Director de Insights de Aprendizaje Automático
Director de Aprendizaje Automático
Pocos puestos en la mesa de Aprendizaje Automático abarcan habilidades técnicas, resolución de problemas y conocimiento empresarial como los Directores de Aprendizaje Automático.
Los Directores de Aprendizaje Automático y/o Ciencia de Datos suelen ser responsables de diseñar sistemas de AA, tener un profundo conocimiento de matemáticas, familiaridad con marcos de AA, comprensión de arquitectura de datos, experiencia aplicando AA a aplicaciones del mundo real, habilidades sólidas de comunicación y a menudo se espera que estén al tanto de los avances de la industria. ¡Una gran responsabilidad!
Por estas razones, hemos recurrido a este grupo único de Directores de AA para una serie de artículos que destacan sus ideas sobre las tendencias actuales de AA y las tendencias de la industria, que van desde la atención médica hasta las finanzas, el comercio electrónico, el software como servicio, la investigación, los medios de comunicación y más. Por ejemplo, un Director señalará cómo el AA se puede utilizar para reducir el tiempo en que los camiones viajan vacíos (que ocurre aproximadamente el 20% del tiempo) a solo el 19%, lo que reduciría las emisiones de carbono de aproximadamente 100,000 estadounidenses. Nota: Esto es solo un cálculo rápido hecho por un ex científico de cohetes, así que lo tomaremos con cautela.
En esta primera entrega, escucharás a un investigador (que utiliza un radar de penetración terrestre para detectar minas terrestres enterradas), a un ex científico de cohetes, a un jugador aficionado que habla dzongkha (¡Kuzu = ¡Hola!), a un científico que antes vivía en una furgoneta, a un entrenador de equipos de ciencia de datos de alto rendimiento que aún se mantiene práctico, a un profesional de datos que valora las relaciones, la familia, los perros y la pizza. —Todos ellos son actualmente Directores de Aprendizaje Automático con amplios conocimientos en el campo.
- Acelera el entrenamiento de modelos grandes utilizando PyTorch con ...
- Bienvenido fastai al Hugging Face Hub
- ¡Gradio 3.0 está aquí!
🚀 Conozcamos a algunos de los principales Directores de Aprendizaje Automático y escuchemos lo que tienen que decir sobre el impacto del Aprendizaje Automático en sus respectivas industrias:
Archi Mitra – Director de Aprendizaje Automático en Buzzfeed
Antecedentes: Logrando equilibrio en la promesa del AA para los negocios. Personas por encima de los procesos. Estrategia por encima de la esperanza. Ética de IA por encima de las ganancias de IA. Neoyorquino moreno.
Dato curioso: ¡Puedo hablar dzongkha (búscalo en Google!) y soy partidario de Youth for Seva.
Buzzfeed: Una empresa estadounidense de medios de comunicación, noticias y entretenimiento con un enfoque en los medios digitales.
1. ¿Cómo ha tenido un impacto positivo el AA en los medios de comunicación?
Personalización centrada en la privacidad para los clientes: Cada usuario es único y, aunque sus intereses a largo plazo son estables, sus intereses a corto plazo son estocásticos. Esperan que su relación con los medios de comunicación refleje esto. La combinación de avances en la aceleración de hardware y el Aprendizaje Profundo para recomendaciones ha permitido comenzar a descifrar esta sutileza y brindar a los usuarios el contenido adecuado en el momento y el lugar adecuados.
Herramientas de asistencia para creadores: Los creadores son activos limitados en los medios de comunicación y preservar su capacidad creativa mediante herramientas asistidas por AA que incorporan la participación humana ha tenido un impacto desproporcionado. Algo tan simple como sugerir automáticamente un título, una imagen, un video y/o un producto adecuados que puedan acompañar el contenido que están creando, desencadena un círculo virtuoso de colaboración entre máquina y humano.
Pruebas ajustadas: En una empresa de medios de comunicación intensiva en capital, es necesario acortar el tiempo entre la recopilación de información sobre lo que resuena con los usuarios y la acción inmediata sobre ella. Con una amplia variedad de técnicas bayesianas y avances en el aprendizaje por refuerzo, hemos logrado reducir drásticamente no solo el tiempo sino también el costo asociado.
2. ¿Cuáles son los mayores desafíos de AA dentro de los medios de comunicación?
