Detrás un simple click, de un motor de búsqueda o de las sugerencias personalizadas a los usuarios, hay un gran proceso que implica avanzados cálculos matemáticos, ingeniería y esfuerzos de predicción. Quienes están detrás de eso son los ingenieros en Machine Learning (ML): un cargo que figura como uno de los más buscados por las distintas empresas en el país en el último año.

El ingeniero en Machine Learning es un cargo relativamente nuevo, pero que a medida que avanza la tecnología, y que hay una mayor presencia de procesos automatizados, se hace cada vez más relevante y necesario.

El Machine Learning es una rama surgida de la Ciencia de Datos, que determina que sean las propias máquinas las que puedan aprender de acuerdo con información recibida o datos previos. Con esa data el sistema podrá, previo análisis de las diversas situaciones, decidir por sí mismo cómo debe actuar e incluso predecir comportamientos. En ese sentido, hay quienes posicionan al Machine Learning en un lugar intermedio, justo entre la ingeniería de software y el data science.

“El Machine Learning ha llegado a ser un aliado importantísimo para las empresas y el desarrollo de nuevas herramientas. Gracias a su capacidad de leer y aprender comportamientos a través de la Inteligencia Artificial, se facilitan diversos procesos que requieren del constante análisis de grandes fuentes de información”, explica Francisco Guzmán, director de Claro empresas.

“Gracias a esta herramienta es posible simplificar procesos que antiguamente eran muy demandantes, requerían de mucha mano de obra y estaban expuestos a muchos errores humanos: el ingreso de datos de forma manual“, detalla el ejecutivo. “Con el Machine Learning es posible ingresar datos de forma automática mediante fórmulas. Luego, gracias a esto, es posible generar análisis en profundidad, generar reportes, alertas y un sinfín de tareas. Una de estas, por ejemplo, es el análisis financiero, que permite detectar y predecir fraudes rápidamente y sin importar a qué escala. También, logra ser un aliado para la gestión de riesgos y predicción de inversiones”.

Hoy existen innumerables áreas de producción que utilizan esta tecnología. Para poner un ejemplo cercano y universal: plataformas como Netflix o Spotify, cuando realizan alguna recomendación a los usuarios de acuerdo con sus búsquedas o consumo previo, es siempre a través del trabajo realizado por estos especialistas. Existe por detrás un algoritmo desarrollado, que en su correcta aplicación —una de las partes más relevantes— analiza las preferencias o gustos de ese sujeto.

Sin embargo, ya no basta solo con personalizar, sino también con entregar aquella experiencia más cercana. Es ahí donde estos profesionales juegan un rol fundamental, no solo en las plataformas de contenido, sino en todas las industrias.

Pedro Correa (28) estaba terminando su carrera en Ingeniería Eléctrica en la Universidad de Chile cuando ingresó al mundo de la inteligencia artificial. Buscando dónde hacer su proyecto de tesis, llegó al Laboratorio de Procesamiento y Transmisión de la Voz, en su misma casa de estudio, donde hacen procesamiento de audio utilizando Machine Learning.

A partir de eso empezó a realizar su proyecto y aplicó distintas técnicas de Machine Learning en un contexto de reconocimiento automático de voz. Aprendió los principios básicos, a programas redes neuronales artificiales y esa fue su introducción a la inteligencia artificial. Se tituló y, tiempo después, llegó a la startup Suncast, dedicada a la inteligencia artificial y la energía solar. Ahí ocupa el cargo de Ingeniero en Machine Learning. “El cargo era aplicado al contexto de las energías renovables, algo distinto a lo que había hecho, aunque muchos de los principios que aprendí los podemos utilizar para la predicción de energía”, afirma.

Pero existen diversas dificultades al trabajar en el rubro del Machine Learning. Van surgiendo ciertos desafíos, dice, como la calidad de los datos y la propia disponibilidad de estos. En el caso de Suncast, ellos trabajan con clientes que les facilitan la información. “Muchas veces los datos no están o toma tiempo conseguirlos por temas burocráticos o legales, y en ocasiones los tienen, pero están llenos de anomalías o errores que hay que ser capaz de detectar para tener una base de datos limpia”, plantea. En ese tipo de situaciones, por ejemplo, pueden existir problemas con los modelos aplicados y el desarrollo que tenga la empresa.

