Cómo convertirse en ingeniero de aprendizaje automático en 2024

El aprendizaje automático (AM) es un subcampo de la inteligencia artificial (IA) y la informática que se centra en imitar cómo aprenden los humanos aprovechando datos y algoritmos. El objetivo principal del aprendizaje automático es identificar patrones en los datos.

Existe la creencia generalizada de que la IA seguirá transformando los negocios tal y como los conocemos, y esta revolución ya está en marcha en varios sectores. En consecuencia, las empresas están invirtiendo mucho en este campo. A mediados de 2023, el tamaño medio de los acuerdos para las empresas de IA alcanzó los 29 millones de dólares, lo que refleja un aumento de casi el 50% en comparación con el total de todo el año 2022. Este aumento se debe en parte al auge de la IA generativa.

Una de esas funciones necesarias para este empuje es la del ingeniero de aprendizaje automático.  Hay varias razones de peso para querer convertirse en ingeniero de aprendizaje automático:

• Es una opción profesional lucrativa.
• Es un campo apasionante que siempre presentará nuevos retos y exigirá un aprendizaje continuo.
• Una carrera en inteligencia artificial te sitúa en el centro del cambio tecnológico más vanguardista de la industria moderna. En un artículo aparte, puedes explorar la IA frente al ML con más detalle y aprender más sobre las habilidades de los ingenieros de IA en nuestro post dedicado.  

Ahora que hemos establecido el "por qué" de convertirse en ingeniero de aprendizaje automático, explicaremos qué hace un ingeniero de aprendizaje automático y cómo puedes convertirte en uno. 

¿Qué es un Ingeniero de Aprendizaje Automático?

La ingeniería de aprendizaje automático se considera un subcampo de la ingeniería de software, por lo que es justo decir que sus estilos de vida son bastante similares. Al igual que los ingenieros de software, los empleadores esperan que los ingenieros de aprendizaje automático sean programadores competentes familiarizados con herramientas de ingeniería de software como IDEs, GitHub y Docker. 

La principal diferencia es que los ingenieros de aprendizaje automático se centran en crear programas que proporcionen a los ordenadores los recursos necesarios para autoaprender. Hacen esta distinción combinando sus conocimientos de ingeniería de software con los de aprendizaje automático. 

El objetivo de un ingeniero de aprendizaje automático es convertir los datos en un producto. Así, un ingeniero de aprendizaje automático puede describirse como un programador técnicamente sólido que investiga, construye y diseña software de aprendizaje automático para automatizar modelos predictivos. 

¿Qué hace un Ingeniero de Aprendizaje Automático?

Todo el mundo habrá oído hablar de los científicos de datos, sobre todo después de que la Havard Business School lo calificara como el papel más sexy del siglo XXI. En comparación con los científicos de datos, los ingenieros de aprendizaje automático aparecen un poco más abajo en la línea dentro de un proyecto. Para ponerlo en perspectiva, un científico de datos analizaría los datos para generar ideas de negocio, mientras que un ingeniero de aprendizaje automático convertiría los datos en un producto. 

Un ingeniero de aprendizaje automático estaría mucho más centrado en escribir código que tome modelos teóricos de ciencia de datos y los escale al nivel de producción para su despliegue como producto de aprendizaje automático. Sin embargo, las responsabilidades específicas de un ingeniero de aprendizaje automático pueden cambiar en función de dos factores clave: 1) el tamaño de la organización y 2) el tipo de proyecto. 

