Mas leido
Building Stories
NuStories: Adaptación de productos para clientes fanáticos en varios países Oct 30
Building Stories
De una Pequeña Casa a una Empresa de capital abierto Oct 25
Analytics Engineering
Reinventando la auditoría interna adoptando la tecnología Sep 25
Carreras
Reunimos a grandes mentes de diversos orígenes que permiten la discusión y el debate y mejoran la resolución de problemas.
Conoce más sobre nuestras carreras
A medida que se llenaban las sillas grises en el colorido auditorio de la sede 1 de Nubank en São Paulo, se iba construyendo un hermoso escenario: una presencia compuesta casi en su totalidad por mujeres.
Y no sólo en el público, sino también en puestos destacados como ponentes y organizadores que hicieron posible el evento Women in Artificial Intelligence (MIA es el acrónimo en Español) esta vez en formato híbrido.
MIA es un grupo nacido de la reunión de embajadoras de Women in Data Science (WiDS) en Río de Janeiro y São Paulo, cuya misión es desarrollar y fomentar una comunidad global que empodere a las mujeres a través del intercambio de conocimientos en IA, así como la realización de labores de mentoría.
El evento contó con conferencias sobre gestión de personas, con Diandra Kubo, Gerente de Ciencia de Datos de Nubank; evolución de Modelos de Lenguajes Grandes (LLMs), con Mirelle C. Bueno, Investigadora en Procesamiento del Lenguaje Natural del Instituto de Pesquisa Eldorado; y oportunidades y riesgos de la IA generativa, con Kizzy Terra, Socio Fundador del grupo Programação Dinâmica.
¿Quieres saber todo lo que sucedió en el evento y entender las discusiones en las tres conferencias? ¡Sigue leyendo!
Navegando por la transición: El viaje de Diandra Kubo de Científica de Datos a Gerente de Personas en Nubank
Eligiendo el camino de la Gestión de Personas
Diandra Kubo, Gerente de Ciencia de Datos de Nubank, abrió su charla analizando una encrucijada crítica a la que se enfrentan muchos profesionales senior de Ciencia de Datos: ¿Deberían permanecer como especialistas técnicos o pasar a una función de gestión de personas?
Nubank adopta Y planes de desarrollo profesional… los profesionales deben optar por seguir el camino de un especialista o el de la gestión de personas.
La idea de la charla surgió de un texto escrito por Matheus Facure, Científico de Datos de Plantilla de Nubank, que no se identificaba con una carrera en gestión. Diandra, por su parte, se reencontró en la gestión de personas y aportó otra perspectiva.
Ella confesó sus dudas iniciales:
Sin embargo, después de una introspección, se dio cuenta de su capacidad para ser una profesional multifacética y de que aún podía ser profundamente técnica al gestionar personas. Decidió aceptar el desafío y asumir su rol como gerente de ciencia de datos.
Desafíos en la transición
Diandra compartió con franqueza los desafíos que enfrentó en su nuevo rol. Destacó la importancia de:
Herramientas para el éxito en la Gestión de Personas
Diandra destacó estrategias y herramientas clave que han sido fundamentales en su viaje:
Disparidad de género en la ciencia de datos
Para concluir, Diandra abordó un tema pertinente: la necesidad de más mujeres en roles de liderazgo en Ciencia de Datos.
A las profesionales a menudo se les pide que hagan cosas que nunca se considerarían parte del ámbito de trabajo de un hombre.
Hizo hincapié en el desafortunado estereotipo que enfrentan las mujeres y la necesidad de un cambio en la industria.
Preguntas y Respuestas de la Audiencia
En la sesión interactiva de preguntas y respuestas, Diandra compartió que la naturaleza inherentemente técnica de Nubank facilitó el equilibrio de su función técnica con sus deberes gerenciales.
Trabajar en Nubank es un privilegio, porque es un lugar técnico… incluso cuando no escribe código, sigue siendo muy técnica en su trabajo.
Cuando se le preguntó sobre el proceso de contratación inclusivo de Nubank, enfatizó:
Nubank no filtra ninguna universidad, título o institución educativa en sus procesos de selección. Los procesos están diseñados para evaluar basándose únicamente en el proceso, y no en los antecedentes académicos.
