Når man snakker om Machine Learning og Data Science, og alle deres vidunderligheder, så kigges der normalt altid ud I fremtiden, og der fokuseres på hvilke nye ting som kan løses med kraftige computere, det føles næsten som om mange tror at AI er en slags magi. Og det kan da også virker sådan nogen gange, når et system lige pludselig kan begynde at forudse ting som ellers overhovedet ikke virker korreleret med input data. Men på trods af det, er det blot en meget specialiseret funktion som er trænet til meget specifikt data. Hvis data ændrer sig kan man ikke forvente at ens maskine-lærte funktion vil forsætte med at virke.
Men inden man nu får det hele ophøjet til noget helt magisk, så er det værd at huske på at meget af Data Science og Machine learning faktisk er baseret på ting så simple at det er pensum i de fleste folkeskoler. Og mange machine learning algoritmer slet ikke er noget som er cutting edge, men noget som man allerede legede med tilbage da Bee Gees var på mode (Okay jeg må indrømme jeg ikke er helt sikker på om de to ting overlapper, men jeg kan i det mindste huske at jeg hørte Bee Gees i firserne, men det var måske anden gang de var på mode). Men da de kom frem var man måske for fremsynet og havde hverken data eller computer kraft nok til at lave de beregninger, som de nye metoder ellers krævede.
Der har selvfølgelig været mange kloge mennesker ind over siden firserne, men grundideerne er langt hen af vejen de samme. Derfor er det også spændende at forstå hvordan historien egentlig lyder, og det kan man på GOTO CPH 2017 hvor Phil Winder kommer og fortæller om hvordan Data Science voksede op. Den kan høres The Meaning of (Artificial) Life