Carrera en Inteligencia Artificial: Una mirada a la carrera de los profesionales de la IA

La inteligencia artificial es fundamental para la actual revolución tecnológica, y cada vez es más inteligente. La fuerza impulsora de la visión por ordenador, el análisis del habla y el procesamiento del lenguaje natural, la IA impacta en la industria y la sociedad de numerosas maneras, y seguirá haciéndolo en el futuro.

No es de extrañar, por tanto, que el campo de la IA esté repleto de oportunidades profesionales, tantas que el sector se enfrenta ahora a un reto único: hay demasiados puestos de trabajo y muy pocos candidatos cualificados. Por otro lado, esto significa que ofrece un empleo prácticamente garantizado (y bien remunerado) para aquellos que tienen la capacidad necesaria.

Entonces, ¿cómo se entra en la IA y cómo es la trayectoria profesional de la inteligencia artificial? Hemos pedido a algunos de los principales expertos en este campo que compartan su experiencia para ayudar a orientar el camino. Entre ellos se encuentran Satya Mallick, fundador de Big Vision LLC y director general interino de OpenCV.org; Jana Eggers, directora general de Nara Logistics; y Joanna Bryson, profesora asociada de ciencias de la computación en la Universidad de Bath en Inglaterra.

¿Cómo se introdujo en el campo de la IA?

Satya Mallick
Fundador de Big Vision LLC/Director General Interino de OpenCV.org

Me topé con la visión por ordenador (una rama de la IA) cuando era estudiante en el Instituto Indio de Tecnología de Kharagpur (India), entre 1999 y 2000. Vi a uno de mis alumnos de último curso realizando un proyecto de robótica en el que utilizaba cámaras para ayudar a los robots a «ver». La idea me pareció tan fascinante que decidí presentarme a programas de doctorado en visión por ordenador y aprendizaje automático después de mi licenciatura.

Jana Eggers
CEO, Nara Logics

Investigaba la conductividad de los plásticos en el Laboratorio Nacional de Los Álamos a principios de los 90, y las redes neuronales y los algoritmos genéticos eran herramientas que utilizaba para algunos de mis trabajos. Cuando dejé la investigación y entré en el mundo de la empresa, aterricé en una startup que hacía sistemas expertos para la logística. Después me fui a uno de los motores de búsqueda originales, Lycos. Así que, básicamente, como siempre estaba en la tecnología de vanguardia, alguna forma de IA era normalmente la herramienta adecuada para el trabajo que estaba realizando.

Joanna Bryson
Profesora Asociada, Departamento de Informática
Universidad de Bath (Reino Unido)

Mi primera titulación fue en psicología no clínica por la Universidad de Chicago. Y también se me daba bien la programación, así que trabajé en el departamento de informática de allí. Me interesaba la IA, pero la primera vez que alguien la enseñó fue el año siguiente a mi graduación. Pero me dejaron dar clases particulares de todos modos. Así que pasé cinco años en Chicago pagando mi deuda de la licenciatura. Y fue justo en el período en que vimos que la computación se descentralizaba. Los PCs estaban empezando a ser una cosa, y nos estábamos dando cuenta de que no todos los ordenadores tienen que saber todo. Y yo había decidido que nunca quería ser un programador profesional, así que volví a la escuela de posgrado para la inteligencia artificial. Quería ir al MIT, pero elegí Edimburgo porque quería ir al extranjero pero no sabía hablar ningún idioma. Tuve suerte en ese momento, porque era el único lugar que en 1991 me habría dado un máster en IA. A partir de ahí, me enteré de la existencia de Rod Brooks y de la IA basada en el comportamiento: la idea de que, en lugar de intentar entenderlo todo, había subpartes especializadas de un robot que entendían diferentes problemas. Y entonces algunos de nosotros decidimos que intentaríamos entrar en el MIT y trabajar con Brooks.

¿Cuál es el ámbito de su trabajo en IA?

Mallick: Trabajo en el campo de la visión por ordenador, probablemente el subcampo más importante de la IA. En la visión por ordenador, nuestro objetivo es hacer que las máquinas den sentido al mundo mediante el análisis de imágenes y vídeos. Dirijo una empresa de consultoría de visión por ordenador y aprendizaje automático llamada Big Vision LLC y un popular blog llamado LearnOpenCV.com.