Todavía hay algunas responsabilidades generales que puedes esperar de un puesto como ingeniero de aprendizaje automático. Estas responsabilidades incluyen: 

• Diseñar, investigar y desarrollar pipelines de aprendizaje automático escalables que automaticen el flujo de trabajo del aprendizaje automático
• Escalar prototipos de ciencia de datos 
• Obtención y extracción de conjuntos de datos adecuados para abordar el problema en cuestión. Esto puede hacerse en colaboración con ingenieros de datos 
• Verificando que los datos que han extraído son de buena calidad y limpiándolos
• Aprovechar el análisis estadístico para mejorar la calidad de los modelos de aprendizaje automático 
• Construir canalizaciones de datos y modelos
• Gestionar la infraestructura necesaria para llevar un modelo a producción
• Despliegue de modelos de aprendizaje automático
• Supervisar los sistemas de aprendizaje automático en producción y reentrenarlos cuando sea necesario 
• Construir marcos de aprendizaje automático 

Chip Huyen, escritor y figura destacada del aprendizaje automático, sugirió que es una buena práctica no obsesionarse con las definiciones de funciones, ya que suelen ser un reflejo inexacto de lo que puedes estar haciendo. Por ejemplo, es posible encontrarse con dos personas que trabajen en el mismo equipo y realicen tareas muy diferentes. Aun así, también puedes encontrarte con dos personas en empresas distintas que hacen cosas parecidas pero tienen títulos muy diferentes.

Ingeniería de aprendizaje automático en comparación con otras funciones de datos similares

¿Qué habilidades necesita un ingeniero de aprendizaje automático? 

Los ingenieros de aprendizaje automático se encuentran en la intersección de los ingenieros de software y los científicos de datos. Debido a su naturaleza interdisciplinar, tendrás que estar bien versado en conocimientos básicos de ciencia de datos y tener una sólida comprensión de los principios de la ingeniería de software. 

Es importante tener en cuenta que la mayoría de los puestos de ingeniero de aprendizaje automático no requieren una titulación, a pesar de que varias descripciones de puestos todavía lo enumeran como requisito. Si puedes demostrar en tu cartera las habilidades necesarias que se exigen a un ingeniero de aprendizaje automático, aún se te puede tener en cuenta. Profundicemos en la educación, las aptitudes y la experiencia necesarias para que tengas una idea más clara de lo que tendrías que demostrar. 

Competencias técnicas

• Programación avanzada: El requisito más obvio es la capacidad de escribir código. Python y R son los lenguajes más populares entre los profesionales del aprendizaje automático. Sin embargo, algunas empresas pueden exigirte que conozcas otros lenguajes como C++ y Java. 
• Matemáticas, probabilidad y estadística: Las matemáticas, la probabilidad y la estadística desempeñan un papel importante en el aprendizaje automático. Por ejemplo, el álgebra lineal (un subcampo de las matemáticas) se centra en gran medida en los vectores, las matrices y las transformaciones lineales, que son aspectos fundamentales del aprendizaje automático. A menudo lo vemos en las notaciones que describen cómo funciona un algoritmo y debemos tener un buen conocimiento de él cuando implementamos un algoritmo en código. Otras técnicas vitales requieren una buena comprensión de la probabilidad para ayudarnos a tratar la incertidumbre en el mundo real, así como de la estadística para ayudarnos a construir y validar nuestros modelos. 
• Algoritmos y marcos de aprendizaje automático: Es dudoso que tengas que implementar un algoritmo de aprendizaje automático desde cero. Varias personas expertas han creado diversos marcos de aprendizaje automático (por ejemplo, scikit-learn, TensorFlow, PyTorch, Hugging Face, etc.) que hacen accesible el aprendizaje automático. Sin embargo, elegir y optimizar un modelo adecuado para la tarea requiere un buen conocimiento de los algoritmos de aprendizaje automático, sus hiperparámetros y cómo influyen sus hiperparámetros en el aprendizaje. También debes ser consciente de los pros y los contras de adoptar cada enfoque relativo al resolver un problema, lo que también requiere un buen conocimiento del funcionamiento interno de varios algoritmos de aprendizaje automático.
• Ingeniería de software y diseño de sistemas: El resultado final para un ingeniero de aprendizaje automático es un software viable. Para desarrollar sistemas de aprendizaje automático que se adapten bien al aumento de datos, hay que pensar detenidamente en cómo se diseña el sistema. Además, un sistema de aprendizaje automático es un componente menor necesario para encajar en un sistema más amplio. Por lo tanto, un ingeniero de aprendizaje automático debe comprender diversas prácticas recomendadas de ingeniería de software (es decir, control de versiones, pruebas, documentación, codificación modular, etc.) y cómo las distintas piezas forman un sistema. Tendrás que construir una interfaz adecuada para tu modelo de aprendizaje automático que pueda comunicarse eficazmente con los componentes del sistema.
• MLOps: Las operaciones de aprendizaje automático(MLOps) son una de las funciones centrales de la ingeniería del aprendizaje automático. Se centra en agilizar el proceso de despliegue de modelos de aprendizaje automático a producción y los recursos necesarios para mantenerlos y supervisarlos una vez en producción. Sigue siendo una función razonablemente nueva, pero está empezando a ganar adeptos como enfoque práctico para crear aplicaciones de aprendizaje automático de alta calidad. 

