En la actualidad Inteligencia Artificial es una de las áreas con más interés de parte de la academia y la industria. En esta charla exploramos como incursionar Y posicionarse en esta área.
3. De qué hablaremos
● Introducción al estado actual de la IA
● Explicaremos cómo empezar en la Inteligencia Artificial
● Tecnologías actualmente requeridas
● Cómo plantear un proyecto que use IA
● Cómo empezar a generar experiencia
● Cómo promover sus avances
● Cómo emprender negocios basados en IA
● Como emplearse en empresas que usen IA
● Consejos para crear una carrera exitosa en IA
5. ¿Qué es la inteligencia artificial?
La inteligencia artificial (Artificial Intelligence, o AI) es la simulación de procesos
de inteligencia humana por parte de máquinas, especialmente sistemas
informáticos. Estos procesos incluyen el aprendizaje (la adquisición de
información y reglas para el uso de la información), el razonamiento (usando las
reglas para llegar a conclusiones aproximadas o definitivas) y la autocorrección.
6.
7. Algunos ejemplos de aplicación de IA
La inteligencia artificial se ha implementado prácticamente en todas las áreas,
veamos algunos ejemplos
9. Predicciones de la copa del mundo
No suelen ser muy precisas ya que hay muchos
factores en juego.
10. Es capaz de entendernos
Aunque creemos
conceptos muy
básicos, la AI puede
crear conceptos más
complejos.
11. Crear videos controlando a una persona
Se ha logrado que se creen videos
suplantando la identidad de
alguien.
12. Interactuar por voz de forma natural
Inteligencia artificial que entiende
conversaciones con humanos y es
capaz de contestar dependiendo el
contexto.
13. Canciones compuestas por IA
Canción compuesta de inicio a fin,
el sistema fue entrenada con
canciones de los Beatles.
14. Crear cuadros de video para slow motion
Inteligencia artificial que es capaz
de convertir un video grabado de
forma normal a slow motion por
medio de completar imágenes
entre 2 cuadros.
15.
16.
17. No nos perdamos
El problema de hablar de inteligencia artificial es que siempre se fantasea
mucho y se aborda de una forma poco objetiva, en esta charla trataremos de
aterrizarla en términos prácticos.
18.
19. 1958
La computadora será el primer
dispositivo en pensar cómo el
cerebro humano. Podrá entender su
entorno, reconocerte hablarte por tu
nombre y traducir en tiempo real.
Es posible construir cerebros que
puedan multiplicarse una línea de
producción y ser conscientes.
Rosenblatt murio en un accidente
26. ¿Por dónde empiezo?
Lo primero que debes saber es que en la actualidad puedes incorporarte a este
mundo como implementador de técnicas existentes o como creador de nuevas
técnicas.
27. Creador de nuevas técnicas (Ciencias)
Para proponer nuevos algoritmos se requiere un conocimiento profundo en
varias áreas, incluyendo:
● Algebra lineal
● Estadística
● Sistemas de ecuaciones
● Calculo
● Computo paralelo
● Estructuras de datos
● Lenguajes de programación (usualmente C o Python)
… Entre otras áreas
28. Implementador de técnicas existentes (Ingeniería)
Como implementador solo necesitas conocer en qué se diferencia cada técnica
de otra y saber cuál emplear según el problema. El proceso de implementar solo
implica adecuar las entradas a las que requiere cada algoritmo, sin necesidad
de programar un algoritmo nuevo. Para ello se requiere:
● Procesamiento de datos
● Lenguajes de programación (usualmente C o Python)
● Computo paralelo
Entre otros
29. Esta charla la enfocaremos en cómo implementar
Si bien es cierto que los grandes descubrimientos provienen de la generación de
nuevos algoritmos, llegar a un nivel suficiente de entendimiento de las bases
de la inteligencia aartififcial.es tardado y usualmente requiere estudios de
posgrado.
Como implementador eventualmente serás capaz de mejorar técnicas
existentes.
30. La evolución de los métodos
Una forma sencilla de entender cómo implementar la IA es comparado con un
método convencional de programación. Un método es una pieza de código que
se ejecuta y regresa un resultado, ejemplo:
precio_casa = obten_precio( ubicacion_casa )
El resultado puede ser buscado en una base de datos o calculado en base una
fórmula existente.