En mi empresa de consultoría, abordamos una variedad de problemas de visión por ordenador que van desde la detección de parásitos en las heces de los caballos hasta la identificación del modelo de los bolsos de moda de alta gama en las imágenes subidas por los usuarios. Nuestro mayor proyecto consistió en el reconocimiento óptico de caracteres y la detección de fraudes en documentos de identidad. Además, hemos trabajado en aplicaciones de seguridad relacionadas con la detección de intrusos, aplicaciones de visión para la guerra urbana, análisis de deportes y dispositivos biomédicos. También soy el director general interino de OpenCV.org, que mantiene la mayor biblioteca de visión por ordenador del mundo (OpenCV). Acabamos de lanzar una campaña de Kickstarter para tres cursos de IA. Lo está haciendo muy bien.

Eggers: Nara Logics proporciona una plataforma de IA para grandes empresas y el gobierno federal que se centra en el apoyo a la toma de decisiones. Gran parte del aprendizaje profundo se centra en la percepción -reconocimiento de imágenes, comprensión del lenguaje-, nosotros nos centramos en las decisiones de la siguiente fase a partir de lo percibido. Nuestra plataforma ayuda a reunir los flujos de percepción de la visión, el lenguaje, los sensores, etc. para apoyar mejores decisiones, desde qué mostrar a un cliente (personalización) hasta cómo priorizar las operaciones (apoyo a las decisiones).

Bryson: Para mi doctorado, quería hacer psicología, pero acabé en el MIT. Así que me centré en algo llamado IA de sistemas, que consiste básicamente en cómo facilitar la construcción de la IA. Hay mucha gente que se centra en un algoritmo mágico que vencerá a los demás algoritmos, pero yo me di cuenta de que ya teníamos muchas capacidades y que el verdadero problema era unirlas, la parte de la ingeniería. Así que me centré en eso. Y ahora se ha convertido en algo realmente importante. La ingeniería de sistemas es en realidad una disciplina que hace que las cosas sean seguras, y se remonta a mucho antes de la IA.

También estoy tratando de entender la cooperación humana y la evolución de la cognición -cuando la usamos y cuando no-, así que me estoy centrando mucho en la comprensión de las diferentes maneras en que las personas cooperan y se ayudan mutuamente, y cuando no lo hacen. Ahora mismo estamos trabajando en un artículo sobre por qué la polarización política está bien correlacionada con la desigualdad de la riqueza. ¿Cómo interactúan entre sí? Luego, por supuesto, está la ética de la IA. Me paso todo el tiempo trabajando en políticas, así que hablo con la gente y trato de conectar los puntos. Yo lo veo como si tomara lo mejor que he escuchado y lo pusiera todo en un solo lugar, pero otras personas lo ven como algo muy innovador.

¿Qué es lo que le resulta más gratificante de su trabajo?

Mallick: Una de las luminarias de nuestro campo, el Dr. Andrew Ng, ha comparado la IA con la electricidad. Está transformando múltiples industrias, y es enormemente gratificante formar parte de esta revolución. Algunas de las aplicaciones que hemos creado eliminan la pesadez de las tareas comunes, otras nos mantienen seguros y otras, en el ámbito médico, mejoran la salud e incluso salvan vidas. Como practicante de este oficio, es profundamente satisfactorio ver que tu trabajo marca la diferencia.

La otra parte que da mucho sentido a mi vida es mi trabajo como profesor de cursos online. En OpenCV.org, tenemos la misión de formar a la mano de obra mundial en IA. Se trata de un campo emergente, y somos totalmente conscientes de que la IA provocará la pérdida de muchos puestos de trabajo por la automatización. Así que es nuestra responsabilidad ayudar a la gente a actualizar sus habilidades y enseñarles lo que aprendemos a través de la práctica de nuestro oficio.

Eggers: Permitir que nuestros clientes utilicen sus datos para ver hacia adelante en lugar de analizar hacia atrás.

Bryson: Es simplemente intrínsecamente interesante, entender cómo funciona la inteligencia. Supongo que esa es mi mayor recompensa interna, aunque también me gusta ser útil.

¿Qué aspectos de su trabajo son los más desafiantes?

