SG Buzz

¡Dev Day 4 Women abre convocatoria para su edición de 10mo aniversario!

Fernando — Thu, 03 Jul 2025 19:05:05 +0000

¡Dev Day 4 Women abre convocatoria para su edición de 10mo aniversario!

Fernando Thu, 07/03/2025 - 13:05

¡10 años construyendo comunidad! 🎉

Este 2025 celebramos el décimo aniversario de Dev Day 4 Women, y queremos que seas parte de este momento histórico como speaker.

¿A quién convocamos?

A mujeres en tecnología con experiencias que inspiran, conocimientos que transforman y ganas de compartir.
Si desarrollas software, lideras equipos, construyes comunidad o has enfrentado retos únicos en la industria, este es tu espacio.

¡Evento 100% gratuito y presencial!
📅Jueves 23 de octubre
📍BBVA Spark Space Monterrey

Nos reuniremos en la vibrante ciudad Regia de Monterrey, donde las asistentes podrán disfrutar de charlas técnicas, conferencias sobre desarrollo profesional, historias inspiradoras, actividades de networking y celebraremos nuestro 10° aniversario.

Temáticas principales:

✔️ Desarrollo de software (técnico y teórico)
✔️ Liderazgo, soft skills y pensamiento crítico
✔️ Experiencias en la industria
✔️ Diversidad, inclusión y empoderamiento
✔️ Estrategias frente al acoso y creación de espacios seguros

Participa como conferencista en los diferentes espacios:

🎙 ️ Charla (25 minutos): Estas sesiones idealmente se enfocan en compartir un tema técnico, puede ser sobre una tecnología en específico o de algún proyecto en el que hayas participado y quieras compartir tu experiencia.
⚡ Ignite (5 minutos): Espacio para compartir experiencias personales o algún tema relacionado con el desarrollo profesional, empoderamiento o liderazgo en tecnología de las personas que se identifican como mujeres.
👥 Comunidad (3 minutos): Diriges o eres parte de una comunidad que apoya el desarrollo de mujeres en tecnología y te gustaría presentar dentro del espacio de networking.

Formato de participación

✔️ Presencial en vivo con charlas en un solo espacio
✔️ Dev Day 4 Women es un evento gratuito para nuestro público, por lo que no contamos con presupuesto para viáticos.
✔️ Recuerda que las personas que postulan charlas deben seguir y aceptar nuestro Código de Conducta en: https://devday4w.com/coc/.

🚨La fecha límite de recepción de propuestas es el domingo 10 de agosto del 2025.

Desde su creación, DD4W ha sido clave para impulsar la diversidad en tecnología, conectando a mujeres con empresas, oportunidades y conocimientos de vanguardia. ¡Queremos construir el futuro de la tecnología contigo! Postula tu charla y sé parte de DD4W 2025.

Si tienes dudas, escríbenos a code4dei@sg.com.mx

Mara Ruvalcaba

¡Vuelve KCD Colombia en 2025!

Fernando — Thu, 03 Jul 2025 18:14:04 +0000

¡Vuelve KCD Colombia en 2025!

Fernando Thu, 07/03/2025 - 12:14

La comunidad de Kubernetes se reúne nuevamente en Bogotá para un evento imperdible

La comunidad cloud native de Colombia ya tiene una cita para 2025: KCD Colombia regresa el próximo 29 de agosto en Bogotá, como parte de los Kubernetes Community Days (KCD), una serie de eventos organizados por comunidades locales y avalados por la Cloud Native Computing Foundation (CNCF).

KCD Colombia 2025 será un espacio vibrante donde profesionales, entusiastas y empresas podrán conectarse, aprender y compartir conocimientos sobre tecnologías cloud native, Kubernetes, contenedores, DevOps, seguridad, observabilidad y más.

¿Qué es un KCD?

Los Kubernetes Community Days (KCD) son eventos regionales sin fines de lucro, impulsados por la comunidad y apoyados por la CNCF. Su objetivo es promover el aprendizaje, la colaboración y el crecimiento del ecosistema cloud native en distintas regiones del mundo.

