Hacia Afuera con Omar Espejel

Disclaimers: Daniel habla personalmente y no representando a ninguna empresa o institución de ninguna manera. Toda la información aquí descrita es nuestra interpretación y no necesariamente lo que Daniel quiso decir. Daniel trabaja en expandir la descentralización en el campo de la genómica. Lleva más de cinco años en el mundo blockchain y está innovando en hacer que las personas gobiernen sus datos. Es CEO y cofundador de Genobank, un empresa que ofrece una solución web3 para administrar datos de genómica. Utilizan el blockchain para almacenar digitalmente los datos de pacientes en una billetera y ellos mismos puedan decidir con quién y qué datos comparten de manera anónima. Los datos de tu ADN pueden ser compartidos con investigadores para avanzar la ciencia, solo si así tú lo deseas. Estudió su MBA en el IPADE en la Ciudad de México. Es además un emprendedor serial e inversionista ángel en startups de blockchain. Twitter: @duribeb @genobank_io Temas que le han interesado recientemente: -Congelamiento de las cuentas de banco por parte del gobierno canadiense a movimientos de protesta de camioneros por rehusarse a la vacunación obligatoria contra el Covid-19 en Canadá. -Legalización del Bitcoin en Ucrania. Es el segundo país en el mundo además de El Salvador en declarar la legalización. -Las DAOs (Organización Autónoma Descentralizada) en ciencia para temas de envejecimiento. -Bitcoin es la primera moneda hecha por ciudadanos para ciudadanos. Esta frase viene inspirada de los 70s con el sistema operativo UNIX. Sobre genómica: -GenoBank tiene parte privada y parte open source. Los contratos inteligentes que emplean están basados en ERC721, ERC1155 y el nuevo estándar ERC2477. -Un ERC es un Ethereum Request for Comments. Consiste en enviar un mensaje a la comunidad compuesto por 4 fases: 1) propuesta de la idea, 2) justificación, 3) pilotos y 4) publicación de ERC como parte del ecosistema Ethereum. -EL ERC721 es no fungible y muy usado. Tiene la vulnerabilidad de que se puede cambiar fácilmente la metadata y el activo digital al que está apuntando. Impulsó el movimiento del ERC2477 que protege la integridad de los metadatos. -Para que el consumidor pueda obtener sus datos genéticos puede contratar a alguna de las empresas que presta el servicio, comprar un kit de saliva de alrededor de 2 ml y enviarlo al laboratorio. El resultado permite ubicar a las personas en diferentes contextos como la predisposición a la diabetes o al alzheimer. Sobre GenoBank: -GenoBank busca ser una red descentralizada de permisos de uso sobre datos genéticos basados en leyes de privacidad locales. -Su primer token permite tener control sobre el uso de datos que solo el dueño de la wallet puede revocar. -Este token busca que 1) los datos sean del consumidor y 2) que el token sea el permiso de uso de los datos sujetos a leyes de privacidad. -El usuario puede revocar sus datos. En California se creó la ley SB41 aplicada a empresas que tratan con datos genéticos. Los usuarios tienen 4 derechos: 1) derecho a saber qué tipo de datos tienen, 2) derecho a editar los datos, 3) derecho a la portabilidad y 4) derecho al olvido. -Cuando se revoca el token la empresa debe dar un aviso criptográficamente firmado donde se le garantiza al usuario que sus datos fueron borrados. -En GenoBank el usuario firma un contrato inteligente donde asegura a la empresa como custodio sin el derecho de vender los datos o de transferirlo a otras entidades. Es una relación más transparente. -Si la genómica sigue avanzando el acervo de información debe pertenecer a la familia y debe ser información descentralizada. GenoBank busca esto en el futuro.

