Formación de la próxima generación de ingenieros de ML/AI

En un reciente episodio del podcast Augmented Ops, nos sumergimos en profundidad en la IA aplicada y el papel de la educación con el Dr. Jay Lee, Director del Centro de IA Industrial de la Universidad de Maryland. Bajo el título"Repensar nuestro enfoque de la IA", el debate con el Dr. Lee explora el valor que el aprendizaje automático y la IA pueden aportar a las operaciones de primera línea, y cómo nuestros programas educativos deben adaptarse para formar a la próxima generación de ingenieros de IA y ML.

Con una amplia experiencia en la industria, el gobierno y el mundo académico, el Dr. Lee explica cómo aplicar las herramientas de aprendizaje automático para resolver problemas del mundo real, y qué es lo que falla en nuestro enfoque actual de la educación en IA/ML. Destaca la necesidad de nuevos programas educativos -como el que está creando en el Centro de IA Industrial de la UMD- para formar al volumen de ingenieros necesario para satisfacer la creciente demanda de la industria manufacturera.

El Dr. Lee expone un marco para crear valor con la IA aplicándola para resolver problemas operativos reales. Consta de tres facetas: tecnología, herramientas y talento. En primer lugar, la tecnología sirve de base para una solución de IA/ML. A medida que las tecnologías y técnicas de aprendizaje automático disponibles se perfeccionan y se desarrollan otras nuevas, pueden desbloquear nuevas formas de abordar los problemas o hacer más eficaces los métodos antiguos. Por ejemplo, el desarrollo de modelos transformadores (propuestos por primera vez en 2017) ha permitido mejorar significativamente el rendimiento en el Procesamiento del Lenguaje Natural (PLN) y otras tareas.

A continuación, se necesitan herramientas que permitan a la gente aprovechar la tecnología y resolver problemas utilizando esa tecnología. Por ejemplo, aunque había una gran variedad de tecnologías disponibles para tareas de PNL (como los modelos transformadores GPT-1, 2 y 3 de OpenAI), no vieron una adopción generalizada por parte del público. Sólo una vez que OpenAI lanzó ChatGPT -que proporcionaba una interfaz intuitiva para interactuar con esos modelos existentes- pudieron poner esta tecnología en manos de las masas y permitirles utilizarla a escala.

Por último, necesita talento que sea capaz de aprovechar esas herramientas y utilizarlas para resolver sus problemas. Como explica el Dr. Lee, "el mayor reto de la IA no es la tecnología, sino el talento". Por ejemplo, aunque ChatGPT es ahora ampliamente accesible, requiere talentos específicos en forma de ingeniería de prontitud y comprensión de cómo funciona el modelo subyacente para poder utilizar la herramienta de la forma más eficaz. Sin embargo, el Dr. Lee sostiene que nuestros paradigmas educativos actuales no están preparados para apoyar el desarrollo del talento necesario para satisfacer la demanda de ingenieros de ML/AI.

El Dr. Lee pasa a explicar cómo se puede formar a cualquier persona para que se convierta en un ingeniero eficaz de ML/AI, y expone su visión de cómo debe estructurarse un plan de estudios para lograrlo. Su enfoque se basa en cuatro pasos: aprendizaje basado en principios, en la práctica, en proyectos y profesional.

El aprendizaje basado en principios es el primer paso y el más básico, en el que los estudiantes aprenden los conceptos básicos del aprendizaje automático y la IA. Esto puede lograrse mediante el autoaprendizaje o matriculándose en un curso que enseñe estos fundamentos.

Lo siguiente es el aprendizaje basado en la práctica. Como explica el Dr. Lee, proporciona a sus alumnos conjuntos de datos del mundo real que se han recopilado en la industria a lo largo de muchos años, creando un entorno realista en el que pueden perfeccionar sus habilidades. Según el Dr. Lee, esta fase es "la más importante". En esta fase de estudio basada en la práctica, los estudiantes tienen la tarea de aplicar los conceptos que han aprendido previamente para resolver los problemas que se presentan en los datos. Dado que el problema en cuestión ha sido resuelto previamente, estos conjuntos de datos sirven de referencia para el rendimiento de los estudiantes.

Luego viene el aprendizaje basado en proyectos. Como explica el Dr. Lee, esto implica que los estudiantes salgan a "un entorno de fabricación real" y recojan datos para construir sus propios conjuntos de datos con los que puedan poner a prueba sus habilidades. Una vez que los estudiantes han demostrado su capacidad para resolver de forma coherente problemas del mundo real en el taller, utilizando lo que han aprendido, pueden pasar al último paso.

El aprendizaje profesional es la última etapa en el viaje para convertirse en un ingeniero experto en IA/ML, y recorrerla con éxito indica un dominio real de los conceptos y herramientas que los estudiantes han estado desarrollando hasta este punto. Esta fase final implica guiar a otros estudiantes a través de los tres primeros pasos y actuar como su profesor. "Tienes que ser capaz de ser como un cinturón negro maestro [lean six sigma]", explica el Dr. Lee.

Sin embargo, para satisfacer la creciente demanda de la industria, el Dr. Lee deja claro que estos esfuerzos educativos deben llevarse a cabo a gran escala. "Este es nuestro objetivo: formar a 10.000 ingenieros en 10 años", explica. Para lograr este objetivo, el Dr. Lee establece tres pilares básicos de su estrategia: formar ingenieros a escala, con rapidez y sistemáticamente.

Para el Dr. Lee, la escala es fundamental. "Quieres hacer formación a gran escala", explica, "no es una [persona], son 1.000, 10.000". Sin este tipo de escala, corremos el riesgo de no tener suficientes candidatos cualificados para satisfacer las necesidades de la industria, sobre todo teniendo en cuenta la mayor atención que se presta a la fabricación nacional. Igualmente importante para el éxito de estos esfuerzos es la velocidad a la que operan. "No se puede aprender IA ad hoc", argumenta el Dr. Lee, "hay que desarrollar la IA, probarla e implementarla en dos días". Este modelo de aprendizaje rápido garantiza que los estudiantes se pongan rápidamente al día con las tecnologías y metodologías actuales, haciéndoles estar preparados para el trabajo en mucho menos tiempo del que se requiere tradicionalmente.

Llevar a cabo la formación de forma sistemática también es clave para el éxito de su estrategia. La formación tradicional en ML/AI se complica por el hecho de que los modelos que utilizan los alumnos no siempre coinciden. Esto significa que un estudiante puede identificar un problema en una situación determinada, pero otro que utilice exactamente el mismo modelo puede no hacerlo. El resultado es que el rendimiento de los alumnos es más difícil de evaluar con precisión. El Dr. Lee explica que "hay que tener una forma coherente de tomar decisiones" para poder evaluar sistemáticamente el rendimiento de los alumnos. Con estos tres principios, cree que el mundo académico podrá formar con éxito el volumen de ingenieros que necesita la industria manufacturera.