La charla de Diandra Kubo no solo ofreció ideas valiosas para quienes se encuentran en la cúspide de una transición profesional, sino que también arrojó luz sobre cuestiones importantes de la industria.
Descubre las oportunidades
Una breve historia de los modelos de lenguaje grande (LLMs) con Mirelle C. Bueno
Mirelle Candida Bueno, una destacada investigadora en PNL, brindó información sobre los principios fundamentales de los Modelos de Lenguajes Grandes (LLMs). Ella enfatizó:
Todo lo que hay detrás [ChatGPT] ya estaba en su lugar. Lo que faltaba era organizar todo en una interfaz agradable.
Remontándose a más de 50 años de historia, destacó que la tecnología subyacente, a pesar de parecer reciente, tiene profundas raíces históricas.
La esencia de los Modelos de Lenguaje
Los modelos de lenguaje natural operan con la idea central de predecir la siguiente palabra en una oración basándose en el contexto anterior. Un concepto aparentemente sencillo, pero que tardó hasta 2013 en funcionar de forma eficaz. Ella describe estos modelos como un “juego de dados” donde las predicciones están condicionadas por el contexto y el conocimiento acumulado.
Los primeros modelos
El objetivo de los primeros modelos lingüísticos era automatizar el análisis probabilístico. Su intención era evaluar los errores e imponer sanciones. La evolución desde modelos probabilísticos simples hasta los sistemas automatizados actuales ha sido larga y ha estado marcada por hitos importantes.
Mirelle utilizó una representación 2D para dilucidar la arquitectura de estos modelos. Esta visualización destacó cómo palabras similares residen en el mismo plano latente, mientras que contextos distintos están más alejados.
La era Bi-LSTM y ELMO
En 2016 se produjo el aumento del aprendizaje profundo que catalizó el desarrollo de los modelos Bi-LSTM y ELMO. Estos modelos sobresalieron en discernir el contenido más pertinente contextualmente. Sin embargo, Mirelle señaló que “nunca se volvieron extraordinarios” debido a sus problemas de pérdida de memoria y dificultades para afinar.
La revolución de los Transformadores
El término ″Transformers″, en el mundo del Deep Learning, pertenece a una arquitectura innovadora introducida en 2017. A diferencia de sus homólogos cinematográficos, estos Transformers han transformado la forma en que pensamos sobre los LLM.
Esta arquitectura, que consta de dos capas, una para codificar texto en vectores y otra para generar texto, introdujo el mecanismo de atención fundamental. Esto aseguró que incluso los comandos largos conservaran el contexto, solucionando el problema de pérdida de memoria presente en modelos anteriores.
Auge de los modelos GPT y BERT
GPT (Transformador generativo preentrenado) hizo su debut en 2017. A pesar de sus humildes comienzos, su principio de diseño persiste en sus sucesores como GPT-3.5 y GPT-4.
En 2018 se introdujo BERT, un modelo conocido por predecir partes enmascaradas de oraciones. Mirelle destacó su eficiencia y afirmó que no requiere muchos datos para el entrenamiento a diferencia de sus homólogos GPT.
Los LLMs modernos y sus implicaciones
Mirelle expresó su preocupación por el hecho de que los modelos contemporáneos como GPT-3 y GPT-4 se vuelvan cada vez más propietarios.
Sin embargo, también destacó otros LLMs dignos de mención:
Pensamientos Concluyentes
Mirelle concluyó destacando la importancia de la apertura en la investigación del LLM. Para aquellos interesados en profundizar en el ámbito de los LLMs, recomendó cursos integrales en instituciones como Stanford y plataformas como Coursera.
Oportunidades y riesgos de la IA Generativa: conocimientos de Kizzy Terra
La conferencia de Kizzy Terra en MIA 2023 se sumergió en la ética, los riesgos y las oportunidades que rodean el campo emergente de la IA Generativa. Trazando paralelismos con innovaciones históricas y planteando preguntas críticas, Terra exploró el potencial impacto transformador de esta tecnología en la sociedad.