En KCD Colombia, los asistentes pueden esperar una experiencia auténtica y diversa, con charlas técnicas, talleres, espacios de networking y mucho contenido en español, adaptado a las necesidades e intereses de la comunidad local.

¿Qué esperar de la edición 2025?

Fechas: 29 de agosto de 2025
Lugar: Bogotá, Colombia
Formato: Presencial
Idiomas: Español e inglés
Agenda: Por anunciar, pero incluirá charlas técnicas, sesiones prácticas, paneles y mucho más
Temáticas principales: Kubernetes, Cloud Native, DevOps, Observabilidad, Seguridad, Plataformas, Casos de uso reales y experiencias de adopción

¿Quieres participar?

Ya seas desarrollador, operador, estudiante, líder técnico o empresa interesada en tecnologías cloud native, KCD Colombia 2025 será el espacio ideal para conectar con la comunidad y mantenerse al día con las tendencias del sector.

Puedes adquirir tu ticket con descuento utilizando el código SoftwareGuru20. O bien, si estás en la universidad, perteneces a una comunidad, estás en situación de desempleo o por alguna razón no puedes cubrir tu entrada, puedes solicitar una beca en este formulario.

Mantente al tanto de todas las actualizaciones siguiendo la página oficial del evento en la plataforma de la CNCF y las redes sociales de la comunidad.

Pedro Galván

Cómo Reducir el 74% del Tiempo en Búsqueda de Datos: Un Caso Práctico de IA Generativa en Ingeniería

Fernando — Thu, 03 Jul 2025 17:02:00 +0000

Cómo Reducir el 74% del Tiempo en Búsqueda de Datos: Un Caso Práctico de IA Generativa en Ingeniería

Fernando Thu, 07/03/2025 - 11:02

La Inteligencia Artificial Generativa (IAG) ha capturado la atención de todos, desde líderes empresariales hasta el público en general. Sin embargo, su aplicación práctica y la consecución de resultados tangibles en sectores tradicionales como la manufactura, aún generan escepticismo. En Viakable, una empresa mexicana perteneciente al importante grupo Xignux, nos embarcamos en una Prueba de Concepto (PoC) para explorar el verdadero potencial de la IAG en la mejora de la toma de decisiones y la optimización de procesos. Lo que descubrimos no sólo validó nuestra hipótesis, sino que también sentó las bases para una adopción más amplia de esta tecnología.

Desafíos y Expectativas en la Adopción de IAG

El Foro Económico Mundial y consultoras como Gartner han destacado la relevancia de la IAG en la toma de decisiones. Sin embargo, también han señalado que no todas las implementaciones logran los objetivos esperados. Esta brecha entre la expectativa y la realidad se debe, en gran medida, a la necesidad de justificar la inversión con casos de negocio claros y tangibles, especialmente para las áreas financieras que buscan un impacto directo en el estado de resultados.

Otro factor crítico es el proceso de adopción. Si bien el uso personal de modelos de IAG es común, su integración en entornos empresariales cerrados, con información de negocio sensible, presenta desafíos significativos. Hasta un 72% de los líderes tecnológicos reportan dificultades en esta transición. A esto se suma el aumento en los costos de los proveedores de software de IAG, con incrementos de hasta el 30% que se proyecta seguirán en aumento.

Para los equipos de desarrollo, la IAG también representa una evolución en los roles. Herramientas como Power BI y los sistemas ERP ya están integrando motores de IAG, lo que significa que la construcción de dashboards con lenguaje natural o la optimización de procesos empresariales serán una realidad. Esto impulsará a científicos de datos y desarrolladores a asumir nuevos roles y responsabilidades.

La Prueba de Concepto: Un Enfoque Pragmático

En Viakable, decidimos abordar un problema concreto y de alto impacto: la gestión de normas de calidad. Un área de calidad debía evaluar más de 3,500 normas, muchas de ellas en diferentes idiomas, con fórmulas, especificaciones y texto técnico complejo. Este proceso era intensivo en tiempo y conocimiento especializado.

