在人工智能库已经如此强大的今天，AI/ML理论在哪里发挥作用呢？

Question

我读了一些关于开始ML的文章，声称你需要线性代数，统计，复杂的优化，才能在ML/AI中开始。除此之外，还有ML/AI算法。

然而，我在业界所观察到的是，现在有那么多漂亮的AI/ML库代表我们进行分析，在某种程度上甚至软件工程师都可以轻松地即插即用和完成任务。

这让我很困惑。对于那些在理论上强调“当你做定制时你需要它”的人来说。然而，我观察到，在现实生活中，特别是对于人工智能的发展，并没有赶上学术界，实际上并没有那么多的定制需要做。

因此，我想知道，在人工智能的工业应用中，当autoML越来越多的时候，理论是否仍然很重要？如果它仍然很重要，为什么和在哪里使用？

Answer 1

首先，“线性代数、统计、复杂优化”不是ML理论，而是指导具体ML算法设计和改进的数学工具包。ML理论通常是指一种理论，它试图解释为什么某些ML设计模式能够工作，以及对于一般的ML任务类别来说，有效的设计模式是什么样子的。下面是一个示例深度学习的信息瓶颈理论

你需要掌握那些数学工具箱吗？

这取决于你的“人工智能工业应用”的独特性。

1. 如果您的应用程序是经过充分研究和开发的用例，有大量的开源算法和经过预先训练的模型参数，例如公共对象检测、公共对象分割、单变量时间序列预测，那么您不需要精通这些数学知识。虽然有一些基本的数学直觉会帮助你避免误用那些开源算法。
2. 如果您的应用程序的一部分或全部包含了一些独特的用例。要么没有任何公开可用的算法，要么用例需要对开源算法进行大量修改，那么是的，您需要对这些工具箱有足够的数学知识来完成任务。

例如，我的团队开发了一个ML系统，用张开的嘴将每颗牙齿从面部图像中分割出来，然后测量每颗牙齿的白度。分割是一项常见的ML任务，但我们无法找到任何经过预训练的开源ML算法。我们也找不到任何算法来识别牙医标准中牙齿的相对坐标。在OpenCV中，对选定像素进行RGB颜色测量是一项微不足道的功能，但根据背景环境的颜色色调和不同智能手机相机的自动白平衡来推断真实颜色是一项不平凡的ML任务。

不懂统计、几何、高维矩阵计算等。我们永远无法提出ML经验设计来具体说明:我们需要收集什么样的有监督的标签数据？这些数据中有多少？我们应该为每个子任务训练一个结束模型还是结束模型，还是训练不同的模型？我们如何设计模型特征？我们应该使用哪些度量来衡量我们的进度？等等等等。