Privacidad, voz editorial y cobertura equitativa: Los medios de comunicación son un pilar fundamental en el mundo democrático, ahora más que nunca. El AA debe respetar eso y operar dentro de limitaciones que no se consideran estrictamente básicas en ningún otro dominio o industria. Encontrar un equilibrio entre el contenido y la programación curados editorialmente y las recomendaciones impulsadas por AA sigue siendo un desafío. Otro desafío único para BuzzFeed es que creemos que Internet debería ser gratuito, lo que significa que no rastreamos a nuestros usuarios como otros pueden hacerlo.
3. ¿Cuál es un error común que ves que la gente comete al tratar de integrar el AA en los medios de comunicación?
Ignorar a “los creadores” de los medios de comunicación: Los medios de comunicación son relevantes porque albergan una voz que tiene una profunda influencia en las personas. Los editores, creadores de contenido, escritores y creadores son la laringe de esa voz, y el negocio y la construcción de AA que les permita ampliar su impacto y trabajar en armonía con ellos son el ingrediente clave para el éxito.
4. ¿Qué te emociona más sobre el futuro del ML?
Esperamos que haya sistemas de ML en tiempo real, de propósito general, multi-modales y multi-tareas impulsados por pequeños datos, que generen mejoras exponenciales en el descubrimiento de medicamentos, cirugía de alta precisión, sistemas de control climático y experiencias inmersivas en el metaverso. Realísticamente, esperamos técnicas de meta-aprendizaje más accesibles y de bajo esfuerzo para generar texto e imágenes altamente precisas.
Li Tan – Director de Machine Learning e Inteligencia Artificial en Johnson & Johnson
Antecedentes: Li es un veterano de IA/ML con más de 15 años de experiencia liderando equipos destacados de ciencia de datos en líderes de la industria como Johnson & Johnson, Microsoft y Amazon.
Dato curioso: Li sigue siendo curioso, siempre está aprendiendo y disfruta de la programación práctica.
Johnson & Johnson: Una corporación multinacional que desarrolla dispositivos médicos, productos farmacéuticos y bienes de consumo.
1. ¿Cómo ha tenido un impacto positivo el ML en la industria farmacéutica?
Las aplicaciones de IA/ML han explotado en el campo de la industria farmacéutica en los últimos años y están generando muchos impactos positivos a largo plazo. La industria farmacéutica y de la salud tiene muchos casos de uso que pueden aprovechar la IA/ML.
Las aplicaciones van desde la investigación y la evidencia del mundo real hasta la fabricación inteligente y el control de calidad. Las tecnologías utilizadas también son muy variadas: NLP/NLU, CV, AIIoT, aprendizaje por refuerzo, etc., incluso cosas como AlphaFold.
2. ¿Cuáles son los mayores desafíos de ML en la industria farmacéutica?
El mayor desafío de ML en la industria farmacéutica y de la salud es asegurar la igualdad y diversidad en las aplicaciones de IA. Por ejemplo, cómo asegurarse de que el conjunto de entrenamiento tenga buenas representaciones de todos los grupos étnicos. Debido a la naturaleza de la atención médica y la industria farmacéutica, este problema puede tener un impacto mucho mayor en comparación con otras áreas.
3. ¿Cuál es un error común que ves que cometen las personas al intentar integrar ML en la industria farmacéutica?
No diría que esto es necesariamente un error, pero veo que muchas personas tienden hacia perspectivas extremas cuando se trata de aplicaciones de IA en la atención médica; ya sea demasiado conservador o demasiado agresivo.
Algunas personas se resisten debido a los altos requisitos regulatorios. Tuvimos que calificar muchas de nuestras aplicaciones de IA con una estricta validación GxP. Puede requerir una cantidad considerable de trabajo, pero creemos que el esfuerzo vale la pena. En el extremo opuesto del espectro, hay muchas personas que piensan que los modelos de IA/Aprendizaje Profundo pueden superar a los humanos en muchas aplicaciones y funcionar completamente de manera autónoma.
Como profesionales, sabemos que actualmente ninguna de las dos afirmaciones es cierta.
Los modelos de ML pueden ser increíblemente valiosos pero aún cometen errores. Por lo tanto, recomiendo un enfoque más progresivo. La clave está en tener un marco de trabajo que pueda aprovechar el poder de la IA al tiempo que establece controles. La FDA ha tomado medidas para regular cómo se debe usar la IA/ML en el software como dispositivo médico y creo que es un paso positivo para nuestra industria.
4. ¿Qué te emociona más sobre el futuro del ML?
Las intersecciones entre la IA/ML y otras ciencias y tecnologías avanzadas. Estoy emocionado por lo que está por venir.