Nuestra PoC se centró en 450 de estas normas, seleccionando aquellas que eran más desafiantes de interpretar humanamente. El ecosistema de Azure, donde ya teníamos varios proyectos implementados, fue nuestra plataforma. Conformamos un equipo multidisciplinario con expertos de ciberseguridad, infraestructura, ciencia de datos, analítica y, crucialmente, 18 ejecutivos de operaciones que representaban los niveles de experiencia (principiante, intermedio y avanzado).

Diseño de la Prueba y Criterios de Éxito

La piedra angular de nuestra metodología fue la creación de un banco de preguntas categorizadas por nivel de dificultad, elaboradas por los propios expertos en normas de calidad. Esto aseguró la relevancia y precisión de las interrogantes. La interfaz de la herramienta fue deliberadamente sencilla, similar a un chatbot convencional.

Para asegurar la validez de los resultados, definimos cuatro criterios de éxito rigurosos:

Búsqueda correcta de la norma: Que la IAG identificara la norma pertinente a la pregunta.
Ubicación precisa: Que la IAG señalara la página y el párrafo exactos dentro de la norma.
Respuesta correcta: Que la IAG proporcionara la respuesta adecuada o la más cercana.
Evaluación subjetiva del usuario: La percepción del usuario sobre la utilidad y calidad de la respuesta.

La selección de participantes fue aleatoria, incluyendo tanto usuarios entusiastas de la tecnología como aquellos más reticentes o apáticos. Esto nos permitió obtener una visión holística de la experiencia de usuario en un entorno empresarial real. Además, para cada prueba, se "limpió" el historial del bot para evitar cualquier sesgo y asegurar que cada interacción comenzara desde cero.

Resultados y Aprendizajes Clave

Los resultados de nuestra PoC fueron sumamente alentadores, especialmente considerando la complejidad del dominio. Obtuvimos una calificación promedio de p70 en los cuatro criterios, lo cual es notable para una primera iteración. Es importante recalcar que, como en cualquier modelo generativo, la "alucinación" (respuestas incorrectas o inventadas) es un factor. Sin embargo, la literatura sugiere que la precisión máxima en este tipo de aplicaciones, incluso con ajustes de "temperatura cero", rara vez supera el 80-85%.

En promedio, el bot tardó 7 minutos en contestar una pregunta, con 3 intentos para lograr una respuesta asertiva. Para poner esto en perspectiva, un ingeniero dedicaba en promedio 210 minutos a la semana solo a la búsqueda de información, con algunas búsquedas complejas tomando hasta 27 minutos.

La Sorpresa de los Ejecutivos

Lo más sorprendente fue el desempeño con los gerentes. Nuestra hipótesis inicial era que calificarían la herramienta de manera inferior, pero los resultados indicaron lo contrario. Las gerencias se mostraron muy satisfechas, logrando respuestas correctas en un promedio de 2 intentos y en tan solo 4 minutos. Esto subraya el potencial de la IAG para impactar positivamente incluso a los niveles directivos, al proporcionar información rápida y precisa para la toma de decisiones estratégicas.

Aprendizajes Estratégicos

Esta PoC nos dejó valiosos aprendizajes:

Ingeniería de Prompts: La calidad de las preguntas es crucial. Trabajar en la "democratización" de la IAG, enseñando a los usuarios a formular preguntas efectivas, será fundamental.
Ajuste Fino del Modelo e Indexación: Identificamos áreas de oportunidad para el fine-tuning del modelo y la optimización del proceso de indexación de la información para mejorar la calidad de las respuestas.
Calidad de la Información Fuente: Descubrimos que algunas normas habían sido escaneadas en los años 90 o 2000 con tecnología limitada, lo que afectaba la legibilidad. La renovación de estos documentos será esencial para maximizar la eficacia del bot.
Modelo Utilizado: Implementamos un modelo GPT-4 Turbo con el ecosistema de Microsoft Azure, integrado en la nube.

Impacto y Próximos Pasos

El beneficio principal y más tangible fue una reducción del 74% en el tiempo de búsqueda de información. Considerando que 70 ingenieros dedican un promedio de 210 minutos semanales a esta tarea, el potencial de ahorro de tiempo y recursos es inmenso.

