Hola María Isabel,
gracias por compartir esta información con todos nosotros, me parece muy interesante.
La cuestión es que la complejidad de este tipo de modelos hace relativamente difícil su configuración y uso de manera óptima por un usuario no experto en cuestiones técnicas de IA y ML. En otras palabras, tradicionalmente los usuarios en Bioinformática siempre han preferido soluciones más intuitivas como regresión logística o incluso SVMs o RandomForest, ya que eran capaces de controlar su funcionamiento a cada problema concreta. Dar el salto hacia sistemas de DL con arquitecturas cada vez más amplias y costosas, parece un poco vertiginoso,
De acuerdo a lo anterior, y desde mi humilde punto de vista, veo una doble problemática con respecto a utilizar modelos de Deep Learning para la extracción de conocimiento, tanto en el texto de BioCiencias como en cualquier otro:
1) La falta de transparencia para este tipo de soluciones, que impide validar correctamente su funcionamiento, o no aportan confianza al experto que lo está utilizando.
2) La falta de sostenibilidad en materia energética, debido al gran consumo que implica tanto su entrenamiento como igualmente su proceso de inferencia.
¿Qué opinión os merece a vosotros?
Saludos,
Alberto.
---
Hello María Isabel,
Thank you for sharing this information with all of us; I find it very interesting.
The issue is that the complexity of these models makes it relatively difficult for a non-expert user in AI and ML technical matters to configure and use them optimally. In other words, traditionally, users in Bioinformatics have always preferred more intuitive solutions like logistic regression or even SVMs or Random Forests, as they were able to control their operation for each specific problem. The leap to DL systems with increasingly large and costly architectures seems a bit daunting.
Given the above, and from my humble point of view, I see a dual problem with using Deep Learning models for knowledge extraction, both in the BioSciences text and in any other field:
1) The lack of transparency for these types of solutions, which makes it difficult to validate their operation or fails to provide the confidence the expert using them needs.
2) The lack of sustainability in terms of energy consumption, due to the high resources required for both training and inference processes.
What is your opinion on this?
Best regards,
Alberto.
gracias por compartir esta información con todos nosotros, me parece muy interesante.
La cuestión es que la complejidad de este tipo de modelos hace relativamente difícil su configuración y uso de manera óptima por un usuario no experto en cuestiones técnicas de IA y ML. En otras palabras, tradicionalmente los usuarios en Bioinformática siempre han preferido soluciones más intuitivas como regresión logística o incluso SVMs o RandomForest, ya que eran capaces de controlar su funcionamiento a cada problema concreta. Dar el salto hacia sistemas de DL con arquitecturas cada vez más amplias y costosas, parece un poco vertiginoso,
De acuerdo a lo anterior, y desde mi humilde punto de vista, veo una doble problemática con respecto a utilizar modelos de Deep Learning para la extracción de conocimiento, tanto en el texto de BioCiencias como en cualquier otro:
1) La falta de transparencia para este tipo de soluciones, que impide validar correctamente su funcionamiento, o no aportan confianza al experto que lo está utilizando.
2) La falta de sostenibilidad en materia energética, debido al gran consumo que implica tanto su entrenamiento como igualmente su proceso de inferencia.
¿Qué opinión os merece a vosotros?
Saludos,
Alberto.
---
Hello María Isabel,
Thank you for sharing this information with all of us; I find it very interesting.
The issue is that the complexity of these models makes it relatively difficult for a non-expert user in AI and ML technical matters to configure and use them optimally. In other words, traditionally, users in Bioinformatics have always preferred more intuitive solutions like logistic regression or even SVMs or Random Forests, as they were able to control their operation for each specific problem. The leap to DL systems with increasingly large and costly architectures seems a bit daunting.
Given the above, and from my humble point of view, I see a dual problem with using Deep Learning models for knowledge extraction, both in the BioSciences text and in any other field:
1) The lack of transparency for these types of solutions, which makes it difficult to validate their operation or fails to provide the confidence the expert using them needs.
2) The lack of sustainability in terms of energy consumption, due to the high resources required for both training and inference processes.
What is your opinion on this?
Best regards,
Alberto.