31. La evolución de los métodos
Cuando implementamos una técnica de IA, se implementa de una forma similar a
un método, pero no hay una formula definida para obtener el resultado, y esta
devuelve 2 valores, un valor predicho y el porcentaje de certeza.
precio_casa, porcentaje_certeza = predice_precio( ubicacion_casa )
El resultado es inferido en base a datos previos. No hay una fórmula exacta, se
estima siempre en base a datos semejantes.
32. Todo es análisis de datos
Para tu ser capaz de dar una respuesta debiste de haber contado con datos
suficientes y estructurados de forma similar para dar una estimación precisa.
Es una habilidad fundamental la administración de datos en todo ingeniero de
IA.
33. El ejemplo más básico: Hot dog / Not Hot Dog
Para comenzar un ejemplo clásico es el Hot Dog y No Hot Dog. Para eso se
colectan cientos de fotos de Hot Dogs y cientos de fotos de cualquier otra
cosa. Con eso muchas de las técnicas detectar de forma precisa si hay un Hot
Dog.
Así se vería la función
clase_detectada, porcentaje_certeza = hay_un_hot_dog( imagen )
Donde clase_detectada vale “Hot Dog”
Y porcentaje_certeza varía entre 0 y 1
Si el porcentaje es mayor a un valor definido (ej 0.8) entonces si es Hot Dog)
34. El ejemplo más básico: Hot dog / Not Hot Dog
Como en la serie de SIlicon
Valley
35. Detectar gatos y perros
Este es el siguiente nivel una vez dominado el ejemplo anterior en este caso
necesitamos 3 sets de datos, cientos de fotos de perros, cientos de gatos y
cientos de cualquier otra cosa (opcional). En este caso la función se vería así:
clases_detectadas, porcentajes_certezas = hay_un_hot_dog( imagen )
Debido a que son más de una categoría, la función regresa un arreglo de datos,
donde:
clases_detectadas[0] vale “perro” y porcentajes_certezas[0] vale por ejemplo 0.4
clases_detectadas[1] vale “gato” y porcentajes_certezas[1] vale por ejemplo 0.9
Entonces es más probable que sea un gato.
36. Self driving cars, suenan muy lejos, pero es lo mismo
Un auto que se maneja solo, aunque suene muy complejo, es solo la
implementación de varias funciones de IA, este es un ejemplo muy burdo:
clases_detectadas, porcentajes_certezas = vision_sensor_1( imagen_camara )
SI
clases_detectadas[0] == ‘Otro coche detectado’ and porcentajes_certezas[0] < .1
Y
clases_detectadas[1] == ‘Peaton detectado’ and porcentajes_certezas[1] < .1
Entonces CAMBIAR_DE_CARRIL()
37. Los ingenieros de autos autónomos usan maquetas
Dedicarse a hacer autos autónomos es algo muy alcanzable para cualquier
ingeniero, ya que la gran mayoría de las pruebas se hacen en maquetas y no
en autos reales. Una vez que es 100% eficiente en maquetas se hacen pruebas
en coches. Una escuela puede armar un laboratorio de autos autónomos a un
costo muy bajo.
38. Clasificación y Regresión
Ya aprendimos estos conceptos con ejemplos:
Regresión es predecir un valor, como el caso de la casa, una casa más
cercana a un centro comercial y vías principales, regresa un valor en precio más
grande, ejemplo 1,000,000
Clasificación es predecir una categoría, en los ejemplos se regresa las “clases”
o categorías a buscar y en base a eso nos regresa si es “perro” o “gato”.
39. Pero hay un caso extra (Clustering)
Cuando no sabemos los datos que son y necesitamos que la computadora
agrupe los que se parecen entre sí, para posteriormente darles un nombre:
clase_asignada, porcentaje_certeza = asigna_categoria( dato[0] )
clase_asignada, porcentaje_certeza = asigna_categoria( dato[1] )
clase_asignada, porcentaje_certeza = asigna_categoria( dato[2] )
A este caso se le llama Clustering. Un ejemplo burdo es cuando sabes que es un
perro pero tu no sabes la raza, es más fácil asignarla si ya están agrupados.
40. Aprendizaje supervisado y no supervisado
Cuando nosotros como humanos definimos las posibles categorías como en el
caso de la clasificación, entonces se llama aprendizaje supervisado.
Aprendizaje supervisado también incluye regresión, donde se calculan cifras en
base a cifras previas.
