Machine Learning e Inteligencia Artificial son dos campos que se están abriendo paso en el mundo de TI. Debido a la evolución de tecnología y procesos, las personas que trabajan en la industria deben actualizar sus habilidades y carreras.
Algunos roles tradicionales como help desk, system y administrador de red, están siendo reemplazados por esfuerzos que requieren un conjunto de habilidades más diversos. Las personas que están buscando una carrera en tecnología, deben estar familiarizados con machine learning e inteligencia artificial.
Habilidades necesarias para una carrera en Machine Learning
Aproximadamente el 70% de los practicantes de inteligencia artificial siguen en la escuela, debido a que es una tecnología emergente. Muchos de los buenos practicantes son autodidactas o vienen de diferentes diferentes dominios. Es decir, no solo de ciencias computacionales o programación. Tener antecedentes sólidos en estadística y matemáticas tradicionales es de gran ayuda. Mientras que experiencia en el área de investigación es un plus muy grande.
También hay muchos cursos online como FastAI y Udacity, para ayudarte a convertirte en desarrollador IA. Ser competente en el lado de los datos es clave, en particular en Python como lenguaje principal. Luego, por otro lado, hay más arquitectura de software tradicional.
Por lo general tenemos mucha gente que es realmente buena en el lado del software, pero no en el lado matemático o estadístico. Incrementar o equilibrar tu nivel de conocimiento y experiencia en ambos, te dará una ventaja significante en el mercado laboral.
Habilidades tradicionales
El reto que TI enfrenta hoy en día, es que machine learning e inteligencia artificial son nuevos. Son un nuevo tipo de herramienta del que se tiene que aprender que no existía antes. Todas las habilidades de TI tradicionales siguen siendo muy útiles y siguen avanzando. Se centrará más en cómo se combinan las herramientas de machine learning con todos los sistemas ya implementados en una organización
Una de las preocupaciones de TI el día de hoy, es que no existen mejores prácticas para inteligencia artificial y machine learning. El temor es que los profesionales están aislados como los sistemas en diferentes departamentos. Y por consiguiente, que no utilicen el control de versiones para su construcción de modelos o su software.
El universo de machine learning tendrá que ajustarse a un proceso de TI tradicional, debido a que en organizaciones grandes TI tiene iniciativas como digitalización, colaboración o iniciativas de alto nivel en torno al aumento de la velocidad del desarrollador mientras se mantiene la visibilidad para stakeholders.
El grupo de machine learning deberá ser un híbrido de data scientists y gente de DevOps. Hay áreas donde la inteligencia artificial y machine learning reemplazarán ciertos aspectos tradicionales de las tecnologías de la información. Así como amenaza de análisis, detección de anomalías, entre otros.
Equipo de desarrollo
Hay tres conjuntos de habilidades primarias que se necesitan para armar un equipo de desarrollo de inteligencia artificial. La primera es alguien que pueda recopilar, limpiar datos existentes y brindar información sobre esas fuentes. Esto generalmente se incluye en data science o en herramientas de BI. La segunda es alguien que esté menos enfocado en la recolección de datos y más enfocado en la construcción de ideas sobre esos datos. El tercer conjunto involucra una persona DevOps que pueda unirse al equipo construyendo modelos y motores de predicción.
Un buen equipo de inteligencia artificial, mezcla las habilidades de un estadístico o data scientist y algunas herramientas de inteligencia artificial o deep learning on gente de DevOps que pueda tomar esos modelos y empujarlos a la producción. Hoy hay una brecha entre estos dos conjuntos de habilidades.
Mercado laboral
Es un mercado muy competitivo. Si tienes competencias en las herramientas más nuevas de machine learning e inteligencia artificial, te va a ir muy bien. Lo que ha cambiado en los últimos dos años es que antes, cualquier persona que pudiera entender esto de forma remota tendría un trabajo. Hoy en día, hay gran presión en cuanto a encontrar experiencia y recompensar esa experiencia.
Alguien que ingresa al mercado laboral y está familiarizado con las herramientas, pero no es capaz de conectarse a todos los sistemas existentes es mucho menos valioso que alguien que puede operacionalizar la inteligencia artificial dentro de una organización que ya tiene muchos sistemas y muchas herramientas existentes alrededor de la recopilación e implementación de datos.
Actualmente el área más emocionante es AutoML. Los modelos de machine learning son muy difíciles de crear. Requieren especialistas. Entonces la pregunta es, ¿cómo podemos crear herramientas que puedan automatizar el descubrimiento de redes neuronales efectivas o modelos efectivos de machine learning?
Otra nueva área innovadora es el aprendizaje por refuerzo mediante el cual se crea un sistema en el que los modelos de machine learning pueden entrenarse a sí mismos. Hay nuevas y emocionantes formas de generar nuevos datos, como usarlo para generar datos, que luego capacita a otros modelos de machine learning, lo que ayuda a iniciar todo este proceso.
No hay duda que machine learning e inteligencia artificial darán lugar a un cambio en los puestos de trabajo en ciertas áreas como document entry, donde un modelo de machine learning puede ser más efectivo y/o más rentable. La recopilación de datos en ciertas áreas es otra posibilidad. La tecnología puede crear muchos empleos, porque a medida que estos sistemas se conecten, se necesitarán personas que puedan monitorearlos, analizarlos, perfilarlos, pensar en ellos y utilizarlos.
Uno de los peligros de inteligencia artificial es que en su forma actual, parece destinado a ser controlado por algunos especialistas, o personas que tienen acceso a muy grandes cantidades de datos. Tenemos que invertir en entender mejor estos sistemas.
Pronóstico
En los últimos años, muchos individuos y compañías han invertido en investigación y desarrollo. Por lo que el gran paso que hay que dar es llevarla a la producción. La pregunta es, ¿cómo lo llevamos a un entorno real que no es solo el caso de prueba?
Esa es la tendencia a largo plazo, machine learning y la inteligencia artificial se incluirán en otras prácticas comerciales. En ese sentido, ya no se trata de entidades separadas. Así como las empresas solían tener el equipo web y el equipo móvil, que últimamente se ha convertido en el único equipo de desarrollo que hace móvil y sitio web.
La inteligencia artificial y machine learning son tecnologías fundamentalmente transformadoras. Todavía hay muchas preguntas sobre sus límites. Dentro de éstas, se encuentran cuestiones tecnológicas, culturales y políticas. El futuro de la tecnología está indefinida. en consecuencia lo mejor sería invertir para comprenderlo mejor.