Actualmente, estamos midiendo la coherencia, fluidez y precisión del modelo con nuestras propias pruebas y estándares de Microsoft. También estamos explorando modelos de open source como Llama para diversificar nuestras opciones.

Para el 2025, el caso de uso se perfila para ser autorizado y llevado a producción. Evaluamos varios escenarios, incluyendo el desarrollo interno e híbrido con consultoría, para seguir mejorando la calidad del bot.

Conclusiones: Experimentar para Innovar

La IAG tiene un valor innegable para el negocio, pero es crucial seleccionar el caso de uso adecuado y gestionar las expectativas del cliente. Debemos ser francos sobre las capacidades y limitaciones de la tecnología. La experimentación, con un mindset de "equivocarse rápido" y medir el progreso, es clave. Así como la NASA valora las pruebas de concepto en sus KPIs, las empresas de manufactura deben adoptar esta mentalidad para aprovechar al máximo las oportunidades que la IAG ofrece.

Aunque nuestro ejercicio fue "sencillo" en el vasto panorama de la IAG, los aprendizajes obtenidos son profundos y aplicables a cualquier industria. La IAG no es una panacea que resolverá todos los problemas, pero sí una herramienta poderosa que, utilizada estratégicamente, puede generar un valor agregado sustancial y transformar la forma en que trabajamos. El futuro de la manufactura inteligente ya está aquí, y se construye a través de la experimentación, la adaptación y una comprensión clara de la intersección entre la tecnología y el negocio.

Si quieres aprender más de casos de uso de ciencia de datos e IA, no te pierdas el próximo Data Day y mira el video completo de esta charla:

Juan Baldemar

FinOps para Data Scientists: De la Sorpresa en la Factura al Valor Medible

Fernando — Thu, 03 Jul 2025 15:37:38 +0000

FinOps para Data Scientists: De la Sorpresa en la Factura al Valor Medible

Fernando Thu, 07/03/2025 - 09:37

¿Cuántos de nosotros hemos abierto la factura mensual de la nube y nos hemos encontrado con cifras que superan drásticamente el presupuesto inicial? Un presupuesto de $5,000 que se convierte en $62,000 no es una anécdota aislada, sino una realidad palpable cuando la infraestructura de ML y IA escala sin un control riguroso.

Las razones son multifactoriales:

Falta de visibilidad: La ausencia de herramientas y procesos para monitorear el uso de los recursos en tiempo real en las distintas plataformas cloud (AWS, Azure, GCP).
Ausencia de rastreo: Dificultad para identificar quién utiliza qué recurso, para qué propósito y con qué aprobación. Esto incluye instancias que permanecen activas innecesariamente por semanas.
Desconexión costo-valor: La brecha crítica entre el costo generado en la nube y el valor agregado a la organización. A menudo, los equipos están cargados hacia la optimización técnica, olvidando el retorno de la inversión (ROI).

Esta dinámica genera una tensión interna considerable: la promesa de la nube como una solución costo-efectiva se desvanece ante facturas exorbitantes, derivando en lo que podríamos llamar "peleas políticas" dentro de la organización.

La Ecuación Crucial: Costo vs. Valor Empresarial

El núcleo de una gestión de costos efectiva en la nube reside en la correlación directa entre el gasto y el valor. Un producto analítico o de ML debe impactar directamente en al menos uno de los siguientes cuatro pilares:

Generación de ingresos: ¿Nos trae un cliente más? ¿Aumenta el ingreso por cliente?
Minimización de costos: ¿Reduce un costo operativo existente?
Supervivencia operacional: ¿Nos ayuda a mantener la operación un día más, frente a disrupciones o desafíos?
Reducción de riesgos: ¿Disminuye un riesgo operacional, de cumplimiento o de multa?

Si una iniciativa en la nube no cumple con al menos uno de estos criterios, su existencia debería ser reconsiderada. Esta es la esencia de un gobierno de datos y ML proactivo: forzar esta evaluación antes de la generación de cualquier costo.