Cuando nosotros no asignamos la categoría, sino dejamos que la computadora
las decidiera como en el caso del clustering, entonces se conoce como
aprendizaje no supervisado.
41. Listo ya saben lo básico
Con lo aprendido es suficiente para plantear un problema y resolverlo usando
distintas tipos de aprendizaje, ahora a continuación veremos qué técnicas
existen y cuando se emplea cada una.
43. Primero aprendamos a elegir que usaremos
Con unas sencillas preguntas podemos saber si es aprendizaje supervisado o
no supervisado y si es clasificación, regresión o clustering.
¿Necesitas regresar un valor numérico pronosticado? Es aprendizaje
supervisado y usarás regresión.
¿Necesitas regresar de qué tipo es y sabes qué tipos puede haber? Es
aprendizaje supervisado y usarás Clasificación.
¿Necesitas regresar de qué tipo es pero no sabes qué tipos puede haber? Es
aprendizaje no supervisado y usarás Clustering.
44. Ok y ¿Donde entra Machine Learning?
Machine Learning es el concepto en general de cómo una computadora puede
aprender. El aprendizaje proviene de recibir información novedosa y adecuar sus
parámetros para identificar correctamente nuevos casos. Para esto requiere
mucha información, pero también necesita saber que parámetros (“features”)
analizar.
45. ¿Features?
Sí, necesitamos encontrar en
base a qué parámetros
diferenciar uno de otro, por
ejemplo hay especies de peces
muy similares.
En qué características se fijarían
ustedes para identificarlos.
¿Color, tamaño, número de
aletas?
46. ¿Son las Features elegidas las mejores?
Es complejo elegir las características
más apropiadas. A este proceso se le
conoce como Features Extraction.
Tener pocas o muchas características
que no aporten valor perjudican al
algoritmo. En ocasiones hay que hacer
preprocesamiento.
47. El siguiente paso es “anotar” (labeling)
Ya que tenemos cada registro de cada espécimen ahora manualmente hay que
especificar que “clase” es, por ejemplo:
Para cuando llegue uno nuevo tratar de predecir que es:
Color Tamaño Aletas CLASS
Dorado 20 5 Tilapia
Plateado 10 6 Atún
Plateado 30 6 Salmón
Color Tamaño Aletas CLASS
Plateado 20 6 ???
48. Con las Classes y los Features podemos comenzar
Listo ahora si podemos nutrir cualquier algoritmo para generar un resultado.
Los más usados son:
● kNN
● Bayes
● Support Vector Machines
● Neural Networks
● Decision Trees
● Random Forest
Entre muchos otros
49. Ahora hay que entrenar el modelo
Una vez que tenemos las Classes, los
Features y elegimos un algoritmo. Lo
dejamos entrenando y creando un
archivo llamado Modelo con las reglas
para poder clasificar datos no vistos
anteriormente.
50. Pero sin buenos Features, no será preciso, pero ...
Como vimos en el ejemplo:
Para predecir
Las features no son suficientes, y si encontramos exponencialmente las
features para ser más precisos, eso hará un procesamiento exhaustivo. Pero
existe una técnica que nos ayuda a este proceso.
Color Tamaño Aletas CLASS
Dorado 20 5 Tilapia
Plateado 10 6 Atún
Plateado 30 6 Salmón
Color Tamaño Aletas CLASS
Plateado 20 6 ???
51. Deep Learning
Deep Learning se beneficia de la extracción automática de features, lo que nos
ayuda a no preocuparnos por escoger las mejores, y además se ayuda del gran
poder de cómputo actual habilitando Convolutional Neural Networks.
Deep Learning es una caja negra, no se sabe cómo se llega al resultado para
poder revisarlo.
52. Neural Networks
Las redes neuronales son un modelo para encontrar esa combinación de
parámetros y aplicarla al mismo tiempo. En el lenguaje propio, encontrar la
combinación que mejor se ajusta es "entrenar" la red neuronal. Una red ya
entrenada se puede usar luego para hacer predicciones o clasificaciones, es
decir, para "aplicar" la combinación.
53. Convolutional Neural Networks
Implica crear varias capas o niveles de procesamiento. Así como vimos en las
redes neuronales que son combinaciones. Estas son combinaciones de
combinaciones en múltiples capas, lo que logra modelos muy complejos y
precisos.