Disclaimers: *Ricardo habla personalmente y no representando a ninguna empresa o institución de ninguna manera. Toda la información aquí descrita es mi interpretación y no necesariamente lo que Ricardo quiso decir. No estamos recomendando invertir en Avalanche. Ricardo Oruka trabaja en Avalanche (AVAX) como Business Developer para América Latina. Avalanche es una una plataforma de desarrollo de smart contracts. Desde 2021 es uno de los proyectos más relevantes en la Web3. Fue creada por Emin Gün Sirer (@el33th4xor), ex profesor de la Universidad de Cornell. Está ganando fuerza en todo el mundo pero en particular en LATAM con el gran trabajo que está haciendo Ricardo y su equipo. Avalanche busca solucionar los altos costos de hacer transacciones, por ejemplo, en la Layer 1 de Ethereum. Ricardo es un ejemplo de la meritocracia en Avalanche. Comenzó colaborando sin ser una persona reconocida en el mundo del blockchain. Actualmente es el punto de contacto #1 en América Latina para las personas que quieren formar parte del ecosistema Avalanche. Su historia es clave para comprender cómo funciona laboralmente el mundo de la Web3 y las oportunidades que se están generando. Twitter: @RicardOruka @avalancheavax Talentos que han llevado a Ricardo al éxito: - No tenerle miedo al éxito. - La suerte siempre te encuentra trabajando. - Rodéate de personas que ganen y que les guste ver a los demás ganar. ¿Cómo comenzó Ricardo en el mundo del blockchain? - Ricardo es economista. En 2015 se incorporó al IPAB (Instituto para la Protección al Ahorro Bancario) y colaboró en temas de mejores prácticas en seguros de depósitos a nivel global. Allí fue cuando comenzó a relacionarse con el ecosistema Bitcoin. - En 2017 comenzó a colaborar y a participar en comunidades en Telegram. Luego se asoció con unos amigos e hicieron una consultora blockchain orientada a la educación. - En septiembre de 2019 se fue a Holanda y vio por Telegram la noticia de que el profesor Emin Gün Sirer de la Universidad Cornell iba a sacar su propia blockchain con una visión diferente. Se postuló cuando eran solo 500 personas en el grupo de Telegram. Actualmente son 60.000 miembros aproximadamente en este grupo. - En este tipo de iniciativas blockchain no vale tanto tu curriculum o tus credenciales. Vale lo que demuestras trabajando y colaborando. Recursos y documentación que pueden ayudar a los desarrolladores: - La documentación, con valiosos tutoriales, la pueden encontrar en docs.avax.network - También está el GitHub. Es github.com/ava-labs. - Si tienen dudas muy específicas está el Discord: chat.avax.network. - Si tienen dudas menos complejas está el telegram: avalanche_es. - En Avalanche no hay un proceso de contratación formal donde te piden tu CV y te hacen una entrevista, son muy escasos esos procesos. Se busca personas que siempre estén colaborando y que acorten los procesos. - Los CVs están siendo sustituidos por (1) NFTs que reflejan tu participación en eventos; y (2) las redes sociales. - Nos estamos moviendo a un mercado laboral diferente. Lo más importante es colaborar y aprender. Ricardo nos cuenta todo para que conozcamos Avalanche: - Las razones por las que tiene bajos costos, rapidez, seguridad. Todo manteniendo la descentralización. - Las subnets y cómo buscan solucionar la escalabilidad. - Cómo Avalanche es compatible con todas las herramientas en Ethereum como Metamask, Solidity, etc.