Mallick: Los retos en la IA se presentan de muchas formas diferentes. En primer lugar, tenemos retos técnicos. A veces no tenemos suficientes datos. Otras veces, los datos están disponibles pero son extremadamente ruidosos, o no están etiquetados de forma que puedan utilizarse fácilmente. En algunos casos, la gente subestima enormemente la incertidumbre irreducible de un problema: la predicción de elecciones es uno de esos ámbitos problemáticos. En segundo lugar, tenemos retos éticos que no tienen una buena respuesta. Por ejemplo, ¿utilizarías una IA que ayuda al 99% de las personas, pero que está fuertemente sesgada contra el 1%? Eliminar el sesgo de los datos es un gran desafío.

Eggers: Desmitificando la IA para los clientes. Están tanto intrigados como frustrados por el bombo y la mística en torno a la IA. Nuestro enfoque es conseguir rápidamente que nuestros clientes pasen de la prueba de concepto a la producción.

Bryson: Son cosas raras, como la coordinación. Porque todo es interesante y todo es un reto y nunca sabes cuándo vas a tener una conversación que ayude a marcar una gran diferencia.

¿Cuáles son los primeros pasos más cruciales para quienes quieren seguir una carrera de IA?

Mallick: Para tener una carrera técnica en IA, primero hay que tener buenos conocimientos de programación. El lenguaje de programación Python se ha convertido en la opción por defecto para los investigadores e ingenieros de IA. Aunque, dependiendo del ámbito, puede ser necesario tener conocimientos de C++. Si ya eres un buen programador, el siguiente paso es encontrar un curso online que te enseñe lo básico y te lleve gradualmente a la maestría. Hay varias buenas opciones como los cursos de OpenCV.org, Coursera, Udacity y DeepLearning.ai.

Eggers: Entender que la tecnología es la parte más fácil de la IA. Los datos y los resultados son más importantes. Y ambos son impulsados por la organización.

Bryson: Hacer formación de postgrado, aunque sólo sea un máster, para obtener conocimientos de otra disciplina. Cuando yo era estudiante, cuando la gente se graduaba era más probable que se dedicara a las carreras que tenía en los trabajos de verano que a sus especialidades. Así que cuando busques un trabajo, es muy importante que aportes al menos algunas de las necesidades de habilidades y que les des algo. Pero busca algo que te lleve al menos en parte a donde quieres ir. Ensúciate las manos haciendo cualquier trabajo de programación o de análisis de datos o lo que sea. Si estás en una universidad, hay mil millones de pequeños trabajos que puedes conseguir para tener algo de experiencia. Eso ayuda mucho.

¿Qué valor tiene la educación postsecundaria? ¿Qué pasa con los títulos de postgrado?

Mallick: Hay dos grandes beneficios de una educación universitaria. En primer lugar, proporciona una estructura al proceso de aprendizaje. Sin esta estructura, es fácil perderse en la confusión o perder la motivación. En segundo lugar, completar un título universitario indica un nivel de competencia en el mercado laboral. Dicho esto, cada vez más la gente se preocupa más por la cartera de trabajos que has realizado y menos por tu currículum. Cuando un estudiante publica su código en GitHub de forma regular, vemos de primera mano lo que está aprendiendo y lo bueno que es. Si algunos de sus trabajos son únicos y creativos, personalmente no me importaría su título universitario.

Eggers: Como persona que abandonó el doctorado, mi perspectiva es que un título de posgrado te otorga respeto – y hay otras formas de ganarse ese respeto. Así que realmente depende de ti y de lo que valores. Puedes tener éxito de cualquier manera.

Bryson: No todos los doctorados merecen la pena. Especialmente en Estados Unidos ahora mismo, hay mucha gente que te venderá un título que no necesariamente te va a ayudar. Obtener un título ahora es, en parte, obtener una educación y, en parte, estar en una cohorte de personas que realmente están tratando de entender las cosas, como yo estuve en Edimburgo y en el MIT. Solían decir que un máster es lo mejor si vas a salir a la industria, pero quieres un doctorado si vas a trabajar en laboratorios gubernamentales o en los laboratorios industriales de primer nivel, o si quieres ser tú mismo un académico.

¿Son ciertos títulos universitarios mejores que otros?

Mallick: Absolutamente. Un título de Stanford en IA vale mucho más que el de muchas otras universidades porque puedes trabajar con los mejores investigadores que están a la vanguardia de la investigación en IA. La elección de tu especialidad también supone una gran diferencia.