54. Veamos que necesitamos para Deep Learning
Lo único que necesitamos para entrenar un modelo de predicción usando Deep
Learning es:
● Necesitamos datos “anotados” (clasificados) por lo general más de 100,
pero depende el caso
● Un Framework que soporte Deep Learning (sklearn, Keras, Tensorflow,
Caffe2, PyTorch, etc)
● Lenguaje de programación: Python, Python o C.
Nos ahorramos el paso de elegir las features, e incluso podemos no definir las
capas convolutivas.
55. ¿Y si aún no se Python?
Es uno de los lenguajes más sencillos y poderosos. Lo aprenderás y
dominarás en un par de semanas. Te dejo algunos tutoriales.
https://www.learnpython.org/
https://docs.python.org/3/tutorial/index.html
https://www.tutorialspoint.com/python/index.htm
56. ¿Y qué framework nos recomiendas?
Algunos de ellos son sencillos y algunos más complejos. Yo les recomendaría
estos 3 en el siguiente orden:
1) Keras : Es un framework de frameworks es decir, es capaz de en pocas
líneas de código generar código para Frameworks más complejos como
Tensorflow, Theano y CNTK.
2) Sklearn / TFlearn : Ambos frameworks framework son sumamente sencillos
con muchos ejemplos de código hechos. Ideales para hacer pruebas de
forma veloz.
3) Tensorflow : Fue creado por Google, es de los más completos y
poderosos, pero es más complejo.
57. Y con qué ejemplo comienzo
Empiecen con el clásico ejemplo de detectar perritos y
gatitos. Las cosas con gatitos siempre son mejores
El código para keras: https://jkjung-avt.github.io/keras-
tutorial/
El código para sklearn / tflearn :
http://www.subsubroutine.com/sub-
subroutine/2016/9/30/cats-and-dogs-and-
convolutional-neural-networks
El código para Tensorflow:
https://medium.com/@curiousily/tensorflow-for-
58. ¿Y solo son para imágenes?
Con lo que aprendas en esos tutoriales ya serás capaz de hacer cualquier
clasificador. Los mismos frameworks también funcionan para texto, audio y
video.
Gracias a técnicas como Natural Language Processing podrás hacer análisis
complejos de texto. En la actualidad se utilizan Word Vectors para entender el
contexto del texto.
Una herramienta muy efectiva es spaCy que incorpora Deep Learning para el
análisis de textos, les dejo un tutorial:
https://spacy.io/usage/training
59. ¿Y qué hay de los bots de videojuegos?
En la actualidad un bot es capaz de acabar
videojuegos o derrotar adversarios en
competencias de videojuegos.
Estos bots utilizan otra técnica, de aprendizaje
no supervisado llamada Reinforcement
Learning.
60. (Deep) Reinforcement Learning
Es un área del aprendizaje automático inspirada en la psicología conductista,
cuya ocupación es determinar qué acciones debe escoger un agente de software
en un entorno dado con el fin de maximizar alguna noción de "recompensa" o
premio acumulado.
Funcionan a modo de prueba y error, es decir, si por serie de combinaciones (en
el caso de los juegos, mover la palanca y apretar botones) recibe un premio en el
futuro, entonces aprende a encontrar de forma más rápida (en menos
movimientos) esa recompensa.
Una técnica muy usada es la Deep Q-network (DQN)
61. Se basa en tablas de recompensas. En los estados
en que es posible recibir una recompensa, es fácil
decidir cuál es la mejor acción: la que obtiene la
mayor recompensa a presente y a futuro.
(Double) Deep Q Learning
62. Les dejo un ejemplo y un tutorial para que lo hagan
Ambiente:
https://gym.openai.com/envs/Breakout-
v0/
Solución:
https://github.com/vy007vikas/OpenAI-
Gym-
Solutions/blob/master/Atari/breakout.py
63. Ya me piqué, y después qué sigue ...
Tan solo con las técnicas que hemos visto, serán capaces de:
● Componer música
● Crear obras de arte
● Hacer que un robot aprenda a caminar
● Hacer que un robot aprenda a jugar futbol
● Saber que enfermedad tienes en base a tus síntomas
● Saber que va a comprar un cliente en base a su comportamiento
Y mucho mucho más
Les dejo código de algunas ...
64. Generative Artificial Intelligence
Es capaz de crear contenido, por
ejemplo cambiarle la cara a 2
personas.
