INTELIGENCIA ARTIFICIAL

Cómo prepararse para una carrera en aprendizaje automático e inteligencia artificial

Mantenerse a la vanguardia es el mantra de los profesionales tecnológicos de hoy. A medida que evolucionan la tecnología y los procesos relacionados, quienes trabajan en el campo deben actualizar sus habilidades e incluso sus carreras cuando sea necesario.

Algunas funciones tradicionales de la mesa de ayuda, los sistemas y los administradores de red se están desvaneciendo, reemplazadas por trabajos que requieren habilidades más sólidas y más diversas. El aprendizaje automático (ML) y la inteligencia artificial (AL) son dos de estos campos que se están abriendo paso constantemente en el mundo de TI. Aquellos que buscan una futura carrera tecnológica están mejor familiarizados con ML e AI.

Consulte: La guía del líder de TI para el aprendizaje profundo (Tech Pro Research)

Hablé con el director ejecutivo Dillon Erb espacio papeluna plataforma de proveedor de nube, para obtener más información.

Habilidades requeridas para carreras de ML/IA

Scott Mattson: ¿Qué tipo de formación académica es útil en el campo de ML/AI?

Dillon Erber: Escuché una estadística interesante recientemente: alrededor del 70% de los practicantes de aprendizaje profundo o IA todavía están en la escuela hoy. Debido a que esta es una tecnología emergente y está atrayendo a personas de todos los ámbitos de la vida, aún no tenemos un buen precedente.

La verdad es que la mayoría de los buenos practicantes en el campo hoy en día son autodidactas o provienen de un campo completamente diferente (es decir, no solo informática o programación). Una sólida formación en estadística y matemáticas tradicionales siempre es útil; la experiencia en el campo de la investigación también es una gran ventaja.

También hay una serie de cursos en línea como FastAI y Udacity, y una tonelada de recursos de todas las grandes empresas de tecnología, para ayudarlo a educarse como desarrollador de IA. Dominar el aspecto de los datos es clave, especialmente Python, ya que es el idioma principal. Por otro lado, existen arquitecturas de software más tradicionales.

En términos generales, hoy en día tenemos mucha gente que es muy buena en software o no muy buena en matemáticas o estadística. Mejorar o equilibrar su conocimiento y experiencia en software y matemáticas le dará una ventaja significativa en el mercado laboral.

Ver también: Inteligencia artificial: tendencias, obstáculos y ganancias potenciales (Tech Pro Research)

Scott Mattson: ¿Cómo pueden ayudar las habilidades tradicionales de TI?

Dillon Erber: El desafío para TI hoy es que ML/AI es nuevo. Es un nuevo tipo de herramienta que tienen que aprender que no existía antes. Todas las habilidades de TI tradicionales siguen siendo muy útiles y, en el futuro, se prestará más atención a cómo las herramientas de aprendizaje automático se comparan con todos los sistemas existentes ya implementados en una organización. Sin embargo, quedan preguntas sobre cómo aumentar la colaboración o la visibilidad dentro de la organización y cómo agregar más información a todas las partes interesadas. TI no necesariamente se preocupa por un solo departamento, pero asegura que las decisiones tomadas por un departamento se puedan transferir a otra área si tienen éxito, o para agregar visibilidad a vista de pájaro al resto de la organización.

Esto es especialmente importante en el contexto de la ciencia de datos o el aprendizaje automático. Una de las preocupaciones en TI hoy en día es que no existen mejores prácticas para AI/ML. La preocupación es que los profesionales están tan aislados como los sistemas en diferentes departamentos, estos profesionales no utilizan el control de versiones para sus modelos o software, y trabajan arduamente para evitar que estas personas operen en silos.

Creo que veremos una mayor demanda de nuevas herramientas de aprendizaje automático para que funcionen mejor en entornos de TI tradicionales.

Scott Mattson: ¿Cómo son irrelevantes las habilidades tradicionales de TI?

Dillon Erber: Creo que el campo del aprendizaje automático eventualmente tendrá que seguir los procesos de TI tradicionales, y no al revés. La razón por la que digo esto es que, al menos en las grandes organizaciones, TI tiene iniciativas amplias como la digitalización o la colaboración, o iniciativas muy avanzadas para aumentar la velocidad del desarrollador y al mismo tiempo mantener la visibilidad para las partes interesadas externas.

Estos seguirán siendo muy poderosos, pero lo que tiene que suceder es que, como discutimos anteriormente, los equipos de aprendizaje automático deben ser una combinación de científicos de datos y personas de DevOps. TI tiene que adaptarse a esta unidad colaborativa y tratar de averiguar dónde encaja en la organización.

En algunas áreas, la inteligencia artificial y el aprendizaje automático pueden reemplazar ciertos aspectos de la TI tradicional actual, como el análisis de amenazas, la detección de anomalías y más. En última instancia, creo que es realmente una herramienta más en la caja de herramientas.

VER: El impacto del aprendizaje automático en TI y su carrera (PDF gratuito) (Tecnopedia)

Cree un equipo de desarrollo de ML/IA

Scott Mattson: ¿Qué habilidades se requieren actualmente para construir un equipo de desarrollo de ML/AI?