Aunque provenga de un área inicial completamente distinta, dice que el trabajo de un ingeniero en ML es parecido en todos los casos. Él recopila datos, los analiza y luego los procesa de forma previa al trabajo de la AI: eso significa tomar las bases de datos y hacer una serie de análisis, que van desde calcular estadísticas hasta generar gráficos, justamente para detectar errores y anomalías y corregirlas.

Una vez que esos datos están ordenados y “preprocesados”, siguen a la etapa de diseño y entrenamiento, que es cuando la información se pasa a través de un modelo diseñado de acuerdo con las necesidades que implique el problema. Ahí este aprenderá, según los datos, a predecirlos. Y, aunque Correa lo dice en tono de broma, el 95% del tiempo se gasta en la etapa de preprocesamiento.

De acuerdo con Pablo Schwarzenberg, director de la carrera de Ingeniería Civil Informática de la Universidad Andrés Bello, en la medida que se han integrado técnicas de aprendizaje automático en los servicios ofrecidos por las empresas, los especialistas a cargo del desarrollo de software requieren tener las competencias y herramientas necesarias para integrar estas técnicas en aplicaciones móviles y sitios web.

“Con el desarrollo de bibliotecas de modelos de ML y los avances en la investigación en IA, se pueden encontrar modelos con la capacidad de reconocer objetos y entender el lenguaje, listos para ser reutilizados por las empresas para crear productos innovadores”, dice el experto. Con el tiempo, explica, se puede esperar que haya cada vez más de estos modelos disponibles y que las empresas los usen cada vez más, y ahí es cuando aparece la relevancia y necesidad de las firmas por contar con estos puestos, especialmente en el área comercial y de servicio al cliente.

“Con este sistema se consigue una detección más detallada de las preferencias del cliente, ayudando también a tener un mejor pronóstico de demanda. También es una gran herramienta para el área de la ciberseguridad, ya que al aprender comportamientos es capaz de detectar cuando hay anomalías en los sistemas y generar alertas, detectando y evitando virus y hackeos”, agrega Francisco Guzmán, de Claro empresas.

Pablo Schwarzenberg acota que los ingenieros ML colaboran muy estrechamente con otros cargos demandados en las empresas, como los Científicos de Datos, que diseñan y preparan los modelos estadísticos o de aprendizaje automático para su uso posterior.

Son perfiles cotizados, porque son muy escasos y requieren combinar una formación de ingeniero de software con el conocimiento para desarrollar y operar aplicaciones web y móviles. Además, deben tener experiencia práctica en la creación, uso, evaluación y refinamiento de modelos de ML, y manejo de las herramientas de software que se utilizan para ejecutar este tipo de modelos.

El monitoreo de estos especialistas, plantea el docente, considera desde aspectos de desempeño, como la exactitud del modelo y la detección de sesgos a formas de protegerlos de ataques cibernéticos, destinados a usar la forma en que funciona el modelo para confundirlo y generar fallos en las aplicaciones. “Esto es crítico, porque a veces un modelo de ML funciona muy bien cuando se construye con datos de prueba, pero cuando se pone en manos de los clientes no tienen un buen desempeño porque la casuística es mucho mayor y necesitan ser ajustados”, asegura.

Pedro Correa, de Suncast, reafirma que los ingenieros en ML son de una gran relevancia para las empresas de tecnología e innovación: “Está demostrado que en los útimos diez años todos los métodos de inteligencia artificial y de Machine Learning han superado a los métodos estadísticos o tradicionales en términos de desempeño”, dice. “Cualquier empresa que trabaje con información o tecnología tiene que sí o sí migrar a estos métodos si quiere mantenerse competitiva, y para poder hacerlo se necesita gente que sepa trabajar con datos y hacer modelos de inteligencia artificial”, asegura.