Alina Zare – Directora del Laboratorio de Aprendizaje Automático y Sensores en la Universidad de Florida
Antecedentes: Alina Zare enseña e investiga en el área de aprendizaje automático e inteligencia artificial como profesora en el Departamento de Ingeniería Eléctrica y Computación de la Universidad de Florida y directora del Laboratorio de Aprendizaje Automático y Sensores. La investigación de la Dra. Zare se ha centrado principalmente en el desarrollo de nuevos algoritmos de aprendizaje automático para comprender y procesar automáticamente datos e imágenes.
Su trabajo de investigación ha incluido la fenotipificación automatizada de raíces de plantas, el análisis de imágenes hiperespectrales de subpíxeles, la detección de objetivos y la comprensión de escenas submarinas utilizando sonar de apertura sintética, análisis de datos LIDAR, análisis de radar de penetración terrestre y detección de minas terrestres y explosivos enterrados.
Dato curioso: Alina es remera. Se unió al equipo de remo en la escuela secundaria, remó durante la universidad y la escuela de posgrado, fue entrenadora principal del equipo de la Universidad de Missouri mientras era profesora asistente, y luego remó como remera máster cuando se unió al cuerpo docente en la Universidad de Florida.
Laboratorio de Aprendizaje Automático y Sensores: Un laboratorio de la Universidad de Florida que desarrolla métodos de aprendizaje automático para analizar y comprender de manera autónoma los datos de sensores.
1. ¿Cómo ha tenido un impacto positivo el aprendizaje automático en la ciencia?
El aprendizaje automático ha tenido un impacto positivo de varias formas, desde ayudar a automatizar tareas tediosas o lentas hasta proporcionar nuevas formas de examinar y analizar diversas preguntas. Un ejemplo de mi trabajo en el aprendizaje automático para la ciencia de las plantas es que hemos desarrollado enfoques de aprendizaje automático para automatizar la segmentación y caracterización de raíces de plantas en imágenes. Esta tarea era anteriormente un cuello de botella para los científicos de plantas que analizaban imágenes de raíces. Al automatizar este paso a través del aprendizaje automático, podemos realizar estos análisis a una velocidad mucho mayor y comenzar a utilizar estos datos para investigar preguntas de investigación en biología de las plantas a gran escala.
2. ¿Cuáles son los mayores desafíos del aprendizaje automático en la investigación científica?
Existen muchos desafíos. Un ejemplo es que, al utilizar el aprendizaje automático en la investigación científica, debemos pensar cuidadosamente en los protocolos de recopilación y curación de datos. En algunos casos, los protocolos que usamos para análisis que no utilizan aprendizaje automático no son apropiados o efectivos. La calidad de los datos y qué tan representativos son de lo que esperamos ver en la aplicación pueden tener un gran impacto en el rendimiento, la confiabilidad y la confiabilidad de un sistema basado en aprendizaje automático.
3. ¿Cuál es un error común que ves que las personas cometen al intentar integrar el aprendizaje automático en la ciencia?
Relacionado con la pregunta anterior, un error común es interpretar incorrectamente los resultados o el rendimiento como una función únicamente del sistema de aprendizaje automático y no considerar también los protocolos de recopilación, curación, calibración y normalización de datos.
4. ¿Qué es lo que más te entusiasma del futuro del aprendizaje automático?
Hay muchas direcciones realmente emocionantes. Gran parte de mi investigación actual se centra en áreas donde tenemos una gran cantidad de conocimientos previos y modelos derivados empíricamente. Por ejemplo, estoy trabajando en el uso del aprendizaje automático para la investigación en ecología forestal. La comunidad forestal tiene un rico conjunto de conocimientos previos que los sistemas de aprendizaje automático puramente basados en datos no están aprovechando. Creo que los métodos híbridos que combinan sin problemas el conocimiento previo con los enfoques de aprendizaje automático serán un camino interesante y emocionante a seguir. Un ejemplo podría ser comprender qué tan probable es que dos especies coexistan en un área. O qué distribución de especies podríamos esperar dadas ciertas condiciones ambientales. Estos podrían ser utilizados potencialmente con métodos basados en datos para hacer predicciones en condiciones cambiantes.
Nathan Cahill Ph.D. – Director de Aprendizaje Automático en Xpress Technologies
Antecedentes: Nathan es un líder apasionado en aprendizaje automático con 7 años de experiencia en investigación y desarrollo, y tres años de experiencia creando valor comercial al implementar modelos de aprendizaje automático. Se especializa en encontrar y priorizar estratégicamente los mayores puntos problemáticos del negocio: desbloquear el poder de los datos en las etapas iniciales de crecimiento.
