bengio, Hinton, später auch Silver und co. haben zu einer regelrechten Explosion an Forschungsinteresse geführt.
Skalierbares RL. Skalierbare Computer Vision. Effiziente generative Modelle (VAEs, 2013) und GANs (2013) haben im letzten Jahrzehnt ganz neue Anwendungsmöglichkeiten von ML geschaffen. Die Industrie kämpft immer noch damit, den Forschungsstand von 2013-2014 zu implementieren. Das, was derzeit in RL, AutoML, ProbML, Dingen wie Continual Learning, Self-Supervised Learning usw. passiert, wird langfristig einen ähnlichen oder noch größeren Impact haben.
Vor 30 Jahren war ML ein "Forschungsbereich von vielen" - als kleiner Bereich innerhalb von Computer Science oder Statistik. Heute ist das Feld so massiv gewachsen und deckt so viele Disziplinen ab (Stats, Phys, CS, Eng, AppMath, NeuroS), dass man es immer mehr als eigene, übergeordnete Disziplin sehen kann.
antworten