Dillon Erber: Hay tres habilidades principales para buscar. El primero generalmente se incluye en la ciencia de datos y, a veces, incluso en las herramientas de BI, que recopilan y limpian los datos existentes y brindan información sobre esas fuentes. Luego, hay un grupo emergente de personas de IA que pueden estar menos preocupados por el aspecto de la recopilación de datos y más preocupados por generar conocimientos sobre los datos. La tercera habilidad involucra a una persona de DevOps que puede unirse a equipos que construyen modelos y motores de predicción.

Un equipo de IA verdaderamente extraordinario combina las habilidades de un estadístico o científico de datos, y algunas de las herramientas más modernas que comúnmente llamamos IA o aprendizaje profundo, con personas de DevOps que pueden tomar estos modelos y ponerlos en producción. Hoy en día, existe una brecha considerable entre estas dos habilidades.

Mercado laboral para desarrolladores de ML/AI

Scott Mattson: ¿Cómo es el mercado laboral para los desarrolladores de ML/AI?

Dillon Erber: Todavía es muy competitivo en el sentido de mercado de un vendedor. Si domina las nuevas herramientas de aprendizaje automático e inteligencia artificial, lo hará bien. Lo que ha cambiado durante el último año o dos es que en ese momento cualquiera que pudiera entender estas cosas de forma remota tendría un trabajo. Hoy en día, hay mucha presión para encontrar experiencia y recompensar la experiencia.

Alguien que ingresa al mercado laboral y está algo familiarizado con las herramientas pero no puede conectarse a todos los sistemas existentes es mucho menos valioso que alguien que puede implementar IA dentro de una organización que ya tiene muchos sistemas y muchas herramientas existentes en torno a la recopilación/implementación de datos, ETC. .

Scott Mattson: ¿Qué nuevas fronteras se abren en el campo?

Dillon Erber: El área más emocionante en este momento es AutoML. Los modelos de aprendizaje automático son difíciles de crear. Necesitan expertos. Entonces, la pregunta es, ¿cómo se crean herramientas que puedan descubrir automáticamente redes neuronales efectivas o modelos efectivos de aprendizaje automático?

Otro campo nuevo y pionero es el aprendizaje por refuerzo, en el que puede crear un sistema en el que, en cierto sentido, los modelos de aprendizaje automático pueden entrenarse a sí mismos. También enumeraré datos sintéticos. La idea de que casi todo el aprendizaje automático está limitado por la cantidad de datos disponibles para los algoritmos de aprendizaje automático. Hay algunas formas nuevas y emocionantes de generar nuevos datos, como usar el aprendizaje automático para generar datos y luego entrenar otros modelos de aprendizaje automático, lo que ayuda a guiar el proceso.

Ver también: Gestión de IA y ML en la empresa en 2023: los líderes tecnológicos esperan más dificultades que los proyectos de TI anteriores (Tech Pro Research)

Scott Mattson: ¿Qué trabajos podrían estar en riesgo por ML/IA?

Dillon Erber: No hay duda de que el aprendizaje automático/inteligencia artificial conducirá a un cambio en los trabajos en ciertas áreas, como la entrada de documentos, donde los modelos de aprendizaje automático pueden ser más eficientes y/o rentables. La recolección de datos en ciertas áreas es otra posibilidad. Creo que esta tecnología también creará muchos nuevos puestos de trabajo porque a medida que estos sistemas entren en línea, necesitará personas que puedan monitorearlos, analizarlos, pensar y explotarlos. En general, los trabajos cambian, pero soy optimista sobre el crecimiento general del trabajo.

Scott Mattson: ¿Cómo aconsejaría al personal existente en cualquier campo amenazado que se desarrolle para seguir siendo competitivo?

Dillon Erber: Uno de los peligros de la IA es que, en su forma actual, parece destinada a ser controlada por unos pocos expertos o por aquellos con acceso a grandes cantidades de datos. Creo que, en general, como sociedad o cultura, debemos invertir en comprender mejor estos sistemas para que dejen de ser cajas negras. De hecho, son algo sobre lo que podemos hacer una lluvia de ideas: cómo funcionan y por qué existen.

VER: Cómo convertirse en un ingeniero de aprendizaje automático: una hoja de trucos (Tecnopedia)

predicción ML/AL

Scott Mattson: ¿Cuál es su visión para el futuro de ML/AI y aquellos que trabajan en el campo?

Dillon Erber: El gran paso ahora es de I+D a producción. En los últimos años, muchas empresas, personas e investigadores han invertido en aprender esta tecnología. La gran pregunta ahora es cómo llevarlo a un entorno real que no sea solo un caso de prueba.

La tendencia a largo plazo es esta, es una propuesta más grande, pero creo que el aprendizaje automático y la inteligencia artificial se incorporarán a otras prácticas comerciales. En ese sentido, ya no es una entidad separada, sino su núcleo, al igual que la empresa solía tener un equipo web y un equipo móvil, pero al final, es un equipo de aplicaciones que trabaja tanto en dispositivos móviles como en sitios web.

No hay duda de que aquellos que lo observan de cerca, AI/ML es una tecnología fundamentalmente transformadora. Dicho esto, aún quedan muchas preguntas sin respuesta sobre sus límites. Algunas de estas son cuestiones técnicas, otras son cuestiones culturales, políticas y normativas. Creo que el futuro de la tecnología es en gran medida incierto, por lo que animo a todos a invertir para comprenderlo mejor.

istock 921054680aiteam

LEER  IBM apunta a la nube pública, los contenedores y el aprendizaje automático con nuevas ofertas de centros de datos

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba