1

El reto de contar con un Ingeniero de IA o de Deep Learning

Las tecnologías emergentes retan la formación académicos con áreas como IA o Deep Learning. También a las empresas en la búsqueda de esas habilidades.

CIO AMÉRICA LATINA | Por Elibeth Eduardo | @ely_e

¿Podemos “reconvertir” a una o más personas de nuestro equipo de TI para que tengan las “habilidades emergentes” para la innovación en estas tecnologías?

¿Sólo podemos hacerlo con los más jóvenes o es preferible tomar a técnicos con experiencia para esta transformación?

Estas y otras preguntas atormentan a los CIO pero, también, a los responsables de la gestión de Talento (incluso consultores y Head Hunters) que deben buscar y encontrar hoy personas para cargos que no existían hace cinco años.

¿Cuáles son en verdad las skills TI que debemos tener en nuestro radar para encarar estos retos?

Porque hay un hecho: en nuestros países (en los cuales la actualización académica puede no estar al día) la reconversión es la mejor opción para no atrasarnos en nuestros proyectos y adelantar los procesos de innovación que requieren nuestros mercados.

Primero la automatización

Lo primero es la comprensión de lo que es constante en lo nuevo.

El aumento del interés en áreas como la automatización y la conducción autónoma nos da la medida en que los ingenieros con experiencia de aprendizaje profundo son difíciles de encontrar.

Sí, lo anterior era una pista, especialmente si quien lee no tiene formación en ingeniería.

“Con el intenso enfoque en la analítica predictiva, el aprendizaje profundo, el aprendizaje automático y la inteligencia artificial, las posiciones de ingeniería en estas áreas serán relevantes en los próximos años”, destaca el jefe de sistemas de HPCC de LexisNexis Risk Solutions, Flavio Villanustre.

Aprendizaje Profundo o Deep Learning

Y si quiere diferenciarse, el trabajo para encontrar soluciones usando el deep learning o aprendizaje profundo para dominios que no empiezan con cantidades masivas de datos a partir del modelo, tiene un potencial significativo.

“A nuestro leal saber y entender, no está claro cómo podemos construir modelos de aprendizaje automático donde sólo se dispone de una cantidad limitada de datos”, señala ell CTO de Solvvydice Mehdi Samadi.

Este especialista señala que la capacidad de innovar a futuro depende mucho de que la tecnología supere las condiciones de laboratorio y se enfrente a la realidad de empresas y mercados.

“Actualmente estamos limitando los tipos de aplicaciones inteligentes que esperamos ver en un futuro próximo. La solución a este problema es encontrar enfoques que nos ayuden a generar datos o construir modelos de aprendizaje de máquina más robustos que puedan aprender de datos limitados“, destacó.

Para él, parte del reto que tienen las empresas es que transferir algoritmos de aprendizaje así como aprender de los datos disponibles en otros dominios con el fin de que se desempeñen bien en uno nuevo.

“Esta es un área prometedora para los ingenieros”, asegura Samadi.