En medio del auge que embelesa a los gigantes tecnológicos, con la inteligencia sintético convertida en el nuevo tótem de la innovación, quizá hayan pasado desapercibidas para el global de los mortales las palabras del consiliario delegado de LinkedIn, Ryan Roslansky: “Los mejores trabajos ya no pertenecerán a quienes tengan los títulos más prestigiosos, sino a quienes sean adaptables, con visión de futuro y dispuestos a aprender y adoptar nuevas herramientas tecnológicas”.. Seguir leyendo
La irrupción de la inteligencia sintético ha disparado la demanda de trabajadores capaces de entenderla y aplicarla, aunque no todos necesitan convertirse en ingenieros
Feed MRSS-S Noticias
En medio del auge que embelesa a los gigantes tecnológicos, con la inteligencia sintético convertida en el nuevo tótem de la innovación, quizá hayan pasado desapercibidas para el global de los mortales las palabras del consiliario delegado de LinkedIn, Ryan Roslansky: “Los mejores trabajos ya no pertenecerán a quienes tengan los títulos más prestigiosos, sino a quienes sean adaptables, con visión de futuro y dispuestos a aprender y adoptar nuevas herramientas tecnológicas”.. Un mensaje tan animador como inquietante. Según datos de la propia compañía, cerca del 70% de las ofertas publicadas en su portal de empleo ya exige conocimientos en inteligencia sintético (IA). Pero, ¿qué hay que hacer para convertirse en uno de esos perfiles más demandados? ¿Qué tan difícil es obtener a ser un práctico en inteligencia sintético? Y, más importante aún, ¿existe una vía que no exija cambiar de sector por completo?. La primera pregunta que surge carencia más proponer la cuestión es: ¿por dónde se empieza a estudiar? El punto de partida para quienes se inician en IA suele ser el disección de datos y los conocimientos informáticos relacionados con el procesamiento de información, que permiten a los ordenadores cultivarse de los datos y tomar decisiones. No menos importante son las nociones básicas de matemáticas, especialmente de estadística y álgebra seguido, que constituyen la pulvínulo de un parada porcentaje de algoritmos de inteligencia sintético.. En el segundo escalafón de la pirámide se requiere, según Enrique Serrano, presidente de la Comisión de Inteligencia Artificial y Big Data de AMETIC, tener unos conocimientos mínimos en idioma de programación, poniendo específico pedantería en Python, pegado con librerías como NumPy y Pandas para manipulación y disección de datos, y frameworks como TensorFlow o PyTorch, que son conjuntos de herramientas ya preparadas que facilitan construir y entrenar modelos de inteligencia sintético sin tener que programar todo desde cero. “Si alguien va de experto y no se maneja en NumPy, Pandas… pues es raro. Al final, en un proyecto de esta índole, solo el 15-20% es IA, el 80% es preparación de los datos”, asevera.. Una vez adquiridos los conocimientos esenciales, estos se complementan con otras dos áreas: machine learning y deep learning. En palabras sencillas, el machine learning permite a las máquinas cultivarse de los datos para hacer predicciones o clasificaciones, mientras que el deep learning utiliza redes neuronales artificiales, que se asemejan al funcionamiento de las neuronas, para detectar patrones complejos en grandes cantidades de datos. Esto hace posibles aplicaciones como el agradecimiento de imágenes, el procesamiento de idioma o los asistentes virtuales.. Serrano añade que manejar herramientas como GitHub, una plataforma para tramitar y colaborar en proyectos de código, o propagar trabajos en Kaggle, una comunidad para practicar con bases de datos y participar en competiciones de ciencia de datos, demuestra que el profesional puede aplicar estas tecnologías en proyectos reales y consumir de modo praxis la IA.. Con todo ello se dibuja el perfil de lo que se podría considerar un práctico en IA: un represión habitual entre recién graduados y profesionales formados en ingeniería informática, computacional o ramas afines. Para José Varela Ferrío, responsable de IA y digitalización en UGT, este perfil técnico —a menudo identificado como data scientist o ingeniero de datos (data engineer)— se corresponde con quienes tienen, según sus palabras, un “control sobre las principales herramientas de IA en el mercado”. Sin bloqueo, hay una segunda vía que resulta más accesible para aquellos trabajadores que quieran dar un rotación de 180 grados en su trayectoria gremial y que no requiere un nivel técnico tan elevado: especializarse en inteligencia sintético internamente de su propio sector.. El camino de la IA más allá del nivel técnico. El mercado siquiera necesita que todos los profesionales sean ingenieros o científicos de IA. En la ahora coexisten dos caminos claramente diferenciados para penetrar en este campo, y cada uno ofrece fortalezas y limitaciones distintas. El primer perfil es el del práctico técnico, cualquiera con un conocimiento amplio de modelos, algoritmos y despliegues. En teoría, debería poder aplicar la IA en casi cualquier sector. Pero esa amplitud tiene un término evidente: sin entender el negocio concreto —el derecho, la medicina o la provisión— su capacidad para especificar aceptablemente los requisitos o interpretar el impacto auténtico de un maniquí es pequeño. “Tiene muchísimos conocimientos generales, pero va a tener más dificultades para entender cuáles son los requisitos del negocio”, señala Varela.Las empresas no buscan modelos