Formación de la próxima generación de ingenieros en aprendizaje automático e inteligencia artificial

En un episodio reciente del podcast «Augmented Ops», analizamos en profundidad la IA aplicada y el papel de la educación junto al Dr. Jay Lee, director del Centro de IA Industrial de la Universidad de Maryland. Bajo el título«Replantearnos nuestro enfoque de la IA», el coloquio con el Dr. Lee explora el valor que el aprendizaje automático y la IA pueden aportar a las operaciones de primera línea, así como la forma en que nuestros programas educativos deben adaptarse para formar a la próxima generación de ingenieros especializados en IA y aprendizaje automático.

Con una amplia experiencia en el sector empresarial, la administración pública y el ámbito académico, el Dr. Lee explica cómo aplicar las herramientas de aprendizaje automático para resolver problemas del mundo real, y qué falla en nuestro enfoque actual de la formación en IA y aprendizaje automático. Destaca la necesidad de nuevos programas educativos —como el que está desarrollando en el Centro de IA Industrial de la UMD— para formar al número de ingenieros necesario para satisfacer la creciente demanda dentro del sector manufacturero.

El Dr. Lee expone un marco para generar valor mediante la IA, aplicándola a la resolución de problemas operativos reales. Este marco consta de tres aspectos: tecnología, herramientas y talento. En primer lugar, la tecnología sirve de base para una solución de IA/aprendizaje automático. A medida que las tecnologías y técnicas de aprendizaje automático disponibles se perfeccionan y se desarrollan otras nuevas, pueden abrir nuevas vías para abordar los problemas o hacer que los métodos antiguos sean más eficientes. Por ejemplo, el desarrollo de los modelos Transformer (propuestos por primera vez en 2017) ha permitido mejoras significativas en el rendimiento del procesamiento del lenguaje natural (NLP) y otras tareas.

A continuación, se necesitan herramientas que permitan a las personas aprovechar la tecnología y resolver problemas mediante su uso. Por ejemplo, aunque ya existían diversas tecnologías disponibles para tareas de PLN (como los modelos de transformador GPT-1, 2 y 3 de OpenAI), estas no lograron una adopción generalizada por parte del público. Solo cuando OpenAI lanzó ChatGPT —que ofrecía una interfaz intuitiva para interactuar con esos modelos existentes— se logró poner esta tecnología al alcance de las masas y permitirles utilizarla a gran escala.

Por último, se necesita personal cualificado capaz de sacar partido a esas herramientas y utilizarlas para resolver sus problemas. Como explica el Dr. Lee, «el mayor reto no radica en la tecnología de la IA, sino en el talento». Por ejemplo, aunque ChatGPT es ahora ampliamente accesible, requiere habilidades específicas en materia de ingeniería de prompts y comprensión del funcionamiento del 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 diseñados para apoyar el desarrollo del talento necesario para satisfacer la demanda de ingenieros de aprendizaje automático y IA.

El Dr. Lee continúa explicando cómo se puede formar a cualquier persona para que se convierta en un ingeniero eficaz en aprendizaje automático e inteligencia artificial, y expone su visión sobre cómo debería estructurarse un plan de estudios para lograrlo. Su enfoque se basa en cuatro pasos: el aprendizaje basado en principios, en la práctica, en proyectos y en la experiencia profesional.

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

A continuación viene el aprendizaje basado en la práctica. Tal y como explica el Dr. Lee, proporciona a sus alumnos conjuntos de datos del mundo real que se han recopilado en el sector a lo largo de muchos años, creando así 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 alumnos tienen la tarea de aplicar los conceptos que han aprendido previamente para resolver los problemas que se plantean en los datos. Dado que el problema en cuestión ya se ha resuelto anteriormente, estos conjuntos de datos sirven como referencia para evaluar el rendimiento de los alumnos.

A continuación, se pasa al aprendizaje basado en proyectos. Tal y como explica el Dr. Lee, esto implica que los alumnos se adentren en «un entorno de fabricación real» y recopilen datos para crear sus propios conjuntos de datos con los que poner a prueba sus habilidades. Una vez que los alumnos han demostrado su capacidad para resolver de forma sistemática problemas del mundo real en el taller, aplicando lo que han aprendido, pueden pasar a la etapa final.

El aprendizaje basado en la práctica profesional constituye la última etapa del camino para convertirse en un ingeniero experto en IA/ML, y superarla con éxito demuestra un dominio real de los conceptos y herramientas que los alumnos han ido desarrollando hasta ese momento. Esta fase final consiste en guiar a otros alumnos a lo largo de los tres primeros pasos y actuar como su profesor. «Hay que ser capaz de actuar como un «master black belt» de [Lean Six Sigma]», explica el Dr. Lee.

Sin embargo, para satisfacer la demanda en rápido crecimiento del sector, el Dr. Lee deja claro que estas iniciativas educativas deben llevarse a cabo a gran escala. «Este es nuestro objetivo: formar a 10 000 ingenieros en 10 años», explica. Para alcanzar este objetivo, el Dr. Lee establece tres pilares fundamentales de su estrategia: formar a ingenieros a gran escala, con rapidez y de forma sistemática.

Para el Dr. Lee, la escala es fundamental. «Lo que se busca es una formación a gran escala», explica, «no se trata de una sola persona, sino de mil, de diez mil». Sin este nivel de escala, corremos el riesgo de no contar con suficientes candidatos cualificados para satisfacer las necesidades de la industria, especialmente teniendo en cuenta la creciente importancia que se concede a la fabricación nacional. Igualmente importante para el éxito de estas iniciativas es la rapidez con la que se llevan a cabo. «No se puede aprender IA de forma puntual», 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 al día rápidamente con las tecnologías y metodologías actuales, lo que los prepara para el mundo laboral en mucho menos tiempo del que se requería tradicionalmente.

Llevar a cabo la formación de manera sistemática es también clave para el éxito de su estrategia. La enseñanza tradicional del aprendizaje automático y la inteligencia artificial se complica por el hecho de que los modelos que utilizan los alumnos no siempre coinciden. Esto significa que un alumno puede detectar un problema en una situación determinada, pero es posible que otro alumno que utilice exactamente el mismo modelo no lo detecte. El resultado es que resulta más difícil evaluar con precisión el rendimiento de los estudiantes. El Dr. Lee explica que «es necesario contar con un método coherente para tomar decisiones» a fin de poder evaluar de forma sistemática el rendimiento de los estudiantes. Con estos tres principios, cree que el mundo académico será capaz de formar con éxito al número de ingenieros que necesita la industria manufacturera.