De Akademia a la vanguardia del machine learning: testimonio de Fernando Rivas

En la Fundación Innovación Bankinter estamos muy orgullosos de los alumni que han participado en nuestro programa Akademia.

El diseño y ejecución del programa lo distinguen de otros: desde la meticulosa selección de los estudiantes, el enfoque del contenido de las clases, hasta la calidad de los docentes que las ofrecen. Esto resulta en que nuestros alumnos sean individuos apasionados por la innovación, dispuestos a brindar perspectivas frescas y soluciones innovadoras en sus áreas de actuación.

En esta ocasión entrevistamos a Fernando Rivas, antiguo alumno de Akademia, investigador predoctoral y jefe de proyectos en el Centro de Investigación Arquimea, cofundador de la startup Volinga y estudiante de doctorado en la Universidad Politécnica de Madrid. Su investigación se centra en la visión por ordenador y el aprendizaje automático.

A continuación, reproducimos la entrevista que mantuvimos con Fernando:

Tras tu paso por Akademia, ¿cambió tu manera de ver la innovación y cómo llevarla a cabo?

Sí, mi percepción sobre la innovación experimentó un cambio importante. Antes, como persona técnica, solía enfocarme principalmente en abordar y resolver desafíos técnicos complejos, que es lo que te enseñan en una ingeniería. Sin embargo, Akademia me ofreció una nueva perspectiva, enseñándome a ver más allá del problema técnico en sí. Ahora, en lugar de centrarme únicamente en la solución técnica, considero cómo esta puede aportar valor real al usuario o cliente. Akademia me hizo comprender que no basta con desarrollar una solución técnica; es esencial considerar cómo esta solución se traducirá en valor para el usuario final. Esta visión ampliada es crucial desde las primeras etapas de cualquier proyecto o investigación, ya que puede influir significativamente en el éxito comercial de la solución propuesta. En resumen, Akademia me enseñó a innovar con un enfoque más centrado en el usuario y en la creación de valor real.

¿Qué es lo que más te gustó del programa y por qué?

Lo que más me gustó fue el contacto con personas que habían emprendido de verdad, que habían creado startups, ya hubiesen salido bien o hubiesen salido mal. Sobre todo, porque otro cursos o programas a los que me he apuntado, se quedan muy a nivel teórico. Pero donde se aprende de verdad es de las experiencias reales y de los testimonios de emprendedores. Y en Akademia vinieron bastantes personas del ecosistema de startups que habían emprendido. De hecho, al que ahora es mi jefe, Rubén Criado, le conocí en Akademia impartiendo una de las sesiones.

¿Cómo te has ido formando en inteligencia artificial y en concreto, en machine learning?

Mi formación en inteligencia artificial y, específicamente, en machine learning ha sido el resultado de un conjunto de circunstancias. Todo comenzó cuando Rubén Criado me introdujo en este campo. Durante la pandemia del COVID, tuvimos un parón de 3 meses, y fue en ese período cuando decidí sumergirme en el aprendizaje de esta tecnología. Mi proceso de formación ha sido principalmente autodidacta. Afortunadamente, la web ofrece una enorme cantidad de recursos y contenidos sobre inteligencia artificial y machine learning, muchos de ellos gratuitos. Inicié mi aprendizaje llevando a cabo pequeños proyectos, que en un principio eran simples pruebas o «proyectos de juguete». Sin embargo, con el tiempo, he ido abordando proyectos más complejos y reales. Creo firmemente en la importancia de la práctica y la experiencia directa para realmente comprender y dominar un tema.

Creo que cualquier ingeniero tiene la base de Cálculo y de Álgebra suficiente para adentrarse en el mundo del machine learning. Porque es un poco diferente a lo que viene a ser informática como tal. De hecho, muchas de las personas que trabajan en machine learning no son informáticos, sino ingenieros. Afortunadamente, ya contaba con esa base matemática, lo que facilitó mi formación utilizando los recursos disponibles en línea. Sin embargo, quiero enfatizar que no es esencial tener un título en ingeniería. Existen numerosos contenidos diseñados para aquellos que no poseen una formación técnica previa.

¿Qué le recomendarías a un estudiante de una carrera no técnica que quiera adentrase en el machine learning?