FinOps y el Marco de Gartner: Pilares para la Optimización

El reciente marco de Gartner, en sinergia con las buenas prácticas de FinOps (Finanzas + DevOps), proporciona una hoja de ruta clara para la optimización de costos. Los principios fundamentales son:

1. Maximizar el Valor Empresarial

Siempre con los cuatro pilares de valor en mente, cada recurso y cada inversión en la nube deben estar directamente vinculados a un KPI medible.

2. Colaboración Interdisciplinaria

Todos los stakeholders (científicos de datos, ingenieros de ML, desarrolladores, líderes de negocio, equipos financieros) deben estar alineados en el objetivo de agregar el máximo valor con el menor costo posible.

3. Gobernanza Sólida

Implementar las herramientas y procesos necesarios para una visibilidad granular y oportuna de los costos. Esto implica:

Etiquetado riguroso: Cada recurso debe ser etiquetado con información clave: área solicitante, persona responsable, propósito, tiempo de uso previsto (prueba vs. producción).
Seguimiento de costos dinámico: Monitoreo mensual, quincenal, semanal, o incluso casi en tiempo real para recursos críticos. La granularidad y temporalidad deben permitir una acción proactiva antes de recibir la factura.
Evitar el sobredimensionamiento: Cuestionar y validar las solicitudes de recursos. ¿Por qué se necesita una instancia tres veces más grande? ¿Cómo impactará en las metas anuales?

Bajando a Tierra: Estrategias y Tácticas

Para pasar del concepto a la implementación, considera los siguientes puntos:

1. Presupuesto Proactivo y Colaboración con Proveedores

Realiza un presupuesto anual o trimestral. Aprovecha las "free tiers" de los proveedores de nube. Sienta a tus proveedores y comparte tus casos de negocio y volumetrías anuales. Las nubes tienen programas de colaboración (créditos, asistencia de ingenieros) que a menudo no se aprovechan. Involúcralos desde el principio.

2. La Cultura del ROI en Equipos de Datos

Este es uno de los mayores desafíos. Los científicos de datos y analistas, a menudo, no están intrínsecamente "switcheados" al pensamiento del ROI. Solicitan recursos (Pinpoint, Neptune, etc.) sin considerar el gasto y el retorno. Es nuestra responsabilidad como líderes inculcar esta mentalidad. Realiza revisiones regulares: "Te estás gastando X, ¿cuánto valor estás retornando?"

3. Métricas y Dashboards de Costos

Implementa dashboards de costos. Aunque las herramientas varían entre AWS, Azure y GCP, la necesidad de métricas claras y visibilidad es universal. Esto permite evitar el sobredimensionamiento y tomar decisiones informadas.

4. Innovación Controlada

No detengas la innovación, pero contrólala. Establece reglas claras para el despliegue de nuevos productos analíticos. Si un grupo está innovando constantemente sin impactar KPIs, algo está mal. La innovación debe estar alineada con los objetivos empresariales.

5. Ajustes Dinámicos y Baseline

Los primeros 9 meses de implementación de FinOps serán un período de ajustes constantes ("arriba y abajo"). No tendrás un baseline de referencia. Sin embargo, con el tiempo y la adhesión a las buenas prácticas, la curva de costos se "aplanará" y se volverá predecible. De lo contrario, podrías pasar dos años luchando.

6. Centralización y Responsabilidad Distribuida

Debe existir un grupo central que centralice los gastos de la nube. Sin embargo, es crucial que todos los insights y costos se retroalimenten a las áreas de operación. Haz que sean conscientes de su gasto. Si la persuasión no funciona, considera vincular el buen o mal uso de la nube al bono de desempeño individual o del equipo. Al final, la responsabilidad del costo debe recaer en las áreas que consumen los recursos.

7. Enfoque Gradual y Priorización

No intentes atacar todas las áreas y servicios a la vez. Identifica las nubes y cuentas más críticas o con mayor consumo. Ataca una por una, y los beneficios se irán cascada.