Dato curioso: Antes de entrar en el transporte y la logística, trabajaba en la ingeniería de cohetes en Northrop Grumman. #RocketScience
Xpress Technologies: Una tecnología de emparejamiento de fletes digitales para conectar Cargadores, Corredores y Transportistas y brindar eficiencia y automatización a la industria del transporte.
1. ¿Cómo ha tenido un impacto positivo el aprendizaje automático en la logística/transporte?
La industria del transporte es increíblemente fragmentada. Los principales actores en el juego tienen menos del 1% de participación en el mercado. Como resultado, existen ineficiencias que pueden resolverse mediante soluciones digitales.
Por ejemplo, cuando ves un camión de carga en la carretera, actualmente hay un 20% de probabilidad de que el camión esté conduciendo vacío. Sí, el 20% de las millas que recorre un tráiler son desde la última entrega de su carga anterior hasta la próxima recogida. Lo más probable es que haya otro camión conduciendo vacío en la dirección opuesta.
Con el aprendizaje automático y la optimización, este porcentaje de desgaste se puede reducir significativamente, y solo llevar ese número del 20% al 19% cortaría las emisiones de carbono equivalentes de 100,000 estadounidenses.
Nota: las emisiones de carbono de 100k estadounidenses fueron un cálculo rápido por mi cuenta.
2. ¿Cuáles son los mayores desafíos de aprendizaje automático en logística?
El gran desafío en logística se debe a que la industria está tan fragmentada: no hay un conjunto de datos compartido que permita a las soluciones tecnológicas “ver” el panorama general. Por ejemplo, una gran parte de los costos de los fletes de intermediarios, tal vez la mayoría, se negocian caso por caso, lo que los hace muy volátiles. Esto hace que la fijación de precios sea un problema muy difícil de resolver. Si la industria se volviera más transparente y compartiera datos con mayor libertad, se podrían lograr muchas más cosas.
3. ¿Cuál es un error común que ves que las personas cometen al tratar de integrar el aprendizaje automático en logística?
Creo que el error más común que veo es que las personas hacen aprendizaje automático y ciencia de datos de forma aislada.
La mayoría de las aplicaciones de aprendizaje automático en logística cambiarán significativamente la dinámica del problema si se utilizan, por lo que es importante desarrollar modelos de forma iterativa con el negocio y asegurarse de que el rendimiento en la realidad coincida con lo que se espera en el entrenamiento.
Un ejemplo de esto es en la fijación de precios, donde si se fija un precio ligeramente más bajo para una ruta, los precios pueden ser demasiado competitivos, lo que creará una afluencia de carga en esa ruta. Esto, a su vez, puede hacer que los costos aumenten a medida que los intermediarios luchan por encontrar capacidad para esas cargas, exacerbando el problema.
4. ¿Qué es lo que más te entusiasma del futuro del aprendizaje automático?
Creo que lo que más me entusiasma del aprendizaje automático es la oportunidad de mejorar el desempeño de las personas en sus trabajos.
A medida que el aprendizaje automático comienza a ser omnipresente en los negocios, podrá ayudar a acelerar las decisiones y automatizar el trabajo redundante. Esto acelerará el ritmo de la innovación y creará un inmenso valor económico. ¡No puedo esperar para ver qué problemas resolvemos en los próximos 10 años con la ayuda de la ciencia de datos y el aprendizaje automático!
Nicolas Bertagnolli – Director de Aprendizaje Automático en BEN
Antecedentes: Nic es un científico e ingeniero que trabaja para mejorar la comunicación humana a través del aprendizaje automático. Ha pasado la última década aplicando el aprendizaje automático y el procesamiento del lenguaje natural (PLN) para resolver problemas de datos en el ámbito médico, desde descubrir patrones novedosos en los genomas del cáncer hasta aprovechar miles de millones de notas clínicas para reducir costos y mejorar resultados.
En BEN, Nic innova tecnologías inteligentes que amplían las capacidades humanas para llegar a las personas. Vea su CV, investigación y artículos de VoAGI aquí.
Dato curioso: Nic vivió en una furgoneta y viajó por el oeste de Estados Unidos durante tres años antes de comenzar a trabajar en BEN.
BEN: Una empresa de IA de entretenimiento que coloca marcas dentro de contenido de influencers, transmisiones, televisión y cine para conectar marcas con audiencias de una manera que la publicidad no puede.