*Juan habla no representando a ninguna institución en particular. *Toda la información aquí descrita es mi interpretación y no necesariamente lo que Juan quiso decir. Juan Manuel es candidato a doctorado en el laboratorio de Inteligencia Artificial aplicada en el Instituto de Ciencias de Computación en la Universidad de Buenos Aires (UBA). Fue docente en la UBA en el área de ciencias exactas. Es especialista en procesamiento de lenguaje natural (NLP). Entre sus creaciones más interesantes está en modelo Robertuito que ha sido un éxito en @huggingface. Twitter: @perezjotaeme Link a Robertuito ¿Qué se necesita para hacer un post doctorado y por qué es bueno hacerlo? Primero se necesita haber hecho un doctorado. La idea de un post doctorado es proponer un proyecto de investigación que aporte significativamente a un área en específico. En este caso al procesamiento de lenguaje natural. ¿De qué trata el modelo Robertuito? Robertuito comenzó como una tesis de licenciatura sobre discurso de odio en las redes sociales. La idea fue desarrollar una librería en español centrada en tareas de análisis de opinión, sentimientos emociones y discursos de odio que fuera una herramienta para la comunidad. La librería se llamó PySentimiento. A finales de 2018 salió a la luz BERT, un gran logro en el área NLP. Este modelo fue entrenado en muchas áreas en idioma inglés. En español no se tiene la misma cantidad de recursos. Es por ello que decidió entrenar un modelo desde 0 y en español sobre textos de twitter. Fue hecho para generar herramientas que posibiliten a científicos sociales que no manejen Python realizar preguntas a Twitter en español. Robertuito puede emplearse para clasificar el sentimiento o lenguaje de odio de los tweets. Recomendaciones para hispanohablantes que quieren aprender NLP: Estudiar constantemente. Tener tolerancia a la frustración porque el campo del NLP es un área muy compleja. Aprender frameworks como Pytorch. En Coursera y Hugging Face pueden encontrar material muy bueno y accesible. Aprender mucha matemática y estadística. Son herramientas complejas pero importantes dentro del NLP.

Disclaimers: *José no representa a la Universidad de Cardiff. Toda la información aquí descrita es mi interpretación y no necesariamente lo que José quiso decir. José es uno de los mayores expertos en Procesamiento del Lenguaje Natural (NLP). Es lecturer en la School of Computer Science and Informatics de la Universidad de Cardiff donde lidera el grupo NLP de Cardiff. Es co autor del libro "Embeddings in Natural Language Processing: Theory and Advances in Vector Representations of Meaning" (Dic, 2020). Desde 2021 es fellow del UK Research and Innovation (UKRI), un programa que apoya a innovadores e investigadores en el Reino Unido. Antes estuvo en Google AI como fellow doctoral y participó en el proyecto FLEXILOG, un ambicioso proyecto del para desarrollar el NLP por parte del Consejo Europeo de Investigación. Es un International Master en Ajedrez. Twitter: @CamachoCollados Link a modelos: https://huggingface.co/cardiffnlp Habilidades clave que han llevado a José al éxito: - Motivación por lo que hace. - Colaboración. El trabajo en equipo ha sido un aspecto fundamental para su crecimiento. Temas que ha pensado últimamente: - El ajedrez. Considera que el ajedrez ha tenido una influencia positiva en su profesión. La IA y el ajedrez han ido de la mano desde hace más de 20 años. - Considera que en ML además de los modelos los datos también son importantes. Si los datos no son de calidad, los modelos presentarán errores. - Los idiomas también juegan un papel importante en el mundo de la IA. El español ha tomado más fuerza y se ha conectado más con el ML. Los embeddings: - El embedding es un vector de números que representa algo. Es una combinación de números fácil de procesar. - El embedding funciona de una manera muy peculiar. Todas las palabras o frases que tengan el mismo contexto los asocia como similares. - Por ejemplo, si tenemos las palabras “pantera” y “tigre” los embeddings de cada una de ellas estarían relacionados entre ellos. En el caso de las palabras “pantera” y “perro” los embeddings no tendrían una asociación tan cercana. El futuro de los embeddings: - Actualmente se está trabajando en crear modelos más dinámicos que sepan los contextos actuales como el Covid-19. - Se necesita que el modelo conozca el espacio temporal. Que sepa interpretar imágenes además de texto. -  En un futuro es probable que los modelos puedan leer y escuchar el lenguaje humano para entender los contextos. Modelo Twitter Roberta Base Sentiment: - El modelo clasifica los tweets o una frase corta para analizar su sentimiento: si es negativo, positivo o neutro. Se puede analizar la opinión de los usuarios en distintos contextos como el político. - Este modelo llegó a estar en el # 1 de los más descargados en @huggingface. Fue publicado a finales de 2020 y es utilizado por grandes empresas. - Está basado en ROBERTA y luego especializado al campo de las redes sociales. - Su éxito radica en su aplicabilidad. Consejos para hispanohablantes que quieren trabajar en reconocidos institutos: - Motivación y pasión por hacer las cosas. - Compartir lo que vayas haciendo. Puedes escribir artículos de blog. - Buscar tutoriales e información online. - Trabajar en equipo. Colaborar con personas interesadas en el mismo campo. Herramientas para aprender NLP: - Comenzar utilizando Python. - Emplear frameworks como Pytorch o Tensorflow. - Aprender a usar Hugging Face.