Habilidades sociales 

• Comunicación: Los ingenieros de aprendizaje automático deben trabajar con varias partes interesadas. Algunas de estas partes interesadas serán bastante técnicas (por ejemplo, los científicos de datos), mientras que otras pueden no serlo (por ejemplo, los equipos de producto). Por tanto, adaptar eficazmente tu estilo de comunicación a tus interlocutores es vital. 
• Resolución de problemas: A pesar de todas las herramientas extravagantes a la vanguardia del aprendizaje automático, el objetivo principal de un proyecto de aprendizaje automático es resolver un problema. Esto significa que pensar de forma creativa y crítica sobre los problemas es un rasgo muy deseable para los ingenieros de aprendizaje automático. 
• Aprendizaje continuo: El aprendizaje automático es un campo en rápida evolución. Mientras lees este artículo, ves que un investigador está trabajando en algún lugar en la mejora de algún modelo o proceso. Para mantenerte a la vanguardia, debes tener facilidad para aprender rápidamente nuevas herramientas, cómo funcionan, dónde funcionan bien y dónde no. En resumen, la decisión de ser ingeniero de aprendizaje automático es un compromiso implícito con el aprendizaje continuo.

Trayectoria de aprendizaje del Ingeniero de Aprendizaje Automático

Embarcarse en el viaje para convertirse en ingeniero de aprendizaje automático puede ser a la vez emocionante y desafiante. Como hemos visto antes, este campo requiere una mezcla de conocimientos teóricos y habilidades prácticas. Aquí tienes una ruta de aprendizaje estructurada para guiarte en la adquisición de los conocimientos necesarios:

1. Construye unos cimientos sólidos

Empieza con los fundamentos del álgebra lineal, el cálculo, la probabilidad y la estadística. Son importantes para comprender los algoritmos y modelos de aprendizaje automático. A continuación, adquiere destreza en los lenguajes de programación utilizados habitualmente en el aprendizaje automático, como Python y R. Aprende los fundamentos de la codificación, las estructuras de datos y los algoritmos.

2. Sumérgete en los conceptos del aprendizaje automático

Familiarízate con diversos algoritmos de aprendizaje automático, como la regresión lineal, los árboles de decisión, las máquinas de vectores soporte y las redes neuronales. Entender cómo funcionan estos algoritmos y cuándo utilizarlos es esencial.

Adquiere experiencia práctica con marcos populares de aprendizaje automático como TensorFlow, PyTorch y scikit-learn. Estas herramientas simplifican la aplicación de algoritmos y modelos complejos. Practica construyendo y experimentando con modelos en plataformas como Kaggle, Google Colab y DataLab.

3. Desarrollar habilidades de ingeniería de software

Aprende los principios del diseño de sistemas escalables y eficientes. Esto incluye comprender las API, los microservicios y la computación en nube. Recursos como "Designing Data-Intensive Applications", de Martin Kleppmann, proporcionan conocimientos profundos sobre el diseño de sistemas.

