¿Cómo es la investigación de ML en la industria versus la academia?

Hay excelentes lugares para hacer investigación básica de LD tanto en la academia como en la industria, pero las condiciones son sutilmente diferentes. Un gran atractivo de la industria son los recursos que puede proporcionar una gran empresa, en particular en términos de datos. Además, normalmente tendrá acceso a un sistema operativo donde no se limita a observar datos pasivamente, sino que puede realizar experimentos interactivos para probar sus ideas. Y, si tiene éxito, su trabajo tendrá un impacto inmediato en millones de personas. La desventaja es que, a menos que su compañía posea un monopolio cómodo y solo esté explorando nuevas direcciones de manera oportunista, tarde o temprano habrá presión para contribuir al resultado final. Esto a menudo hace que la investigación de la industria sea más a corto plazo y más dirigida de arriba hacia abajo. Además, existe una tendencia a que la visibilidad externa de las personas disminuya a medida que se sumergen en la cultura corporativa de su empresa.

Las razones por las que me gusta la academia es que me gusta la investigación a largo plazo y que puedo trabajar con estudiantes que continuamente aportan nuevas ideas y nuevas perspectivas. La investigación a largo plazo no es necesariamente más teórica o menos útil, simplemente significa que a menudo está unos pasos por delante de lo que actualmente se puede comercializar y poner en producción. Una buena anécdota que señala este punto es la técnica de entrelazado para evaluar los motores de búsqueda. Es una idea muy simple y práctica que se usa ampliamente en los motores de búsqueda hoy en día, pero en 2002 estaba muy por delante de lo que era comercialmente relevante.