Haritz habla personalmente y no representando a ninguna empresa o institución de ninguna manera. Toda la información aquí descrita es mi interpretación y no necesariamente lo que Haritz quiso decir. Haritz es investigador ciéntifico en el Ubiquitous Knowledge Processing (UKP) Lab en la TU Darmstadt. Fundado en 2009, el UKP es uno de los centros más importantes de investigación en procesamiento del lenguaje natural del mundo. El trabajo de Haritz se ha enfocado en Question Answering, es decir, algoritmos que sirven para contestar preguntas, generar preguntas y graph neural networks. Hizo su maestría en el Korea Advanced Institute of Science and Technology (KAIST) donde también trabajó en el laboratorio de Information Retrieval (IR) and Natural Language Processing (NLP). Twitters: @HaritzPuerto @UKPLab Material recomendado por Haritz: - Introduccion a QA por Stanford. - NLP con Deep Learning por Stanford. - Illustrated Transformer por Jay Alammar. - Illustrated BERT por Jay Alammar. Habilidades clave que han llevado a Haritz al éxito: - Trabajo duro. - Estudiar desde el primer día. - Capacidad de adaptación. Consejos para hispanohablantes: - Ser autodidacta. En ML es posible con coursera y tutoriales en internet. - Google Colab para programar. GPUs buenas gratis. - Hacer comunidad en Hugging Face y Kaggle. - Usar Kaggle para poner en practica con problemas reales todo lo aprendido y hacer un portafolio con eso (tutoriales/proyectos personales + Kaggle). - Buen GPA en el pregrado para luego obtener becas para la maestría. - Para posgrados no mirar solo EE.UU, en otros países hay universidades muy buenas con becas. Por ejemplo becas en gobiernos asiáticos o europeos. Algunas cosas interesantes para Haritz: - Cómo producir código limpio y reproducible en ML. - Muchos papers no abren el código y cuando lo abren no es fácil adaptarlo a otros contextos. A veces es difícil reproducir código. Es necesario conseguir que los modelos o códigos puedan ser reproducibles por otras personas. - En la universidad solemos aprender los patrones de ingeniería de software, github, etc. Pero ML es un poco diferente y aunque todo eso también se aplica, hacen falta mas cosas. Por ejemplo, los datasets también tienen versiones pero pueden ocupar mucho espacio. ¿Qué es el Questión Answering (QA) en ML? QA es la tarea de dar una respuesta en texto a una pregunta en texto. Ej. es uno de los módulos de Siri, el asistente de Iphone. Cuando le preguntamos algo a Siri el móvil tiene que convertir nuestra voz en texto. Luego entenderlo y buscar información para responder nuestra pregunta (ir a Wikipedia, por ejemplo) y generar una respuesta corta. Tipos de algoritmos involucrados en el QA: - Antes de 2016 se empleaban sistemas basados en reglas como if/else. - En los últimos años ha evolucionado el campo gracias a las redes neuronales y, sobre todo, BERT ha pertmitido un crecimiento exponencial desde 2018. ¿Qué es MetaQA? - Es un modelo que distribuye y modera las preguntas recibidas entre un conjunto de modelos expertos en diferentes áreas como matemáticas, películas, etc. Así se crea un modelo efectivo sin la necesidad de crear un súper modelo que ocupe más recursos computacionales.