Código:
https://github.com/deepfakes/faceswap
65. AutoML
Hacer que la máquina se entrene,
pruebe y mejore sola. Ella se encarga
de ajustarse hasta lograr porcentajes de
Accuracy.
Dejo un ejemplo del código necesario
para que la computadora haga todo por
ti: http://automl.github.io/auto-
sklearn/stable/
66. EL bot que hace llamadas de Google
Recuerdan la llamada casi real
donde entendía perfectamente y
respondía a personas reales.
Aquí les dejo la liga del artículo
que explica como funciona:
https://ai.googleblog.com/2018/05/d
uplex-ai-system-for-natural-
conversation.html
67. Generative Artificial Intelligence
Puedes también crear videos de otra
persona diciendo algo.
Aquí esta el paper donde dicen como
hacerlo:
http://grail.cs.washington.edu/projects/A
udioToObama/
68. ¿Nos dejas un paper?
Si, todo el nuevo conocimiento se plasma en un paper, que es un texto
científico donde describen cómo hacerlo. La última tecnología es probable que
solo la encuentras en textos científicos.
Los artículos científicos los pueden ver en http://scholar.google.com/
Y en caso de ser necesario pueden usar un proxy para abrir algunos artículos
científicos: https://sci-hub.tw/
69. ¿Donde me entero de lo nuevo que va saliendo?
El canal de Siraj Raval:
https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A
Wired: https://www.wired.com/tag/artificial-intelligence/
El blog de Google: https://ai.googleblog.com/
El blog de Facebook: https://research.fb.com/blog/
MIT: http://news.mit.edu/topic/artificial-intelligence2
Arxiv: http://www.arxiv-sanity.com/
Google Alerts: https://www.google.com/alerts
70. Ya tengo noción de cómo implementar ¿Qué sigue?
Conforme vayas practicando las técnicas serás capaz de dar solución a
cualquier problema de Inteligencia Artificial.
Ahora sigue dar a conocer tu trabajo, prepararte para laborar o para emprender
en el mundo de la inteligencia artificial.
Te dejaré unos tips para que tengas éxito en tu incursión a la IA.
72. Publica todo lo que hagas
Publica cada cosa que hagas, por ejemplo:
● Tu resultado después de haber seguido un tutorial
● Una versión modificada de cada tutorial (por ejemplo si detectas, perro, gato
o caballo)
● Crea proyectos personales de prueba para probar cosas sencillas (por
ejemplo trata de predecir algo sencillo como el melate)
● Escribe tu experiencia de como te fue implementandolo.
● Mejora algún código que hayas descargado
Todo cuenta
73. Donde publico
Algunos de los que menciono son OBLIGATORIOS, por lo que si no los tienen
aún es tiempo de crear su cuenta.
● GitHub (Obligatorio)
● Linkedin (Obligatorio)
● Website personal (Obligatorio)
● En un blog (Medium está ganando importancia)
● En un video (Los videos de youtube tienen mucha tracción)
● En redes sociales (Serás percibido como experto si muestras tus pruebas)
Y en todos los lugares donde se te ocurra, tu nombre y la palabra Artificial
Intelligence (OjO en inglés) deben aparecen juntas en internet
74. ¿Y si no tengo sitio web?
Es bien fácil y gratuito. Hay muchas formas de hacerlo pero te paso una que a
mi me ha funcionado.
● Crea un sitio con GitHub Pages, aquí vienen las instrucciones
https://pages.github.com/
● Ligalo a un nombre de dominio tuyo (ejemplo: carlostoxtli.com), aquí
vienen las instrucciones: https://help.github.com/articles/using-a-custom-
domain-with-github-pages/
● SI no tienes nombre de dominio, puedes crear uno gratuito aquí:
http://www.freenom.com/
75. ¿Y qué pongo si no tengo mucha experiencia?
Todo cuenta para tu Curriculum en sistemas
● Cada proyecto escolar
● Cada tutorial terminado
● Cada proyecto personal
● Cada curso tomado
● Los skills (habilidades/tecnologías) que has aprendido
● Donde has estudiado
● Que artículos has escrito (cuentan entradas de blog)
Y todo aquello COMPROBABLE debe ir en tu CV o Résumé.
76. Vale ya tengo todo listo para que me miren, y ahora
El primer paso es conocer de todo un poco, hacer ejercicios de varias técnicas
te ayudará a plantear problemas más complejos.