Eggers: La IA necesita todas las titulaciones implicadas. Sin embargo, la comprensión básica de la tecnología es crucial para participar.

Bryson: Tenemos grandes estudiantes que vienen a hacer nuestro máster , y a menudo los que acabaron siendo los mejores fueron los que venían de una base de psicología. Así que la psicología es una gran titulación. Las matemáticas y la física te ayudarán a entrar en el aprendizaje automático, pero no te dan necesariamente la perspectiva completa de lo que está pasando. Pensar en la dinámica del cambio es realmente importante para entender la sociedad. Yo soy valioso porque realmente construyo IA y entiendo cómo funciona, pero también entiendo cómo funciona la sociedad.

¿Qué recursos -escritos o de otro tipo- debería aprovechar la gente para obtener más información sobre una carrera en IA?

Mallick: Desgraciadamente, las buenas respuestas están repartidas en muchas páginas diferentes de Internet. Hay tres grandes áreas de aplicación en la IA: la visión por ordenador, el análisis del habla y el procesamiento del lenguaje natural. Cada una de ellas requiere un camino de aprendizaje diferente. Así que sugiero que la gente busque en Google esos términos y vea lo que le interesa. Aquí hay una lista de algunos blogs que pueden resultar interesantes (con un sesgo hacia la visión por ordenador, porque es mi área de experiencia): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.

Eggers: Esto depende de cómo aprendas y de dónde quieras enfocarte. Ejemplos: Lo más importante es aprender a desarrollar productos tecnológicos – mi libro favorito para esto es Inspired de Marty Cagan. También recomiendo la conferencia sobre IA de O’Reilly por la cantidad de material que cubre la tecnología, la investigación, los negocios, la ética, etc. Puedes acceder a los materiales de la conferencia a través de su plataforma de aprendizaje. Si quieres estar más en el lado R&D de la IA, tienes recursos como arxiv para estar al día con las últimas investigaciones.

Bryson: Si tienen preguntas específicas, suelo apuntarles a entradas de blog o artículos concretos. Es tan fácil investigar ahora que todo el mundo tiene acceso a Google Scholar. Incluso si te encuentras con un muro de pago, es probable que encuentres que alguien ha puesto el PDF en línea.

Una vez que alguien consigue un puesto de trabajo en IA, ¿cuáles son las perspectivas de progreso al principio y en el futuro?

Mallick: La IA es un cohete que está despegando. Incluso los puestos de trabajo para principiantes son increíblemente lucrativos, pagando el doble o más en comparación con los trabajos de programación normales. La razón es que hay una enorme demanda de talento en IA y no hay suficientes personas con la experiencia adecuada. A largo plazo, estos niveles salariales pueden no ser sostenibles, pero las personas que se suban a este cohete en los próximos cinco años más o menos tendrán carreras increíbles tanto económicamente como en términos de calidad del trabajo.

Eggers: No veo que la IA sea diferente de cualquier otra tecnología de vanguardia. Tienes la posibilidad de saltar de una empresa a otra (lo que puede ser bueno y malo) porque las empresas siempre buscan gente con experiencia. Tienes el reto de que tu propia empresa puede ser más lenta para avanzar de lo que quieres. Básicamente, hay una fina línea entre la vanguardia y el bleeding edge.

¿Cómo cambiará el campo de la IA a corto y largo plazo?

Mallick: Con nuestro nivel actual de comprensión de la IA, podemos resolver muchos problemas en varias industrias. El juego a corto plazo gira en torno a los datos. Las organizaciones que adquieran más datos siempre tendrán una gran ventaja sobre las que no lo hagan. No hace falta un equipo de investigadores de élite para resolver estos problemas: sólo necesitamos una gran cantidad de datos de alta calidad y buenos ingenieros. Sin embargo, a largo plazo, necesitamos investigadores de élite para lograr avances técnicos. Actualmente, los algoritmos de IA más exitosos no aprenden por sí mismos. Los enseñan los humanos mediante el minucioso proceso de recopilación y etiquetado de datos. El próximo avance de la IA se producirá cuando las máquinas aprendan por sí mismas observando el mundo, de forma parecida a como lo hacen los humanos hoy en día.

Eggers: Las empresas se están tomando más en serio que la IA ofrezca resultados frente a las «pruebas». El cambio a largo plazo en el campo será la ampliación de la apertura de la IA: una mayor profundidad de campo en los negocios.