María habla personalmente y no representando a IROM de ninguna manera. Toda la información aquí descrita es mi interpretación y no necesariamente lo que María quiso decir. María es profesora en el Department of Information, Risk and Operations Management (IROM) de la McCombs School of Business en University of Texas at Austin. Cuenta con un doctorado en Machine Learning & Política pública de Carnegie Mellon University, una de las más importantes en ciencias de la computación. En parte, su investigación se centra en entender las consecuencias de los algoritmos en búsqueda de mayor equidad y justicia. También se especializa en entender la relación entre humanos y la inteligencia artificial. Twitters: @mariadearteaga @UTAustin @CarnegieMellon Consejos para iniciar una carrera en ML: No hay un camino recto. Cada quien tiene su recorrido. A veces tratamos de seguir un camino definido, pero no funciona así en la realidad. El ML tiene muchas alternativas. Sigue tus intereses y construye tu propio camino. Hard skills que recomienda: Tener una buena base en estadística y matemática. Algunos temas claves son probabilidad, modelos paramétricos, optimización, y entender tus datos. Aprender a programar. Python para ML es la mejor opción porque es un lenguaje muy amigable. Puedes aprender a programar cualquier lenguaje, pero necesitas tener fundamentos de estadística y matemática para comunicar y entender lo que estás haciendo. Frameworks. Se puede comenzar con scikit-learn. No necesitas poder computacional para utilizarlo. Pytorch y TensorFlow tienen más poder con GPUS. Relación y colaboración entre ML y los humanos: A través de esta colaboración podemos utilizar algoritmos predictivos para mejorar la toma de decisiones en cualquier contexto. Las ganancias de la colaboración ML-humano están en entender e integrar las predicciones en la toma de decisiones. Los pronósticos basados en ML se van a emplear para asistir a los expertos. Si bien se necesita calidad en los modelos, lo más importante es que estos puedan promover y ayudar al proceso de toma de decisiones. No es necesario tener un modelo gigante sino uno que realmente funcione y esté en el ciclo de lo que queremos resolver. Actualmente hay muchos investigadores estudiando y desarrollando modelos sobre la colaboración ML-humano. Sin embargo, su investigación por el momento puede estar aislada. En los próximos años conoceremos la importancia de integrar los algoritmos en la calidad de la toma de decisiones. Por qué María fundó Machine Learning for the Developing World (ML4D): La mayoría de los problemas que le interesaban no estaban siendo estudiados. El tipo de problemas y aplicaciones que normalmente se consideraban eran ajenas a su contexto. A partir de ello fundaron el workshop como un espacio donde los investigadores interesados en los temas se puedan reunir.

