머신러닝 전공자들에게 질문 있습니다

머신러닝이 바둑, 이미지, 텍스트, 소리 등 컴퓨터 공학과나 전기전자공학과에서 기존부터 많은 관심을 가져왔던 영역에서는 대히트를 친건 맞는데, 그 외의 영역에서도 데이터를 많이 모은 후 학습하는 나이브한 방식의 접근만으로 기존 알고리즘을 압도하는 히트를 친적이 있나요? 예를 들어 개, 고양이 분류만 해도 관련 자료만 엄청나게 모은 후 cnn으로 학습하기만 하면 정확도가 엄청나게 높아지는데, 그렇게 간단히 데이터를 인터넷 등에서 긁어모을 수가 없는 대다수의 도메인들이 현실에서는 대다수인걸로 압니다.

금융, 농업, 의료, 기상, 시계열 등등

기상학 같은 분야에서도 관련 미분방정식을 신경망으로 빠르게 푸는 법은 연구를 해도, 기존 이론을 배제하고 데이터만 엄청 모은 후 학습하는, 모델 중심이 아닌 데이터 중심의 접근은 잘 안 이뤄진다고 들은 것 같네요. 만약 제 생각이 맞다면, 머신러닝 방법론이 기존 통계 방법론을 압도한다긴 보다는, 기존 통계 방법론이 어떻게 해도 모델링이 힘든 분야(사실 그게 이미지랑 텍스트 같네요)에서 효과적인 솔루션을 제시한 정도가 아닌지요? 제가 보기엔 머신러닝이 각종 영역으로 퍼져나가면서, 알파고 같은 혁신을 기대하는 사람들이 많았던 것 같은데, 그런 가시적인 성과는 잘 보이지 않는 것 같아요.

ai대학원에서도 ai를 중심으로 cv나 text 등을 전문적으로 파는것 같은데, 현실 데이터의 다양성을 고려할 때 좀 지나치게 전문적이고 나쁘게 말하면 협소한 시각의 데이터 분석가를 키우는 것 아닐까요. 요즘 들어 ai 대학원을 중심으로 데이터 분석 패러다임이 변해가는 느낌인데, 그런 현상에 대한 가벼운 제 생각입니다. 전공하시는 분들을 공격하려는게 아니라, 피드백을 통해서 생각의 폭을 좀 더 넓혀보고 싶은 마음이니, 어떤 말이든 피드백 주실 수 있는 분은 주심 감사하겠습니다!