Tu Tarea Como Profesional de Datos

Como takeaway de esta discusión, es fundamental:

Reconocer FinOps (o el marco de gestión de costos en la nube) como CLAVE. Sin él, las facturas desorbitadas de $70,000 o $100,000 mensuales serán una realidad recurrente.
Involucrar a tu proveedor de nube. Pero ten cuidado con las "opciones flojas" como los compromisos de instancias reservadas a largo plazo sin una estrategia sólida de gobernanza. Primero, implementa tu gobierno y buenas prácticas; luego, considera los compromisos a corto plazo (no más de un año, dada la velocidad de cambio tecnológico).
Realizar evaluaciones (assessments) internas. Entiende dónde están tus mayores focos de gasto y comienza a optimizar de manera incremental.
Alinear el gasto con los objetivos empresariales. Cada producto analítico debe impactar un KPI claro.
Fomentar la visibilidad para todos. Dashboards accesibles que muestren el quién, qué, cuándo y por qué del uso de la nube son esenciales. Implementa gobierno, pero no sacrifiques la innovación; simplemente, canalízala con reglas claras para un crecimiento orgánico y controlado.

En última instancia, una gestión de costos eficaz en la nube no es solo una cuestión financiera, sino una estrategia de eficiencia que permite a las organizaciones liberar recursos, fomentar la innovación sostenible y asegurar el valor a largo plazo de sus inversiones en datos y ML.

¿Quieres conocer más acerca de gestion financiera en la nube publica? Mira la charla completa de Aldo Valadez y no te pierdas Data Day Monterrey:

Pedro Galván

De Datos a Decisiones: Mejorando la Operación Portuaria con Análisis Avanzado

Fernando — Thu, 05 Jun 2025 00:50:25 +0000

De Datos a Decisiones: Mejorando la Operación Portuaria con Análisis Avanzado

Fernando Wed, 06/04/2025 - 18:50

La industria del transporte marítimo es el pilar fundamental del comercio global, moviendo entre el 80 y 90 por ciento de la mercancía mundial. En este contexto, las terminales portuarias juegan un rol crítico, actuando como nodos de intercambio esenciales. La eficiencia en estas terminales no solo impacta la economía local sino que resuena en la cadena de suministro global. Recientemente, un proyecto innovador ha aplicado la ciencia de datos para optimizar la toma de decisiones en una terminal portuaria mexicana, con resultados prometedores.

El Contexto: Operaciones en una Terminal Portuaria

Las terminales portuarias especializadas en contenedores son sistemas complejos donde se planifican atraques, se descargan y cargan contenedores, se gestiona su almacenamiento en patios y se maneja su entrada y salida. La planificación de atraques es crucial, así como la gestión eficiente de las grúas que mueven los contenedores. El proceso de estiba, es decir, cómo se apilan los contenedores, es particularmente relevante. Si un contenedor que necesita salir pronto está enterrado bajo otros, se deben realizar reacomodos, movimientos que a menudo se consideran desperdicio. De hecho, en la terminal estudiada, se estima que hasta el 75 por ciento de estos movimientos son innecesarios.

El Proyecto: Ciencia de Datos al Rescate

El objetivo principal del proyecto fue reducir estos movimientos desperdicio. Para lograrlo, se propuso proporcionar a la terminal información predictiva sobre el tiempo de permanencia de los contenedores, la necesidad de servicios aduanales y el tipo de mercancía. Esta información permite distribuir los contenedores de manera más eficiente, colocando aquellos con salida próxima en áreas accesibles y aquellos que requieren servicios aduanales en áreas designadas.

Datos y Metodología

El proyecto se basó en una gran cantidad de datos proporcionados por la terminal, que abarcaban desde 2016 hasta 2022. Se utilizaron dos bases de datos principales: una de operaciones con 2 millones de observaciones y otra de movimientos con 13.5 millones de observaciones. Además, se contó con un catálogo de consignatarios y el sistema armonizado para la clasificación de productos comerciales.

El modelado se centró en dos predicciones principales: si un contenedor requerirá un servicio aduanal en los próximos siete días y el tiempo de estadía del contenedor. Para esto, se utilizaron diversas técnicas de aprendizaje automático y procesamiento del lenguaje natural (NLP).