Frida habla personalmente y no representando a Justo ni a Epic Queen de ninguna manera. Toda la información aquí descrita es mi interpretación y no necesariamente lo que Frida quiso decir. Frida Ruiz, o Frida Ruh como la pueden encontrar en twitter, es host del podcast AI the New Sexy, cuenta con un curso en Crehana de probabilidad y estadística. Trabaja como Data Scientist en Justo, uno de los siguientes emprendimientos mexicanos en obtener una valuación de un billón de dólares y convertirse en un unicornio. Colabora en Epic Queen, una organización que ya ha capacitado a más de 70 mil niñas y mujeres en conocimiento sobre ciencia y tecnología. Twitters: @fridaruh, @EpicQueen, @aithenewsexy Habilidad clave que ha llevado a Frida al éxito: - La curiosidad la ha llevado a los empleos en los que ha estado. No siempre hay que tener las respuestas a los problemas, pero hay que buscar soluciones. Esto le ha servido y la ha diferenciado. Consejos generales: - Los conocimientos hay que saber comunicarlos bien. - Aprender a comunicarse consiste en explicar a los demás qué hiciste y para qué sirve tu trabajo. Si nadie sabe lo que hiciste, tu código o proyecto puede quedar guardado en alguna PPT. - No todas las personas son científicos de datos. Es importante simplificar el conocimiento a la hora de explicar. - Nunca parar de aprender. Esto le da confianza a los demás a la hora de resolver problemas. - Superar el miedo a equivocarse. Aprender a experimentar así te equivoques. Tomar riesgos. Habilidades que necesitas para aprender a comunicar: - Definir qué tema o concepto se quiere comunicar. - Las personas pueden comunicarse implementando visualizaciones. Las gráficas tienen funcionalidades diferentes. - Si estás hablando con alguien que no es del área, evita hablar con tecnicismos. Hay que adecuar los mensajes a su lenguaje. - Poder resumir la información y simplificarla. - Es mejor contar una historia que explique lo fundamental más allá de explicar cómo está construido el trabajo. Consejos para formar parte de Epic Queen: - Epic Queen trabaja con muchos rangos de edades. Hay cursos de verano para niñas de 4 a 12 años. Cursos técnicos para adolescentes de 12 a 18 años y los más avanzados a partir de 16 años. - Las egresadas salen con conocimientos en manipulación de datos, modelos básicos de ML, deep learning y conocimientos básicos en redes neuronales. Hacen su primer modelo de visión por computadora y dashboard con streamming. - El speech de Epic Queen va orientado a las mujeres. Los hombres pueden ser aliados. Pero el espacio fue específicamente creado para ellas. - Busca empoderar a las mujeres y a las futuras generaciones para que apliquen en puestos calificados. Abrirles espacios para la participación. Enseñarles hablar en público y a negociar en un mundo predominante por los hombres. Consejos de Frida a las mujeres: - Conseguir una mentora. Ellas pueden instruirte a través de su propia experiencia para poder llegar a un área de expertise. - Hay muchas oportunidades y es posible llegar hasta donde quieras sin la necesidad de apegarse a un estereotipo. - Aprender a equivocarse y no desistir. - No tienes que programar para trabajar en tecnología. Puedes trabajar desde muchos ámbitos como la construcción de productos tecnológicos. Existen muchas alternativas. - Si le gusta la programación, es importante unirse a una comunidad que los motive y les enseñe.

Ernesto habla personalmente y no representando a OpenZeppelin de ninguna manera Ernesto es programador de Web3. Actualmente trabaja como desarrollador de Ethereum en OpenZeppelin, una de las empresas más relevantes en el mundo del blockchain. Anteriormente trabajó en Google. Tiene cursos de blockchain en Blockdemy y Platzi donde es uno de los pioneros en enseñar en la región. Twitter: @ernestognw ENS: ernestognw.eth Cursos: platzi.com/profes/ernestognw/ Antes de iniciar en el mundo de la web3 y la programación, Ernesto escribió en su blog un artículo sobre cómo programar en Ethereum. Siempre quiso estar relacionado con la industria y buscó contenido en inglés para traducirlo al español. Esto y más lo llevaron a su primer trabajo como programador en Blockdemy. La