más complejos, sino soluciones más enseres, y por ello el conocimiento del negocio pesa cada vez más.. En la otra cara de la moneda está el profesional que domina un sector concreto —por ejemplo, un abogado capaz de automatizar la revisión de contratos— y decide complementar su formación con un máster o módulo de inteligencia sintético. En este caso, la fortaleza está en la hibridación: no será un práctico en IA, pero sí cualquiera capaz de introducirla con sentido internamente de su competencia. La desventaja es que ese conocimiento es menos transferible a otros sectores. En este punto, Varela recalca que “usar una IA generativa (ChatGPT o Gemini) no tiene nada que ver con saber desplegar un sistema de IA dentro de una empresa, con todas sus implicaciones técnicas, éticas y operativas”.. “Antes quizás se quería tener un experto en inteligencia artificial que supiera algo de marketing. Ahora lo que se busca es un experto en marketing que sepa algo de IA. Por ello, te va a ser mucho más rentable especializarte en tu sector con un toque de IA, que no especializarte en IA con todos los conocimientos técnicos que requieren”, indica Rubén Nicolás Sans, director de la Escuela Superior de Ingeniería, Ciencia y Tecnología en UNIE Universidad.. Las capacidades humanas, claves. Queda claro que picar código, depurar datos o enfrentarse al quebradero de cabecera de crear modelos predictivos con los que un chatbot responda dudas y preguntas de los usuarios es rudimentario para considerarse un doble en IA. Pero no son los únicos requisitos. Lejos de la programación, hay otras aptitudes igual de relevantes, según los expertos consultados por CincoDías. Y si hubiera que destacar una por encima del resto, sería la capacidad analítica. “En un entorno tan cambiante, el camino más seguro no es la hiperespecialización, sino desarrollar las capacidades que permanecen estables a lo largo del tiempo: comprender los fundamentos de la tecnología, aprender rápido, ejercer juicio, imaginar nuevos usos y liderar transformaciones dentro de las organizaciones”, esclarece Boris Walbaum, fundador de Forward College, una institución de educación superior que ofrece licenciaturas de la Universidad de Londres.. Es proponer, que la técnica no lo es todo. Walbaum subraya la importancia de las habilidades humanas como competencias que permiten a los profesionales seguir siendo relevantes, más allá de dominar una utensilio concreta. “Lo que marca realmente la diferencia es la capacidad de entender qué estás tratando de resolver, analizar una situación, cuestionar supuestos y trabajar con otros para convertir una idea en algo funcional”, sostiene.. A esto se suma la capacidad comunicativa. Para Varela, un perfil puede ser brillante técnicamente, pero si no es capaz de explicar el propósito del tesina, terminará eclipsado: “Si en una reunión no eres capaz de explicar qué has hecho, por qué lo has hecho y con qué finalidad presentas el proyecto, acabas teniendo un problema. En cambio, hay personas con menos productividad técnica que destacan porque comunican muy bien lo que hacen y por qué lo hacen”.. Por postrer, a razón de varios expertos, la ética en el uso de la inteligencia sintético es otro aspecto a tener en cuenta. “Observamos a muchos especialistas que saben diseñar IA para tomar decisiones sobre despidos o ayudas públicas y no tienen ni idea de derechos fundamentales. Es terrible”, alerta Varela. En la misma itinerario, Sans recuerda que es imprescindible ser conscientes de cómo utilizar esta nueva tecnología, cuándo acudir a ella y cómo consumir sus herramientas de modo adecuada, siempre cuestionando las respuestas que ofrecen.. El camino ideal. Una vez clara la dualidad que emerge en el sector —entre el perfil puramente técnico de ingeniero y el profesional que aplica la IA en su radio— y las capacidades que demandan las empresas, surge una última cuestión: ¿cuál es el camino ideal para convertirse en práctico? La respuesta es, cuanto menos, difusa y no exenta de matices. Sin bloqueo, hay un punto en global: la formación, ya sea a través de un graduación universitario, un curso de empresa o un máster, siempre con el objetivo de familiarizarse con la edificación de la IA. Y aún mejor es combinarla con una especialización en un radio concreta.. Y una vez formado, es importante entender que la IA no reemplaza por completo un trabajo, sino que lo potencia. Automatizar un proceso está aceptablemente, pero lo fundamental es comprender qué hace cada proceso, por qué se hace así y cómo se integra en el contexto de un trabajo. “Hay que aprender las cuestiones básicas, porque es muy difícil realizar un análisis contable si no conoces las normas mínimas de contabilidad. Pensar que la IA solo consiste en aprender sobre IA es vivir de espaldas al mundo”, plantea Varela.. Como advierte Walbaum, en medio de la obsesión por la IA, apuntar a convertirse en un práctico categórico es un objetivo errado: “Un camino más realista es construir fundamentos conceptuales sólidos, cultivar la imaginación, aprender a trabajar con herramientas de IA y pasar tiempo suficiente en organizaciones reales para entender cómo ocurre el cambio”. Porque al fin y al extremo, la tecnología cambiará, los modelos asimismo y lo que hoy parece imprescindible, mañana será secundario. Lo único que permanece es la capacidad humana de interpretar, lanzarse y dar sentido. Y quizá el mercado acabe pidiendo más humanidad y menos máquinas.