1. ¿Cómo ha tenido un impacto positivo el aprendizaje automático en el marketing?
¡De tantas maneras! Está cambiando completamente el panorama. El marketing es un campo arraigado en la tradición basado en corazonadas. En los últimos 20 años, ha habido un movimiento hacia decisiones de marketing más informadas estadísticamente, pero muchas marcas aún confían en los instintos de sus departamentos de marketing. El aprendizaje automático está revolucionando esto. Con la capacidad de analizar datos sobre qué anuncios funcionan bien, podemos tomar decisiones realmente informadas sobre cómo y a quién dirigimos nuestro marketing.
En BEN, el aprendizaje automático realmente nos ha ayudado a eliminar la incertidumbre de gran parte del proceso al tratar el marketing de influencers. Los datos ayudan a arrojar luz a través de la niebla del sesgo y la subjetividad para que podamos tomar decisiones informadas.
¡Eso es solo lo obvio! El aprendizaje automático también está haciendo posible tomar decisiones de marketing más seguras para las marcas. Por ejemplo, es ilegal anunciar alcohol a personas menores de 21 años. Mediante el aprendizaje automático, podemos identificar a los influencers cuyas audiencias son principalmente mayores de 21 años. Esto amplía nuestra capacidad para ayudar a las marcas de alcohol, así como a las marcas que están preocupadas por que su imagen se asocie con el alcohol.
2. ¿Cuáles son los mayores desafíos de ML en el ámbito del marketing?
Al igual que con la mayoría de las cosas en el Aprendizaje Automático, los problemas no suelen estar en los modelos en sí. Con herramientas como Hugging Face, torch hub, etc., hay disponibles muchos modelos excelentes y flexibles para trabajar.
Los verdaderos desafíos tienen que ver con la recopilación, limpieza y gestión de los datos. Si queremos hablar de las partes difíciles del trabajo relacionadas con el ML, parte de ello se reduce al hecho de que hay mucho ruido en lo que las personas ven y disfrutan. Comprender cosas como la viralidad es realmente muy difícil.
Comprender qué hace que un creador/influencer tenga éxito a lo largo del tiempo es realmente difícil. Hay mucha información de preferencias extrañas enterrada en datos bastante ruidosos y difíciles de adquirir. Estos problemas se reducen a tener una comunicación realmente sólida entre los equipos de datos, ML y negocios, y construir modelos que potencien y colaboren con los humanos en lugar de automatizar completamente sus roles.
3. ¿Cuál es un error común que ves que cometen las personas al intentar integrar el ML en el marketing?
No creo que esto sea exclusivo del marketing, pero priorizar el aprendizaje automático y la ciencia de datos por encima de una buena infraestructura es un gran problema que veo a menudo. Las organizaciones escuchan sobre el ML y quieren obtener una parte del pastel, así que contratan a algunos científicos de datos solo para descubrir que no tienen ninguna infraestructura para atender a sus nuevos y elegantes modelos. Gran parte del valor del ML radica en la infraestructura que rodea a los modelos y si tienes modelos entrenados pero no tienes infraestructura, estás en problemas.
Una de las cosas realmente buenas de BEN es que hemos invertido mucho en nuestra infraestructura de datos y construimos el caballo antes del carro. Ahora los científicos de datos pueden construir modelos que se sirven a nuestros usuarios finales rápidamente en lugar de tener que descubrir cada paso de ese proceso ellos mismos. Invierte en ingeniería de datos antes de contratar a muchos expertos en ML.
4. ¿Qué te emociona más sobre el futuro del ML?
Hay muchas cosas emocionantes sucediendo. Creo que el ritmo y la democratización del campo es quizás lo que encuentro más emocionante. Recuerdo que hace casi 10 años escribí mi primer modelo seq2seq para la traducción de lenguaje. Eran cientos de líneas de código, tardaba mucho en entrenar y era bastante desafiante. Ahora básicamente puedes construir un sistema para traducir cualquier idioma a cualquier otro en menos de 100 líneas de código en Python. ¡Es una locura! Esta tendencia es muy probable que continúe y a medida que la infraestructura de ML mejore cada vez más, será más fácil para las personas sin una experiencia profunda en el campo implementar y servir modelos a otras personas.