escalabilidad de las blockchains: - Blockchains como Solana y Binance pueden enfrentar fallas en el corto plazo por problemas de escalabilidad. - Layer 2 (L2) es el enfoque que la comunidad de Ethereum ha decidido adoptar para generar escalabilidad. Se trata de separar la capa de ejecución de instrucciones hacía una segunda red. Así la red principal, la L1, no tiene que realizar estos procesamientos y puede insertar los datos en una sola transacción de forma comprimida. En la transacción no se pierde la seguridad, disponibilidad de datos, verificación y comprobación criptográfica. - Es una estrategia para implementar un rollup en la red principal de forma escalable y segura. - Sin embargo la L2 aún se encuentra en una etapa muy verde. Requiere de mucha investigación pero hay personas trabajando en ello. Consejos generales para entrar en la industria de la web3: - Aprender Solidity. - Hacer algunos proyectos. - Aprender habilidades soft. - Buscar proyectos relacionados al perfil. Por ejemplo, si le gusta Python, Axie Infinity fue programado en este lenguaje. O con Python puedes colaborar en Brownie. Dependiendo del perfil, es importante conseguir algo que les haga sentido como desarrollador y eventualmente se pueden mover a otras oportunidades, - Existen muchas Decentralized Autonomous Organizations (DAO) en la red de Ethereum. Allí las personas pueden tomar experiencia aceptando pequeños trabajos como colaborador y que pueden llegar a tener una buena remuneración. - Relacionarse con productos que usan y les gustan. Recuerda que aquí reina el open source! - Aprender a colaborar. La cultura de colaborar sin interés económico de por medio puede abrir oportunidades laborales. Sobre el futuro: - Ernesto considera que el futuro para el desarrollo de aplicaciones en Ethereum está orientado a construir las nuevos estándares y protocolos sobre los cuales se van a asentar las aplicaciones del futuro. Actualmente no se saben cuáles serán las aplicaciones pero se están montando las bases. - En 20 o 30 años estará normalizado que el banco esté montado sobre protocolos de Ethereum. Por ejemplo que las personas no utilicen la clave interbancaria sino el ENS. Consejos para las personas de LATAM: - Ser latinoamericano no es un problema. Es un superpoder. No es necesario tener que emigrar a Estados Unidos para trabajar en lo que quieres. Podemos contribuir al igual que cualquier persona en cualquier parte del mundo. - Las personas deben apropiarse de sus ideas. - Hacer colaboraciones y open source es muy importante en la industria.

Daniel habla personalmente y no representando a Blue Orange o Mercado Libre de ninguna manera. Daniel Hoyos trabaja como Machine Learning Engineer en Blue Orange y anteriormente como Senior Machine Learning Engineer en Mercado Libre. Se especializa en forecasting con series de tiempo utilizando técnicas de machine learning. Twitter: @dannyehb Linkedin: linkedin.com/in/daniel-hoyos-2b3a07a1 Consejos generales: Todas las personas deben aprender a trabajar en equipo sin importar cuáles sean sus intereses. Es necesario tener una especialidad pero también manejar otros temas más generales. Es una combinación entre ambas cosas. Los Data Engineers son muy valorados! Consejos para entrevistas de trabajo: Las compañías toman en cuenta la calidad de las respuestas, el tono de voz y la seguridad del participante. De esta manera saben si el candidato tiene conocimiento sobre un tema o está mintiendo. Al tener un portafolio de proyectos en GitHub los empleadores sabrán cuáles son tus conocimientos y habilidades. Es una forma mucho más objetiva de poder validar la calidad del aplicación te como programador y si es apto o no para el empleo. Muestra tus trabajos. Muestra lo que tu haces. Esto expande tu área laboral. Entre más te dejes ver, más oportunidades laborales tendrás. Algoritmos que se pueden usar para forecasting de time series (Cada uno de estos algoritmos será útil dependiendo de lo que se necesite pronosticar y de cómo arregles tus datos. : Modelos de regresión lineal para hacer una predicción en series de tiempo. Modelos de árboles. Random forests. Perceptron. LSTMs. GRU. Temporal Fusion