Lo primero que le diría es que se lo tome con calma. En la mayoría de los cursos de machine learning hay una sección inicial de álgebra que puede parecer abrumadora. Sin embargo, lo esencial es comprender e interiorizar los conceptos detrás de lo que está sucediendo dentro de la tecnología. Es importante mencionar que todos los frameworks de Inteligencia Artificial actuales ya tienen integrados el álgebra y el cálculo. Por lo tanto, no necesitas enfocarte en hacer álgebra o cálculo infinitesimal, sino en diseñar redes neuronales. A menudo, este campo es muy intuitivo y lo crucial es entender qué es lo que está sucediendo internamente. Con las herramientas actuales, yo raramente realizo cálculos complejos. En su lugar, me dedico más al diseño y al análisis. Así que, en esencia, la tarea principal de alguien que se quiera dedicar a esto, será diseñar redes y realizar experimentos para afinar el funcionamiento de las mismas. El machine learning es un campo enorme y hay espacio para una gran variedad de perfiles. No todos necesitan estar constantemente calculando derivadas. 😉

¿Qué proyectos destacarías en Arquimea?

Hay muchos proyectos destacados de Arquimea. En primer lugar, me gustaría mencionar los proyectos relacionados con tecnologías cuánticas. Estos proyectos se centran en la fase de investigación para generar propuestas de valor e impacto. De hecho, la Unión Europea ha otorgado fondos para establecer un centro de excelencia de Arquimea en Tenerife. Desde allí, se desarrollará un sensor cuántico como parte del proyecto europeo A-IQ READY.

El proyecto más significativo en el que he participado, y que continúa en desarrollo, pertenece a nuestra línea de NVC (Neural Volumetric Capture). En este proyecto, trabajamos en la construcción de escenas 3D utilizando redes neuronales, específicamente una tecnología llamada NeRF (Neural Radiance Fields). NeRF fue presentado al público hace tres años y es un desarrollo conjunto de la Universidad de Berkeley y Google. Esta tecnología promete revolucionar la forma en que se crean gráficos por computadora. Actualmente, muchas universidades y empresas, incluida la nuestra, están trabajando en ella. Lo más destacado es que el año pasado logramos integrar esta tecnología con un motor de videojuegos, lo que generó interés comercial. Como resultado, estamos lanzando una spin-off llamada Volinga. Estamos muy emocionados con Volinga. Es gratificante ver cómo, en solo tres años, esta tecnología ha pasado del laboratorio a la producción de los primeros productos comerciales. Tuvimos el honor de ser los primeros en integrar esta tecnología en un motor gráfico tradicional. Aunque ahora hay más implementaciones, en ese momento fuimos pioneros. Es un verdadero orgullo ver una tecnología nacer, llegar al mercado y formar parte de ese proceso desde el principio.

¿En qué campos ves que tienen más potencial las soluciones de machine learning?

Ya estamos presenciando una revolución en diversos sectores. Uno de los campos más prominentes es la industria audiovisual, donde la generación de contenidos para cine y entretenimiento ya está siendo transformado por estas tecnologías. La presencia del machine learning en este ámbito no solo es palpable ahora, sino que su influencia continuará creciendo en el futuro. [puedes ahondar en este ámbito en el webinar Inteligencia artificial generativa: presente y futuro, con Asier Arranz].

Además, con la aparición de nuevos modelos de aprendizaje de lenguaje natural y la inteligencia artificial generativa, como ChatGPT, se prevé un impacto significativo en la cadena de valor de todos los sectores. Esta transformación tiene el potencial de aumentar la productividad de manera similar a como lo hicieron los ordenadores en su momento.

Áreas que tradicionalmente han utilizado la IA, como el procesamiento de imágenes, están siendo influenciados por el machine learning. La conducción autónoma es un buen ejemplo de ello. Mirando hacia el futuro, es probable que, en cinco años, la mayoría de las empresas y sectores incorporen alguna forma de machine learning en sus operaciones. Además, los asistentes personales también experimentarán una revolución, pasando de interfaces basadas en teclados a interacciones más conversacionales. Esto se debe a que la tecnología será capaz de entender y responder a nuestras solicitudes de manera más eficiente y natural [como apunta el experto del Future Trends Forum Calum Chace, en esta ponencia].

¿Dónde estarán las mejores oportunidades profesionales dentro de machine learning?

Va a haber una amplia variedad de oportunidades en el campo. Aunque la creación y diseño de algoritmos puede estar saturada o ser más competitiva en este momento, veo que se están abriendo muchos nuevos perfiles profesionales. El perfil de ingeniero de machine learning ya es reconocido, pero la demanda para este rol está en aumento.