Procesamiento del Lenguaje Natural y Clasificación

Un aspecto destacado fue el procesamiento de la descripción de la mercancía. Se utilizó el catálogo armonizado para clasificar el 25 por ciento de los contenedores. Para el resto, se aplicó la técnica TF-IDF (Term Frequency-Inverse Document Frequency) para determinar la relevancia de las palabras en las descripciones y así inferir la clasificación. Esto permitió clasificar el 88 por ciento de la mercancía.

Además, se realizó una clasificación de consignatarios, reduciendo su número de 30,000 a 16,000 identificadores únicos mediante el análisis de grafos y algoritmos de búsqueda en profundidad (DFS, Depth-First Search).

Modelado y Resultados

Se entrenaron alrededor de 5,000 modelos diferentes, explorando ocho etiquetas y diversos algoritmos de aprendizaje automático. Dada la fuerte componente temporal de los datos, se utilizó validación cruzada oral para asegurar la robustez de los modelos.

Los resultados mostraron que los modelos desarrollados superaron el baseline actual de la terminal en la predicción del tiempo de estadía y la necesidad de servicios aduanales. Aunque las mejoras no fueron drásticas, son significativas en términos de eficiencia operativa.

Implementación y Futuro

El producto de datos está diseñado para ser entregado como una API, facilitando su integración en los sistemas existentes de la terminal. Actualmente, se está colaborando con la terminal para llevar a cabo esta implementación. Se espera que la información predictiva permita reducir los movimientos innecesarios y optimizar aún más la gestión de contenedores.

Este proyecto demuestra el potencial de la ciencia de datos para transformar la logística portuaria, haciendo que las operaciones sean más eficientes y reduciendo costos. Al aplicar técnicas avanzadas de modelado y procesamiento del lenguaje natural, se ha logrado un sistema que puede mejorar significativamente la toma de decisiones en tiempo real.

¿Quieres más detalles? Entonces mira el siguiente video:

Pedro Galván

Redes Neuronales Líquidas: Una solución que revolucionará el campo del ML y la AI

Fernando — Wed, 04 Jun 2025 23:42:24 +0000

Redes Neuronales Líquidas: Una solución que revolucionará el campo del ML y la AI

Fernando Wed, 06/04/2025 - 17:42

En el panorama actual de la inteligencia artificial, los grandes modelos de machine learning (LLMs) han capturado la atención global. Desde generación de lenguaje natural hasta la creación de imágenes, su capacidad para resolver tareas complejas es innegable. Sin embargo, ¿estamos realmente explorando todas las avenidas de innovación, o nos estamos concentrando demasiado en un único paradigma?

La burbuja de inversión y la necesidad de diversificación

Hemos visto un auge en la inversión y la investigación centrada en LLMs. Pero, ¿es sostenible? Como expertos en desarrollo de software, debemos cuestionar si esta concentración excesiva no está desviando recursos de otras áreas prometedoras. La historia nos muestra que poner todos los huevos en una sola canasta puede llevar a estancamientos y desilusiones, como ocurrió con la teoría de cuerdas en la física.

Desafíos intrínsecos de los LLMs

Si bien los LLMs son poderosos, presentan limitaciones significativas:

Sustentabilidad: El costo computacional y energético de entrenar estos modelos es astronómico, haciéndolos inaccesibles para muchas empresas.
Interpretabilidad: La complejidad de estas redes dificulta explicar cómo toman decisiones, lo que es crítico en aplicaciones como la medicina o el control de sistemas.
Robustez: Su desempeño puede degradarse significativamente con datos ruidosos o no idealizados, comunes en escenarios del mundo real.
Razonamiento Causal: No establecen relaciones causales, sino correlaciones, lo que limita su capacidad para predecir o simular escenarios complejos.
Justicia y Representatividad: Pueden perpetuar sesgos presentes en los datos de entrenamiento, afectando la equidad en sus decisiones.

El surgimiento de las Redes Neuronales Líquidas

Ante estas limitaciones, surge un nuevo paradigma: las redes neuronales líquidas. Inspiradas en la dinámica de sistemas físicos, estas redes utilizan ecuaciones diferenciales para modelar el estado cambiante de sus nodos y sinapsis.

¿Qué las hace diferentes?