Transformer 😮 N-BEATS. Consejos para aprender machine learning: Si eres una persona práctica, ir a Kaggle. Es una forma de aprender de otros, ver qué están haciendo y por qué lo hacen. Es un tipo de aprendizaje práctico. Si eres una persona teórica y matemática, puedes aprender a través de papers. Por ejemplo, el del Temporal Fusion Transformers. Para manejar datos: Para datasets pequeños que entran en la RAM de la computadora puedes utilizar Jupyter Notebooks, Visual Studio, o Pandas. Pero si es muy grande y no cabe en la memoria, se pueden utilizar tecnologías como PySpark o Dask. Son librerias que permiten trabajar los datos de forma distribuida. Recomendaciones de Daniel para las personas que quieren trabajar con datos: Hazlo por pasión. No solo por dinero. Si lo haces de está forma tendrás buenas bases para seguir con el trabajo. Cuando un proyecto sale mal vas a aprender mucho más en comparación a cuando todo sale bien. Las equivocaciones te ayudarán a construir tu aprendizaje. Aprende a través de proyectos. Esto permitirá ampliar tu red con otros desarrolladores interesados en temas similares. Arma un portafolio de proyectos en GitHub. A las empresas les gustan las personas curiosas, autónomas y con interés en el open source. Si aportas al open source será muy visto y apreciado en la industria. Busca un primer trabajo que tenga que ver con datos dentro de la industria. Esto te ayudará a obtener experiencia y a aprender de todas las tecnologías que hay. Siempre habrán empresas que te darán una oportunidad dentro de la industria. Tienes que estar abierto a aprender. Aprende todo el tiempo porque siempre hay cambios de paradigma. Aprende a trabajar en equipo. Esto es fundamental para cualquier tipo de trabajo. Aprende a comunicarte y a compartir tus ideas.

* Cristián habla personalmente y no representando a Quansight de ninguna manera. Cristián García es el mayor referente de Jax, un framework de machine learning de reciente creación, en Latinoamérica y uno de los principales en open source para machine learning! Trabaja como Machine Learning Engineer en Quansigh y antes **en Landing AI, empresa fundada por Andrew Ng. **Es el creador y desarrollador principal de Treex, librería para Jax. Es organizador del meetup Machine Learning Colombia y del Jax Global Meetup con Weights and Biases. Twitter: @cgarciae88 Treex: github.com/cgarciae/treex Jax Global Meetup: www.meetup.com/es/jax-global-meetup/ Quansight es una de las empresas más relevantes en deep learning. Fue fundada por el creador de numpy y scipy; dos de las librerías más importantes del ecosistema de data science y machine learning. Quansight está diseñada para apoyar el ecosistema open source. Sobre Jax y Treex: Jax entra como un tercer framework para machine learning. Es una propuesta nueva. Tiene muchas ventajas como que aprendió todo lo que hizo TensorFlow y Pytorch. Busca hacer las cosas mejor desde 0. Jax opera muy similar a numpy y a diferencia de Pytorch pide solo funciones puras. Es un requerimiento duro pero a cambio de ese sacrificio te regresa funciones que hacen cosas que en otros frameworks son difíciles. Una de sus ventajas es la programación distribuida hecha de manera sencilla. Treex es una oportunidad para hacer deep learning en Jax a través de pytrees. Una abstracción muy poderosa que trajo Jax y que incluso Pytorch ya está integrando. Treex trata de ser lo más parecido a Pytorch en términos de simplicidad y se ha propuesto ser un complemento específicamente de Flax, más que un competidor directo. El público de Jax es de muy alto nivel. Es algo emocionante y a la vez intimidante del ecosistema. Se mueven personas con un calibre muy alto y quieren aprender de forma acelerada. Sin embargo, falta comunicación, tutoriales y modelos para que las personas que están iniciando puedan motivarse a formar parte de la comunidad. Hoy en día es más fácil entrar al ecosistema Jax en comparación con hace un año. Aunque aún hay retos. Flax, por ejemplo, no tiene una API muy sencilla. Son cosas que aún le faltan al ecosistema de Jax.Algo que a Cristián le genera curiosidad es qué va a pasar con TensorFlow dada la fuerza que está ganando Jax.