El siguiente paso es perfilarte, identificar qué área te interesa más, conocer
cómo está evolucionando el sector y proponer proyectos complejos que
demuestran que puedes resolver un problema de inicio a fin con esa
tecnología.
Vamos a echar un ojo al panorama actual de la inteligencia artificial.
79. Hagamos cuentas
De acuerdo con el New York Times, solo hay 10,000 expertos en IA en el
mundo.
De las universidades más prestigiosas se gradúan alrededor de 250 alumnos al
año. Si tomamos las top 10 universidades tendríamos 2,500 egresados.
Es decir que en 2 años tendríamos 15,000 expertos y aún faltarían
2,285,000 puestos de trabajo por cubrir …
¿Quiénes serán ellos?
USTEDES
81. Y a quienes están contratando actualmente
Qué les parece si vamos a Linkedin, el sitio con la mayor cantidad de
profesionistas registrados y buscamos por plazas como Artificial Intelligence
Engineer, Machine Learning Engineer, Deep Learning Engineer, etc.
Estos son los resultados:
85. Muchos llegaron solo por cursos en línea
Es importante tomen cursos
en línea sobre todo los cursos
que vean que más gente que
ya labora tomó.
Hay incluso algunos que te
contratan al terminar el
curso.
87. Y creanme que vale la pena el esfuerzo
Un egresado que trabaja en inteligencia
artificial gana
$225,000 pesos al mes en promedio
Muchos “Buenos sueldos” en México
ganan eso al año.
88. Está de moda el Early Retirement
Con los sueldos de la industria
tecnológica, basta con ahorrar el 75%
de tu sueldo por 6 años para vivir el
resto de tu vida sin trabajar. Esto es
real y hay muchas guías en internet
para lograrlo:
http://earlyretirementextreme.com/
https://www.mrmoneymustache.com/
89. Suena bien, que hago para que me contraten
El proceso de contratación no es nada sencillo, debes ser experto primero en:
● Estructuras de datos
● Algoritmos
● Manipulación de bits
● Análisis de algoritmos (complejidad espacio tiempo)
En temas de datos suelen preguntar
● Métodos de Machine Learning (proponerlo, justificarlo y explicarlo)
● SQL y Exploratory Data Analysis
● Explicar la teoría de los métodos de ML, los parámetros como se ajustan.
● Explica alguno de tus proyectos que usen conceptos complejos de ML.
90.
91. No es fácil, es mejor hacer experiencia primero
En México múltiples empresas están implementando algoritmos de inteligencia
artificial, por lo que hay muchas oportunidades actualmente para hacer
experiencia.
Otra opción es emprender, crear tu propio negocio de Inteligencia Artificial.
93. Inicia tu negocio (Startup)
● Piensa en un problema que se pueda beneficiar de mucho al analizar datos.
● Los gobiernos ya tienen sus datos abiertos, por ejemplo:
○ https://datos.gob.mx/
○ https://data.worldbank.org/
○ http://data.un.org/
● Existen grandes repositorios con toda la información de algunas plataformas
○ https://cloud.google.com/bigquery/public-data/
○ https://www.kaggle.com/datasets
● Crea tu base de datos creando tu aplicación y recolectando información con
la que en un futuro puedas ofrecer servicios inteligentes.
94.
95.
96. Obtén fondos para arrancar tu negocio
Puedes aplicar a distintas fuentes de inversión como:
● Fondos de inversión
○ 500
○ Y Combinator
○ NXTP Labs
○ Entre muchas otras
● Crowdfunding
○ Indiegogo
○ Kickstarter
○ Play Business
● Procura ver todas las opciones posibles antes de pedir un préstamo.
97. Pero no todo es emplearse o emprender
También existe la investigación que es muy bonita, ya que es donde se crean las
nuevas técnicas ya que existe presupuesto para probar conceptos que después
serán implementados en la industria. Para estas áreas generalmente se llega a
través de un doctorado (Ph.D.).
Existen múltiples áreas de investigación pero 2 de las más comunes para
inteligencia artificial son:
● Algoritmos
● Human Computer Interaction
98. Áreas de Investigación: Algoritmos
Consiste en crear algoritmos más eficientes, se publican tanto nuevos
algoritmos para casos generales o específicos, así como mejoras incrementales a
algoritmos existentes.
99. Human Computer Interaction (HCI)
Consiste en implementar tecnología y estudiar el impacto en los humanos. En
el caso de la inteligencia artificial, no siempre implica el crear nuevos algoritmos,
sino se enfoca en implementarlos en distintos aspectos de la vida diaria y estudiar
la experiencia del usuario.