Surgirá cada vez más demanda de profesionales que se encarguen de llevar un modelo ya entrenado y funcional a un estado en el que sea utilizable para el usuario final. En mi experiencia, especialmente con la startup de la que formo parte ahora, siempre existe el desafío de llevar una solución de machine learning desde el laboratorio hasta convertirla en un producto real y funcional. Las oportunidades radican no solo en diseñar el modelo de machine learning, sino en crear un entorno en el que el usuario pueda comprender e interactuar con él de manera efectiva. Un buen ejemplo de esto es ChatGPT. Aunque la tecnología subyacente, GPT-3, se lanzó alrededor de marzo-abril de 2022, ChatGPT no se implementó en un entorno real abierto al público hasta noviembre-diciembre. Esto se debe probablemente al trabajo necesario para productivizar el modelo y hacerlo amigable para los usuarios.

Surgirán muchas oportunidades laborales en este ámbito, tanto roles profesionales como oportunidades de emprendimiento. La clave será tomar modelos existentes y maximizar su utilidad para el usuario, mejorando la experiencia de usuario. Además, adaptar y personalizar estos modelos para que se ajusten y funcionen adecuadamente en diferentes escenarios también será esencial. Por lo tanto, también veo un futuro prometedor para consultores e ingenieros que se especialicen en adaptar modelos a casos de uso específicos.

¿Qué modelos de machine learning existen y cómo se utilizan cada uno de ellos?

La variedad de modelos y su aplicabilidad depende en gran medida del caso de uso específico y de los objetivos que se busquen alcanzar. Es un campo muy complejo y en constante evolución. Lo que te mencione hoy podría no ser relevante en unos meses debido a la rapidez con la que avanza la tecnología.

Existen numerosos modelos, especialmente en áreas como la visión por computador. Un ejemplo es YOLO, que, aunque no necesariamente ofrezca la mejor precisión del mercado, proporciona resultados lo suficientemente precisos para ser utilizados en producción. Estos modelos suelen ser rápidos, eficientes y fáciles de implementar. A veces, es más conveniente optar por soluciones ya establecidas que son fáciles de implementar y desplegar, en lugar de buscar las más avanzadas que podrían estar en etapas iniciales de desarrollo.

En el ámbito generativo, hay modelos como Stable Diffusion, que es open source y muy recomendable. Otro modelo potente es Mid Journey, pero no es de código abierto. Sin embargo, el panorama cambia constantemente, y lo que es relevante ahora podría no serlo en unos meses.

Existen también otros proyectos open source para inteligencia artificial generativa, como BLOOM y OpenAssistant. La comunidad está desempeñando un papel crucial en el desarrollo de estos proyectos, y es admirable ver el esfuerzo y la pasión que ponen en su trabajo.

Es importante mencionar que entrenar algunos de estos modelos requiere recursos significativos, y no todas las empresas tienen la capacidad para hacerlo. Por eso, muchas empresas colaboran en proyectos de código abierto para acceder a estos modelos avanzados. Por ejemplo, en el proyecto OpenAssistant, la comunidad ha contribuido significativamente, con una presencia enorme de lenguaje en español.

Las iniciativas de innovación abierta son esenciales para el avance del campo de machine learning. Estas iniciativas pueden prevenir monopolios y proporcionar herramientas valiosas tanto a pequeñas y medianas empresas como a investigadores.

¿Hay que saber programar para entrar en el mundo de machine learning?

Definitivamente sí, al menos es esencial tener conocimientos en Python. Python es el lenguaje predominante en este campo, utilizado ampliamente para diseñar modelos y trabajar con diversos frameworks. Aunque ha habido intentos de buscar alternativas a Python, este lenguaje ha prevalecido por su simplicidad y versatilidad.

En nuestro caso, trabajamos con Pytorch, una biblioteca de aprendizaje automático de código abierto basada en Torch. Esta herramienta, desarrollada inicialmente por Facebook, es fundamental para aplicaciones como la visión artificial y el procesamiento de lenguaje natural.

Con Python se puede hacer prácticamente todo en el ámbito del machine learning. Sin embargo, es importante mencionar que, aunque Python es fácil de usar, no es el lenguaje más rápido. Por ello, cuando se trata de llevar modelos a producción, a menudo se recurre a otros frameworks, como TensorRT de NVIDIA, o se utilizan lenguajes como C++, que son más rápidos. También hay quienes optan por JavaScript en ciertos proyectos.

Aunque el mundo del «no-code» está avanzando, aún considero que la programación es y seguirá siendo una habilidad esencial, no solo en el ámbito del machine learning, sino en muchos otros campos en el futuro cercano.

Akademia me enseñó a innovar con un enfoque más centrado en el usuario y en la creación de valor real

¡Muchas gracias, Fernando! ¡Y muchos éxitos!

Si quieres conocer los testimonios de otros alumni de Akademia, aquí puedes verlos.

Si quieres saber más sobre el programa Akademia, te invitamos a visitar la web de la Fundación.