Ep 13 - María De-Arteaga (University of Texas) - Relación IA-Humanidad y cómo iniciar una carrera en IA

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.