100. Apliquen a Internships
Durante las vacaciones de verano pueden trabajar en empresas de todo el
mundo. Busquen en los sitios web de cada compañía por oportunidades de
internships. Tendrás la oportunidad de trabajar y ganar experiencia en la empresa
de tu preferencia.
Una buena fuente es buscarlos en Google Jobs:
https://www.google.com/search?q=internship&ibp=htl;jobs&htivrt=jobs
101. Trabaja en línea
Es una buena forma de ganar experiencia, la mejor plataforma con mayor
cantidad de trabajo es http://www.upwork.com . La ventaja es que no necesitas
permiso de trabajo para trabajar para otros países.
Si quieres comenzar con facilidades, pidan a su primer empleador que los
contrate por esa plataforma, de esa forma tendrás algo que demostrar para que
otros empleadores confíen en tu trabajo.
102. Crea un CV con ayuda de la IA
Utiliza los beneficios de la IA para generar un CV impactante
http://rezscore.com/
103. Aprende o practica tu inglés
Consume contenido en inglés, suele ser el más actualizado, si se te complica
entenderlo pon subtítulos en INGLÉS, te ayudará a aprender la terminología.
Algunos sitios recomendados son:
https://www.duolingo.com/
https://www.speaky.com/es/
https://www.busuu.com/es
Ver videos en inglés con subtítulos en inglés es muy recomendable. En
Youtube es una muy buena opción habilitarlos en videos en inglés.
105. Y si pueden viajen a Silicon Valley
Les servirá para conocer como es el
ambiente en la capital del
emprendimiento y la tecnología. Además
pueden situar su Linkedin en San
Francisco y les llegarán ofertas de
trabajo de esa área.
Aquí se muestra como una cuenta falsa
recibe múltiples de ofertas de trabajo.
106. Haz seguimiento de donde ven tu sitio
Hay plataformas como
Google Analytics o
StatCounter que te
permiten conocer
quienes están viendo tu
sitio web.
107. Participa en proyectos de Open Source
Vuélvete experto en Git, aprende a como colaborar en proyectos. Proyectos
conocidos en los que has colaborado ayuda a demostrar tu nivel de código.
Busca en GitHub proyectos en los que puedas contribuir? Estas ligas muestran
algunos proyectos para comenzar a contribuir:
https://github.com/showcases/great-for-new-contributors
https://help.github.com/articles/helping-new-contributors-find-your-project-with-
labels/
108. Vayan armando una computadora poco a poco
Lo único que importa al armar una computadora para Machine Learning es la
tarjeta de video, ya que esta cuenta con GPUs que son bastante más rápidos
que los CPUs. Empiecen con al menos una tarjeta de video NVIDIA que soporte
CUDA con al menos 1024 GPU cores.
109. Asistan a eventos y unanse a comunidades
Una forma de conocer personas activas en la comunidad, de posicionarse y
hacerse conocer en su entorno es acudiendo a eventos. Existen varios eventos
en la ciudad de México en los cuáles pueden congregarse, por ejemplo:
https://www.meetup.com/es-ES/thedatapub/
https://www.meetup.com/es-ES/saxsaBigDataMexico/
https://www.meetup.com/es-ES/Meetup-de-Bots-en-Ciudad-de-
Mexico/?_locale=es-ES
https://www.facebook.com/groups/botsLATAM/
110. Estarás motivado siempre y cuando confíes
La gente tiene un gran interés en obtener conocimiento sobre eventos futuros
que creen que serán positivos. De la misma forma, muestran un gran
desinterés por conocer más información de eventos que creen que serán
negativos.
111. Conclusiones
● Hay más oportunidades que nunca para egresados en CIencias de Datos e
Inteligencia Artificial.
● Ahora ya conocen cómo crear una carrera exitosa en esta área, ahora es
solo dedicar suficiente tiempo para lograrlo.
● No es fácil, y en muchas ocasiones lleva mucho tiempo de crear
experiencia, pero tarde o temprano lograrán su meta.
● Exploren el mundo y las necesidades de cada región, aprendan de cómo
otros las han resuelto y aprendan de su experiencia.
● Es la mejor epoca de historia para desempeñarse en Inteligencia Artificial y
no hay pretextos para no sobresalir en esta área.