Domina los sistemas de control de versiones como Git y plataformas como GitHub. Son esenciales para colaborar y gestionar eficazmente las bases de código. Participa en proyectos de código abierto para adquirir experiencia en el mundo real.

4. Explorar MLOps

Comprender los procesos implicados en el despliegue de modelos de aprendizaje automático en producción. Aprende sobre Docker, Kubernetes y plataformas en la nube como AWS, Google Cloud y Azure. Estas habilidades son cruciales para garantizar que tus modelos sean accesibles y mantenibles.

Aprende a controlar el rendimiento de tus modelos en producción y a aplicar estrategias para reentrenarlos y actualizarlos a medida que dispongas de nuevos datos. Esto incluye establecer canalizaciones y flujos de trabajo automatizados.

5. Construye una cartera

Trabaja en proyectos del mundo real que muestren tus habilidades. Pueden ir desde simples tareas de análisis de datos a complejas aplicaciones de aprendizaje automático. Documenta a fondo tus proyectos y publícalos en plataformas como GitHub o blogs personales.

Participa en competiciones de aprendizaje automático en plataformas como Kaggle y DataCamp. Estos concursos proporcionan experiencia práctica y te ayudan a aplicar tus conocimientos para resolver problemas del mundo real.

Hitos de la ruta de aprendizaje

Cómo conseguir tu primer trabajo de Ingeniero en Aprendizaje Automático

¿Cómo consigues tu primer trabajo? Esto puede dividirse en dos fases: 1) Creación de cartera y 2) Divulgación. La fase de creación de la cartera debe producirse mientras aprendes el aprendizaje automático. Una parte de la divulgación debe producirse, pero se acelera cuando tienes una cartera fuerte. Así que vamos a profundizar en cada fase. 

La fase de creación de la cartera 

Uno de los retos más exigentes a la hora de solicitar puestos de aprendizaje automático es conseguir una entrevista. Dado que este campo es relativamente nuevo, no existen criterios de validación universales que las empresas utilicen para descifrar si un candidato es adecuado para el puesto de ingeniero de aprendizaje automático. Por supuesto, no ayuda que la mayoría de las ofertas de empleo reciban cientos de solicitudes al día.

Para compensar el retraso, los currículos de los candidatos suelen pasar por un sistema ATS que filtra las solicitudes por palabras clave específicas. Por desgracia, la gente no tardó en darse cuenta y llenó sus currículos de palabras clave para vencer a los sistemas ATS. ¿Cómo puedes asegurarte de que las empresas se fijen en ti? 

Una solución es trabajar en proyectos que demuestren tus habilidades y te ayuden a construir una cartera. Estos proyectos pueden consistir en varias entradas de blog bien elaboradas que detallen un planteamiento de un problema o cómo implantar una herramienta concreta (por ejemplo, configurar la supervisión de un modelo de aprendizaje automático listo para la producción). Un proyecto también puede ser un sistema integral que has diseñado para predecir un resultado dados unos datos de entrada. Lo más importante es que puedas demostrar las capacidades que quieren los empresarios. 

Si no estás seguro de qué proyecto construir, podrías participar en concursos de ciencia de datos organizados en plataformas como DataCamp y Kaggle. Participar en este tipo de concursos está muy bien considerado entre muchos empresarios y es una forma estupenda de crear una cartera.

Puedes hacerte una idea de cómo es participar en un concurso con este Tutorial de Concursos Kaggle. 

La fase de divulgación

Una vez que tengas una cartera que hable por ti, la siguiente fase es la divulgación. Varias personas prefieren la forma tradicional de buscar trabajo, que consiste en utilizar las bolsas de trabajo para solicitar tantos empleos como sea posible con el mismo currículum. Aunque esto puede conducir a cierto éxito, es más bien un método de fuerza bruta. 

