Ingeniero en Machine Learning: el nuevo cargo más buscado por las empresas

“Machine Learning se ha convertido en un aliado muy importante para las empresas y el desarrollo de nuevas herramientas. Gracias a su capacidad de leer y aprender comportamientos a través de la Inteligencia Artificial, se facilitan diversos procesos que requieren el análisis constante de grandes fuentes de información”, explica Francisco Guzmán, director de Claro Empresas.

“Gracias a esta herramienta es posible simplificar procesos que antes eran muy exigentes, requerían mucha mano de obra y estaban expuestos a muchos errores humanos: la entrada manual de datos”, detalla el ejecutivo. “Con Machine Learning es posible ingresar datos automáticamente usando fórmulas. Luego, gracias a esto, es posible generar análisis en profundidad, generar informes, alertas y un sinfín de tareas. Uno de ellos, por ejemplo, es el análisis financiero, que permite detectar y predecir el fraude de forma rápida y sin importar su escala. Además, logra ser un aliado para la gestión de riesgos y la predicción de inversiones”.

Hoy en día existen innumerables áreas de producción que utilizan esta tecnología. Para dar un ejemplo cercano y universal: Plataformas como Netflix o Spotify, cuando hacen una recomendación a los usuarios en base a sus búsquedas o consumos previos, es siempre a través del trabajo de estos especialistas. Detrás hay un algoritmo desarrollado, que en su correcta aplicación —una de las partes más relevantes— analiza las preferencias o gustos de ese sujeto.

Sin embargo, ya no es suficiente solo personalizar, sino también entregar ese experiencia más cercana. Es allí donde estos profesionales juegan un papel fundamental, no solo en las plataformas de contenidos, sino en todas las industrias.

Pedro Correa (28) estaba terminando la carrera de Ingeniería Eléctrica en la Universidad de Chile cuando ingresó al mundo de la inteligencia artificial. Buscando dónde realizar su proyecto de tesis, llegó al Laboratorio de Procesamiento y Transmisión de Voz, en el mismo estudio de su casa, donde realizan procesamiento de audio mediante Machine Learning.

A partir de ahí, comenzó a llevar a cabo su proyecto y aplicó diferentes técnicas de Machine Learning en un contexto de reconocimiento automático de voz. Aprendió los conceptos básicos, cómo programar redes neuronales artificiales y esa fue su introducción a la inteligencia artificial. Se graduó y, tiempo después, llegó a la startup Suncast, dedicada a la inteligencia artificial y la energía solar. Allí ocupa el cargo de Ingeniero en Machine Learning. “El cargo se aplicó al contexto de las energías renovables, algo diferente a lo que había hecho, aunque muchos de los principios que aprendí los podemos usar para la previsión energética”, dice.

Pero existen varias dificultades a la hora de trabajar en el campo del Machine Learning. Están surgiendo ciertos desafíos, dice, como la calidad de los datos y la disponibilidad de los datos en sí. En el caso de Suncast, trabajan con clientes que les facilitan la información. “Muchas veces los datos no están o se tarda en conseguirlos por temas burocráticos o legales, y a veces sí los tienen, pero están llenos de anomalías o errores que hay que saber detectar para tener una base de datos limpia”, dice. En este tipo de situaciones, por ejemplo, puede haber problemas con los modelos aplicados y el desarrollo que tiene la empresa.

Más sobre piensa digitalmente

Aunque proviene de un área de inicio completamente diferente, dice que el trabajo de un ingeniero de ML es similar en todos los casos. Recopila datos, los analiza y luego los procesa antes del trabajo de la IA: eso significa tomar las bases de datos y hacer una serie de análisis, que van desde calcular estadísticas hasta generar gráficos, precisamente para detectar errores y anomalías y corregirlos.

Una vez que esos datos están ordenados y “preprocesados”, continúan con la etapa de diseño y entrenamiento, que es cuando la información se pasa a través de un modelo diseñado de acuerdo a las necesidades del problema. Allí aprenderá, según los datos, a predecirlos. Y, aunque Correa lo dice en broma, el El 95% del tiempo se dedica a la etapa de preprocesamiento.

De acuerdo con Pablo Schwarzenberg, director de la carrera de Ingeniería Civil Informática de la Universidad Andrés Bello, en la medida en que las técnicas de aprendizaje automático se han ido integrando a los servicios que ofrecen las empresas, los especialistas a cargo del desarrollo de software necesitan contar con las habilidades y herramientas necesarias. para integrar estas técnicas en aplicaciones móviles y sitios web.

“Con el desarrollo de bibliotecas de modelos de ML y los avances en la investigación de IA, se pueden encontrar modelos con la capacidad de reconocer objetos y entender el lenguaje, listos para ser reutilizados por las empresas para crear productos innovadores”, dice el experto. Con el tiempo, explica, se puede esperar que cada vez haya más de estos modelos disponibles y que las empresas los utilicen cada vez más, y es entonces cuando aparece la relevancia y la necesidad de que las empresas tengan estos puestos, especialmente en el sector zona comercial y atención al cliente.

“Con este sistema se logra una detección más detallada de las preferencias de los clientes, ayudando además a tener una mejor previsión de la demanda. También es una gran herramienta para el área de ciberseguridad, ya que mediante el aprendizaje de comportamientos es capaz de detectar cuando hay anomalías en los sistemas y generar alertas, detectando y evitando virus y hacks”, agrega Francisco Guzmán, de Claro Empresas.

Pablo Schwarzenberg señala que los ingenieros de ML colaboran muy de cerca con otros puestos demandados en las empresas, como los científicos de datos.que diseñan y preparan los modelos estadísticos o de aprendizaje automático para su uso posterior.

Son perfiles demandados, porque son muy escasos y requieren combinar la formación de un ingeniero de software con los conocimientos para desarrollar y operar aplicaciones web y móviles. Además, deben tener experiencia práctica en la creación, el uso, la evaluación y el perfeccionamiento de modelos de ML y en el manejo de las herramientas de software utilizadas para ejecutar modelos de ML.

El seguimiento de estos especialistas, plantea el docente, considerado a partir de aspectos de rendimiento, como la precisión del modelo y detección de sesgo a las formas de protegerlos de los ataques cibernéticos, tenía la intención de usar la forma en que funciona el modelo para confundirlo y provocar fallas en la aplicación. “Esto es crítico, porque a veces un modelo de ML funciona muy bien cuando se construye con datos de prueba, pero cuando se pone en manos de los clientes no rinde bien porque la casuística es mucho mayor y hay que ajustarlos, ” él dice. .

Pedro Correa, de Suncast, reafirma que los ingenieros de ML son de gran relevancia para las empresas de tecnología e innovación: “Se ha demostrado que en los últimos diez años todos los métodos de inteligencia artificial y Machine Learning han superado en rendimiento a los métodos estadísticos o tradicionales”, él dice. “Cualquier empresa que trabaje con información o tecnología tiene que migrar a estos métodos si quiere seguir siendo competitiva, y para ello se necesita gente que sepa trabajar con datos y hacer modelos de inteligencia artificial.”, asegura.