Al igual que al principio de Internet, los desarrolladores de software eran escasos y se necesitaba un equipo especializado para configurar un sitio web. Luego surgieron cosas como Django, Rails, etc., que facilitaron la construcción de sitios web pero que aún resultaba difícil servirlos. Estamos más o menos en este punto en el que construir los modelos es fácil pero aún es desafiante servirlos de manera confiable, monitorearlos de manera confiable, etc. Creo que en los próximos años la barrera de entrada va a bajar MUCHO aquí y básicamente cualquier estudiante de secundaria podría implementar un transformador profundo en alguna infraestructura en la nube y comenzar a servir resultados útiles a la población en general. Esto es realmente emocionante porque significa que veremos cada vez más innovación tangible, al igual que la explosión de servicios en línea. ¡Tantas cosas geniales!
Eric Golinko – Director de Aprendizaje Automático en E Source
Antecedentes: Profesional de datos experimentado y constructor de equipos. He trabajado en muchas industrias en empresas de diferentes tamaños. Soy un solucionador de problemas, con formación en matemáticas e informática. Pero, sobre todo, valoro las relaciones, la familia, los perros, los viajes y la pizza.
Dato curioso: ¡A Eric le encantan los nachos!
E Source: Proporciona inteligencia de mercado independiente, consultoría y ciencia de datos predictiva a empresas de servicios públicos, grandes consumidores de energía y otros actores clave en el mercado minorista de energía.
1. ¿Cómo ha tenido un impacto positivo el ML en la industria de energía/servicios públicos?
Acceso a información empresarial. Siempre que se disponga de buenos datos. Las empresas de servicios públicos tienen muchas relaciones de datos dentro de su cartera de datos, desde clientes hasta dispositivos, más específicamente, esto se refiere a los montos de facturación mensuales y la inscripción en programas de ahorro de energía. Datos como esos podrían almacenarse en una base de datos relacional, mientras que los datos de dispositivos o activos son como las piezas de maquinaria que conforman nuestra red. Establecer vínculos entre esos tipos de datos no es trivial.
Además, los datos de terceros espaciales/gis y meteorológicos son extremadamente importantes. A través de la lente del aprendizaje automático, somos capaces de encontrar y explorar características y resultados que tienen un impacto real.
2. ¿Cuáles son los mayores desafíos de ML en las empresas de servicios públicos?
Hay una desmitificación que debe ocurrir. Lo que el aprendizaje automático puede hacer y dónde debe ser monitoreado o podría quedarse corto. La industria de servicios públicos ha establecido formas de operar, el aprendizaje automático puede ser percibido como un disruptor. Debido a esto, los departamentos pueden ser lentos para adoptar cualquier nueva tecnología o paradigma. Sin embargo, si el profesional es capaz de demostrar resultados, entonces los resultados generan tracción y un mayor interés por adoptar. Los desafíos adicionales son los datos locales y el acceso a la nube e infraestructura. Es un proceso gradual y tiene una curva de aprendizaje que requiere paciencia.
3. ¿Cuál es un error común que ves que la gente comete al intentar integrar el ML en las empresas de servicios públicos?
No es exclusivo de las empresas de servicios públicos, pero avanzar demasiado rápido y descuidar la calidad de los datos y las simples comprobaciones de calidad. Además de esto, el aprendizaje automático se practica entre muchos grupos de alguna manera directa o indirecta. Un desafío es integrar las mejores prácticas de desarrollo en los equipos. Esto también implica el seguimiento del modelo y la capacidad de persistir experimentos y descubrimientos continuos.
4. ¿Qué es lo que más te emociona del futuro del ML?
He estado haciendo esto durante más de una década y de alguna manera todavía me siento como un novato. Me siento afortunado de haber formado parte de equipos en los que sería afortunado de ser llamado el miembro promedio. Mi sensación es que los próximos diez años y más se centrarán más en la ingeniería de datos para cubrir un número aún mayor de casos de uso mediante el aprendizaje automático.
🤗 Gracias por acompañarnos en esta primera entrega de Perspectivas del Director de ML. Estén atentos para más ideas de los Directores de ML en SaaS, Finanzas y Comercio Electrónico.
Un gran agradecimiento a Eric Golinko, Nicolas Bertagnolli, Nathan Cahill, Alina Zare, Li Tan y Archi Mitra por sus brillantes ideas y participación en esta pieza. Esperamos con ansias ver cada uno de sus continuos éxitos y los apoyaremos en cada paso del camino. 🎉
Por último, si usted o su equipo están interesados en acelerar su hoja de ruta de ML con los Expertos de Hugging Face, visite hf.co/support para obtener más información.
