Ocho semanas para un doctorado en IA

Una de las características de este tiempo en que la IA se dio a conocer entre la gente común, es el sentimiento de que algo se nos está yendo de las manos, de que debemos aprender a dominar las herramientas para no quedarnos afuera de tal innovación, de nuestro trabajo y de un futuro inminente. Ni que hablar en educación, donde todo es más incierto, porque no se pueden tomar decisiones a la ligera, y porque incluso las buenas decisiones deben ser acompañadas con recursos que generalmente escasean.

Entonces, en determinadas esferas del Estado comienzan a resonar capacidades profesionales vinculadas con la IA, y medidas que la mencionan como escudo frente a la sensación de que el país se está quedando atrás. Universidades que “crean IA”, cuando sólo configuran bots con modelos que ya existen; documentos oficiales de “IA en educación”, en donde sólo se ve alguna consigna que insta a los alumnos a hacer preguntas y ver en qué se equivocó un pobre modelo de lenguaje al que ni siquiera se le ha dado contexto; la propaganda del acceso a Gemini para todos los estudiantes y profesores de escuelas públicas, sin un plan pedagógico para usarlo.

No sólo el gobierno, sino muchas empresas privadas buscan de manera frenética perfiles que en su mayoría no existen. Es gracioso analizar las solicitudes de empleo que hoy circulan en plataformas como LinkedIn. Como si alguien (probablemente la misma IA) hubiera leído ciencia ficción para inspirarse en capacidades que son más un deseo que una realidad.

En estos días, en Argentina, la discusión llegó a su cumbre cuando el gobierno anunció a la nueva secretaria de Innovación, Ciencia y Tecnología, Adriana Baravalle, avalada con un título de “doctora en IA”. Entonces, alguien investigó este título y la universidad que se lo otorgó, y se disparó la polémica. El doctorado en Inteligencia Artificial existe, pero no con ocho semanas de duración ni con una “tesis exprés” de ocho meses. Por otro lado, la universidad que se lo otorgó no está acreditada por ninguna agencia reconocida por el Departamento de Educación de Estados Unidos. A tal punto está puesto el foco en esto, que se ignoran los otros títulos y experiencia de Baravalle, que son los que tal vez sí le otorgarían la competencia necesaria para encarar un cargo de semejante envergadura. La funcionaria tiene casi treinta años de experiencia en docencia e investigación, es analista de sistemas por la Universidad de la Defensa Nacional, magíster en Ciencia de Datos y Gestión del Conocimiento por la Universidad Austral y cursa actualmente un doctorado en Ingeniería.

Esto describe una capacidad real que no se lee como autoridad, en contraposición con un “doctorado en IA”, que sí suena bien y se adapta a las necesidades inminentes, pero que en el fondo no describe nada.

Mientras tanto, las redes sociales se inundan de cursos y especializaciones dudosas. La palabra “experto” corre como fuego en un camino de pólvora, y muchas personas que no tienen tendencia autodidacta caen en trampas diseñadas para dinamitar bolsillos. Se trata de quienes venden el rótulo más que el conocimiento o el acceso, que es tan amplio como personal. Es contradictorio que precisamente el conocimiento que ofrecen es lo que está al alcance de cualquiera que lo busque, y de manera gratuita.

Pero el mayor problema es que algunos desconocedores, que miran a la IA de costado, que no se animan más que a pedirle alguna receta de cocina, comienzan a sobreestimar las capacidades de otros que vamos un poquito más allá.

Entonces, ¿quiénes son realmente los expertos en IA? ¿dónde estudiar seriamente estas competencias tan nuevas y cambiantes? ¿Cuáles son las capacidades compatibles con ellas? Es en este punto donde conviene hacer una diferenciación importante entre algunos matices que encarnan la constitución de un verdadero “experto en IA”. Porque tal vez la capacidad deba residir antes en otro lado, en algunos saberes previos a los de manejar esta tecnología.

Cuatro capas de conocimiento

Para interiorizarnos en este campo, vamos a determinar cuatro capas de conocimiento que organizan determinados patrones de gente que se dedica a crear herramientas con inteligencia artificial o que realmente “crea IA”. Usemos para eso la metáfora de un edificio, con la excepción de que, a diferencia de una construcción en concreto, en este caso, algunas capas posteriores son capaces de modificar a las anteriores.

Profesiones o conocimientos que se relacionan con cada una de estas etapas:

Investigación fundamental

Investigación fundamental (transformer, difusión), objetivos de entrenamiento, leyes de escala. Hay un grupo chico que se dedica a esto, son los que “crean la IA”, unos miles de personas en el mundo que entrenan modelos de frontera, en laboratorios privados. Se trata de profesionales validados por entornos académicos, que publican en circuitos revisados por pares. En el ejemplo de la construcción de un edificio, esta etapa sería como la del diseño estructural del que dependerán todos los pisos.

