Alex: Wir sind große Nutznießer der Forschung, sowohl in Bezug auf Bibliotheken und Open Source, angefangen von PyTorch und seinem Ökosystem bis hin zu Research Papers, die interessante Wege einschlagen, die wir mit einem praktischen Ansatz kombinieren können. Die Kombination aus Allem ist die Sache, die fehlt. In der Praxis kommen die Probleme also in einer kombinierten Form. In der Wissenschaft geht man diesen isoliert nach. Bei der Bildklassifikation gibt es Paper, die einem sagen wie man mit verrauschten Labels am besten umgeht. Dasselbe gilt bei ausgewogenen versus unausgewogenen Datensätze, feinkörnigen Klassifikations-Aufgaben, Domänen-Verschiebungen etc. Für diese relevanten Bereiche gibt es also einzelne Benchmarks und sehr intelligente Ansätze. Manchmal auch sehr komplizierte und sinnlose Ansätze. Aber immerhin gibt es messbare Fortschritte. In der Praxis hat man verrauschte Labels, unausgewogene Daten, Unstimmigkeiten zwischen der Feinkörnigkeit zwischen Tests und Training und Domänenverschiebungen, alles auf einmal. Das bedeutet, man wählt zB. einen Ansatz aus der Literatur der Beispiele sucht, um das Leichte mit dem Schwierigen auszugleichen. Man wird aber auch Beschriftungsfehler haben. Was man damit also tatsächlich lernt, sind schwere und falsche Beispiele, und man lernt sie sehr rigoros. Und das ist nicht die vollständige Lösung, denn man möchte ein schweres Beispiel nicht sehr rigoros lernen, wenn es falsch ist. Bis jetzt gibt es noch keine guten Antworten im akademischen Bereich, aber es gibt  gute Antworten in der Praxis. In der Praxis würde man den Menschen in der Schleife haben und Daten zyklisch verbessern. Das ist normalerweise nicht die Art und Weise, wie der akademische Bereich hier aufgebaut ist. Es gibt Literatur zu Orakel, die aktives Lernen emulieren, aber das ist bei weitem ein weniger schwergewichtiges Feld als die Kombination dieser Probleme.