El lugar de la IA en la historia
Basándose en el pasado, Terra comparó el surgimiento de la inteligencia artificial con la Imprenta de Gutenberg de 1430. Esta comparación subrayó el potencial de la IA para ser tan disruptiva como la prensa que hizo que los libros y documentos fueran ampliamente accesibles.
La inteligencia artificial es tan disruptiva como la imprenta.
Oportunidades de la IA Generativa
1. Consumiendo nuevas aplicaciones
La IA generativa ha dado origen a una gran cantidad de aplicaciones como ChatGPT y Midjourney. Terra destacó los debates académicos en curso sobre el uso de la IA en la producción de artículos académicos.
No se trata de ignorar el uso desenfrenado de la IA, sino de tener debates técnicos para definir la mejor manera de utilizarla.
2. Creando nuevas aplicaciones
Con la disponibilidad de API públicas de modelos de lenguaje grandes, existe una oportunidad para que los innovadores creen herramientas que aumenten la accesibilidad, como modelos avanzados de visión por computadora.
3. Construyendo el futuro
Al alentar a la audiencia a contribuir activamente a la narrativa de la IA, Terra instó:
No se trata de resolver problemas colectivos de manera individual, sino de buscar que la comunidad tome esa decisión.
4. Futuro del trabajo
Las habilidades sociales como la creatividad, la originalidad y el pensamiento crítico dominarán el futuro, haciéndose eco de los sentimientos del Foro Económico Mundial.
Para Terra, muchas personas no parecen darse cuenta de que la decisión de sustituir a los humanos por máquinas no la tomarán las máquinas, sino otras personas. Sin embargo, diferenciarse desarrollando habilidades blandas es una forma de evitar ser reemplazado como profesional.
Riesgos de la IA generativa
1. Opacidad y sesgos discriminatorios
Haciéndose eco de las preocupaciones planteadas por Mirelle C. Bueno, Terra analizó los peligros de la opacidad en los modelos de IA y destacó el potencial de sesgos y prácticas discriminatorias.
2. Impacto ambiental, costos y violaciones de derechos
La IA generativa conlleva una gran huella ecológica. Utilizando el ejemplo de GPT-5, Terra cuestionó las motivaciones detrás de inversiones masivas en IA:
¿Qué empresa invertiría esa cantidad de dinero sin obtener nada a cambio?
También enfatizó los dilemas éticos al señalar que nuestra sociedad actual gasta 700,000 dólares al día en una máquina y sólo 2 en seres humanos, refiriéndose al costo diario de las GPU de GPT y al pago de solo 2 USD por día para los trabajadores kenianos que participaron en la capacitación LLM.
3. Modulación de intereses y gustos.
No se puede ignorar la influencia de las IA generativas en nuestras preferencias e intereses. Estas herramientas, con sus objetivos ocultos, plantean riesgos.
Más preguntas que respuestas
La conferencia de Terra concluyó con un segmento que invita a la reflexión y que cuestiona la proliferación desenfrenada de la IA en nuestras vidas:
¿Deberíamos permitir que estas máquinas inunden nuestros canales de información con propaganda y falsedades?
Respaldando las preocupaciones planteadas por líderes tecnológicos como Elon Musk, desafió la autoridad incontrolada de magnates tecnológicos no electos:
Para ella, estas decisiones no pueden delegarse en líderes no electos del sector tecnológico cuya autoridad proviene únicamente de su poder adquisitivo.
¿Es realmente inevitable la adopción de la inteligencia artificial a estas alturas? ¿Y representa necesariamente un progreso para nuestra sociedad? ¿Hay algo realmente que valga la pena en nombre de la productividad?
Quizás todavía no tengamos las respuestas a todas estas preguntas. Pero sin duda, mentes como la de Kizzy Terra pueden ayudarnos a encontrarlos en un futuro próximo.
Conclusión
El encuentro MIA 2023 fue una iniciativa patrocinada por Nubank. Aquí, la presencia de mujeres es indispensable si queremos plantear las grandes preguntas, no sólo en la IA generativa, sino en todos los asuntos relacionados con los ecosistemas tecnológico y financiero.
Si quieres contribuir a esta discusión, únete a nosotros. ¡Nubank tiene ofertas de trabajo para mujeres en ciencia de datos!
Descubre las oportunidades