Qué se estudia: doctorado en ciencias de la computación con orientación en aprendizaje automático. Otra vía de entrada puede ser la física teórica y la matemática aplicada. El núcleo formativo es álgebra lineal, cálculo multivariable, probabilidad, optimización y teoría de la información.

Pero la disciplina de origen puede pertenecer a otro campo o variar. Geoffrey Hinton, premio Nobel de Física 2024 y una de las figuras centrales del aprendizaje profundo, estudió psicología experimental antes de doctorarse.

Ingeniería de sistemas

Ingeniería de sistemas. Son quienes hacen posible que lo anterior funcione en un entorno tangible. Cómputo distribuido en miles de GPUs. Esta capa es esencial, porque sin ella no hay modelo. Sería la construcción del edificio concreto, sus columnas, cimientos, provisiones de energía.

Qué se estudia: ingeniería de sistemas, ingeniería informática, ingeniería electrónica. Es la capa de formación más convencional y más claramente acreditable: sistemas operativos, arquitectura de computadores, programación paralela y concurrente, redes, compiladores. Se trabaja más cerca del hardware.

Post-entrenamiento y alineamiento

Post-entrenamiento y alineamiento (fine-tuning, evaluación, seguridad). Entendida como todo lo que se hace sobre un modelo ya entrenado para entenderlo y controlarlo. Es la capa más nueva, que se profesionalizó en los últimos tres años, y la más heterogénea en cuanto a la preparación profesional. Es la etapa en que en un edificio se decidiría la habilitación, seguridad contra incendios, accesibilidad. Estas decisiones pueden modificar a las capas anteriores.

Qué se estudia: acá empiezan a desdibujarse las fronteras académicas, porque se accede desde diferentes lugares, con conocimientos dados por las ciencias de la computación y la estadística, pero con un plus fundamental: el criterio. Es heterogénea, también se relaciona con el lenguaje y con la capacidad necesaria para diferenciar entre una buena respuesta y una dañina. Estas son competencias que vienen generalmente de las ciencias sociales. Es la primera en que el requisito matemático no es del todo excluyente. Christopher Olah, cofundador de Anthropic y uno de los fundadores de la interpretabilidad, dejó la universidad a los dieciocho años y no tiene título de grado. En esta capa la credencial tampoco es concluyente, sí la formación, validada o no por la academia.

Capa de aplicación

Capa de aplicación: frameworks, APIs, orquestación, agentes. Son quienes usan el edificio, quienes deciden si cada piso o departamento será un negocio, un consultorio, un aula o una vivienda, y la preparan para tal fin.

Esta capa es “libre”. No hay una formación canónica, aunque varias de las anteriores se relacionan. Sin embargo, no garantizan las capacidades, ya que la validación está dada por la efectividad del resultado.

Por supuesto que la ingeniería de software es la que más se relaciona de manera directa, también los conocimientos de programación, manejo de APIs, bases de datos. Pero no es una garantía, alguien que estudió esto hace tiempo no necesariamente es un experto en herramientas con IA. Porque también se necesita una comprensión funcional de cómo opera el modelo.

Mucha de esta información circula en tutoriales y es bien explicada por la misma IA. Por lo tanto, cualquier autodidacta competente, con ciertos conocimientos previos, puede entrar en esta capa, sin necesidad de ser validado académicamente.

Qué buscar, entonces

De esto se desprende que no necesariamente debe haber un aval académico para desenvolverse en las competencias relacionadas con la IA, o que ese aval puede ser tan heterogéneo que carece de relevancia. Por otro lado, podría decirse entonces que lo más necesario para mantenerse competente en un mundo trastocado por esta tecnología cambiante es la capacidad para reinventarse, la flexibilidad y facilidad para adaptar los conocimientos anteriores a los nuevos; la profundización en cualquier tipo de saber que nos transforme en expertos, no necesariamente de IA, sino de aquello a lo que nos dedicamos, eso que traíamos antes de que apareciera esta tecnología.

Y después viene lo demás, que es muy accesible, pero que carecería de sentido si simplemente conociéramos las herramientas que están a nuestro alcance. Hay gente que puede enseñarnos a usarlas, pero generalmente no son personas que cobran por hacerlo, porque no pertenecen a la esfera formal, en donde se requiere tiempo, planificación, puesta a prueba. Cuando llega la validación académica, el modelo ya cambió, y los planes quedaron obsoletos.

Entonces, ¿quiénes son los expertos en IA? ¿Podría darnos un doctorado todo lo que necesitamos para convertirnos en uno? ¿Qué es lo que debemos buscar a la hora de analizar ofertas de cursos en internet? La respuesta a esta última pregunta es tan diversa como la variabilidad de cosas que podemos hacer con IA, y cada uno debe hacer su recorrido profesional para responderla.