Un planteamiento más estratégico para conseguir un empleo consiste en establecer un conjunto de empresas que te gustaría que fueran tu empleador. Por ejemplo, ¿preferirías una empresa que utilice el aprendizaje automático o una empresa que mejore los sistemas actuales? ¿De qué tamaño te gustaría que fuera tu empresa ideal? Empieza a hacerte preguntas como éstas para desglosar cómo es tu empleador ideal y haz una lista.

Una vez que tengas una lista de empresas ideales, puedes buscar a los responsables de la toma de decisiones (es decir, directores de contratación, científicos de datos jefe, jefes de equipo) en estas organizaciones utilizando plataformas de medios sociales como LinkedIn y Twitter. Intenta adjuntar un mensaje amistoso para añadirles valor, ya que es muy probable que ya reciban montones de mensajes de personas que buscan oportunidades. Viniendo desde una perspectiva de donación es más probable que se interesen. 

Hola [Insertar nombre],
He leído el artículo sobre el diseño de tu sistema de recomendación y admiro cómo has resuelto el problema del arranque en frío. Dado el alto nivel de experiencia de tu equipo, probablemente ya hayas pensado en esto: recomendar artículos populares es extremadamente útil para ayudar a la gente a tomar decisiones. Llevé a cabo un proyecto para abordar ese problema - aquí está el enlace [insertar enlace]. ¿Estarías disponible para una breve charla sobre el enfoque que adopté en este proyecto? Por favor, hazme saber tu hora preferida para hablar. Aquí tienes mi disponibilidad [insertar disponibilidad]. 

Saludos,

[Tu nombre] 

Observa que la sugerencia anterior tiene dos requisitos clave para que se cumpla: 

1. Asume que tienes presencia en Internet; si no la tienes, asegúrate de crear al menos una cuenta en LinkedIn y optimizar tu perfil.
2. Supone que has investigado a fondo sobre el departamento de aprendizaje automático de la empresa, ya que debes estar al tanto si quieres aportar valor. 

Pero no te detengas ahí. Los reclutadores son extremadamente útiles para conseguir tu primer empleo, por lo que es vital que también intentes conectar con ellos a través de plataformas como LinkedIn. Construye una relación y haz saber al reclutador el tipo de trabajo que te interesa para que pueda estar pendiente de ti. 

Una advertencia importante es que esto no garantiza que consigas un trabajo. Sin embargo, el enfoque sistemático de la búsqueda de empleo te permite seguir mejor tus progresos y mejorar en las áreas que no se te dan tan bien. Por ejemplo, si te pones en contacto con alguien y no recibes respuesta, puedes modificar ese mensaje y enviárselo a otra persona. Si obtiene respuesta, puedes modificar ese mensaje y utilizarlo para otra persona.  Lo ideal sería que lo fueras retocando hasta que recibieras cada vez más respuestas. 

Qué esperar en la entrevista de un Ingeniero de Aprendizaje Automático

Las distintas empresas tienen su forma preferida de llevar a cabo su proceso de entrevistas, y encontrar cada enfoque puede ser todo un reto. Una buena práctica es preguntar cómo funciona el proceso de entrevista antes de tu primera entrevista, pero esta información te la suelen dar. Además, la mayoría de las empresas tienden a tomar su enfoque de las organizaciones multinacionales (por ejemplo, Google, Facebook, Apple, etc.) y luego añaden su toque para adaptarse a ellas. Así, podemos aprender mucho sobre cómo la mayoría de las empresas realizan las entrevistas a los ingenieros de aprendizaje automático y hacernos una mejor idea de lo que podemos esperar observando los procesos de las organizaciones multinacionales. 

Entrevista Google 

Google busca contratar sólo a los talentos más brillantes. En consecuencia, su proceso de entrevistas, extremadamente exigente, está diseñado para filtrar a los candidatos que no cumplen sus elevados estándares. 

El proceso de entrevistas también es muy amplio y específico de Google (es decir, Google Cloud), y abarca diversos temas, desde estructuras de datos y algoritmos hasta diseño de sistemas y pruebas. Puedes esperar pasar por varias rondas, incluida una selección de personal, una o dos selecciones telefónicas técnicas y de cuatro a seis entrevistas in situ.

Entrevista en Amazon

Al igual que Google, el proceso de entrevistas de Amazon es específico de Amazon (es decir, AWS) y extremadamente difícil. Las entrevistas incluyen una prueba telefónica de selección de personal, una evaluación online en algunos casos, una o dos pruebas telefónicas y de cuatro a seis entrevistas in situ. 

Los temas que se tratarán incluyen preguntas de comportamiento, preguntas de ingeniería de software (es decir, diseño de sistemas) y preguntas específicas de aprendizaje automático. Sin embargo, es posible que un entrevistador te pregunte sobre alguno de tus proyectos de aprendizaje automático y te pida que resuelvas un problema de codificación.

Metaentrevista 

El proceso de entrevista para ingenieros de aprendizaje automático de Meta es bastante holístico. Pasarás por una criba de selección de personal, una entrevista de codificación y unas cinco entrevistas in situ para determinar tu idoneidad. También puedes recibir una tarea para que los responsables de contratación vean cómo resuelves los problemas de forma práctica. 

Es importante tener en cuenta que no todos los procesos de contratación de las empresas son tan prolongados o intensos como los de las multinacionales citadas anteriormente. Por ejemplo, algunas empresas no creen que sea tan necesario profundizar en las estructuras de datos y los algoritmos.

Aun así, la mayoría estaría de acuerdo en que el diseño de sistemas de aprendizaje automático es esencial e incluiría una sección para poner a prueba tus conocimientos en ese departamento. Por tanto, debes esperar varias rondas de entrevistas -normalmente una ronda de selección, luego una ronda técnica, seguida de una entrevista de comportamiento- antes de que se tome una decisión.

Potencial Salarial del Ingeniero de Aprendizaje Automático

Cuánto puedes ganar como ingeniero de aprendizaje automático depende de tu ubicación. Por ejemplo, el salario base medio para un ingeniero de aprendizaje automático en 2024 en Estados Unidos es de 161.000 dólares, según Indeed. 

Está claro que esto puede necesitar algún refinamiento, ya que muchas empresas aceptan ahora cada vez más trabajadores a distancia. Ha habido un debate en curso sobre cómo pagar a los empleados de forma justa, dado el aumento del trabajo a distancia: algunas empresas han resuelto pagar a los empleados en función de su ubicación, lo que significa que podrías ganar menos que alguien con el mismo puesto que tú si trabajas desde un país menos desarrollado económicamente y ellos están en la oficina.

Otras empresas han decidido mantener la tarifa salarial independientemente de la ubicación. Lo principal es que las empresas tienen políticas diferentes sobre la remuneración de los trabajadores a distancia, así que tendrás que hacer las averiguaciones oportunas. 

Consulta nuestro artículo dedicado a los salarios de los ingenieros de aprendizaje automático para obtener un análisis más exhaustivo.

Conclusión

El resultado del flujo de trabajo de un ingeniero de aprendizaje automático es un producto de datos. Para trabajar eficazmente como ingeniero de aprendizaje automático, debes ser un programador técnicamente sólido con una base sólida de matemáticas, estadística, probabilidad e ingeniería de software. Aunque a menudo se pide en las descripciones de los puestos de trabajo, en la mayoría de las empresas no se exige una titulación, pero es necesario demostrar tus capacidades con un portafolio.

DataCamp tiene excelentes itinerarios profesionales para iniciarte en tu viaje como ingeniero de aprendizaje automático: 

• Científico de Aprendizaje Automático con R
• Científico de Aprendizaje Automático con Python