Adaptabilidad: Modifican su estructura interna en tiempo real, permitiendo un aprendizaje continuo y una mayor robustez ante entornos cambiantes.
Eficiencia: Requieren menos neuronas para realizar tareas complejas en comparación con las redes tradicionales.
Causalidad: Su dinamismo permite observar relaciones causales, abriendo la puerta a una comprensión más profunda de los datos.

Fundamentos técnicos

En lugar de funciones de activación lineales, las redes líquidas emplean ecuaciones diferenciales ordinarias (ODEs) para modelar el estado de cada neurona:

dx/dt = f(x, u, θ, t)

Donde:

`x` representa el estado del nodo.
`u` son las entradas.
`θ` son los parámetros del modelo.
`t` es el tiempo.

Este enfoque permite una representación más rica y continua de la información, en contraste con los modelos escalonados de las redes tradicionales.

Aplicaciones y casos de estudio

Empresas como Liquid AI están explorando el potencial de estas redes en diversas áreas:

Conducción Autónoma: Mejorando la interpretabilidad y la robustez en entornos no ideales.
Robótica: Permitiendo un control más adaptable y en tiempo real.
Predicción de Series Temporales: Capturando dinámicas complejas con mayor precisión.

Un ejemplo notable es el seguimiento de objetivos con drones. Mientras que las redes estándar vacilan ante perturbaciones, las redes líquidas mantienen un enfoque constante en el objetivo, demostrando una causalidad clara.

Desafíos y futuro

Como toda tecnología emergente, las redes líquidas tienen desafíos:

Gradiente Evanescente: Problemas en la optimización de parámetros.
Ajuste de Parámetros: Debido a la complejidad de las ecuaciones diferenciales.

Sin embargo, estos desafíos están siendo abordados por la investigación actual, y el potencial de estas redes es inmenso.

Conclusión

Los grandes modelos de machine learning han revolucionado la IA, pero no son la única solución. Las redes neuronales líquidas ofrecen un nuevo camino, más adaptable, eficiente e interpretable. Como desarrolladores de software, es crucial explorar estas alternativas y no quedarnos estancados en el paradigma actual.

¿Estás listo para explorar el futuro de la IA? Aprende más de las últimas investigaciones y desarrollos en redes neuronales líquidas en el siguiente video:

Pedro Galván

Desmitificando LLMs y RAG: La guía definitiva para quienes quieren ir más allá del "wow"

Fernando — Thu, 08 May 2025 03:30:00 +0000

Desmitificando LLMs y RAG: La guía definitiva para quienes quieren ir más allá del "wow"

Fernando Wed, 05/07/2025 - 21:30

En el vertiginoso mundo de la inteligencia artificial, los modelos de lenguaje de gran tamaño (LLMs) y la generación aumentada por recuperación (RAG) se han posicionado como herramientas disruptivas con un potencial enorme. Sin embargo, la promesa de interactuar conversacionalmente con nuestros datos y construir aplicaciones inteligentes no debe cegarnos ante consideraciones fundamentales que todo profesional de datos debe abordar.

Este artículo no busca desmitificar el poder de los LLMs y RAG, sino más bien ofrecer un marco de preguntas cruciales para asegurar que su implementación responda a necesidades reales y genere valor tangible.

La pregunta inicial: ¿Realmente necesitamos un LLM?

Antes de siquiera considerar arquitecturas complejas, la primera pregunta que debemos hacernos es directa: ¿nuestro caso de uso se soluciona de manera efectiva con un LLM? En muchos escenarios, las técnicas tradicionales de análisis de datos, los sistemas expertos o incluso soluciones más sencillas pueden ser más apropiadas y eficientes.

Proponemos cinco preguntas guía para discernir si un LLM es la herramienta adecuada:

¿Existe un componente conversacional inherente en la interacción deseada con los datos? Si la necesidad primordial es obtener respuestas directas o realizar análisis estructurados, un LLM podría ser una sobreinversión.
¿Requerimos fluidez conversacional en las respuestas? Más allá de la información, ¿es crucial una interacción natural y contextual?
¿Nuestro sistema necesita construir respuestas a partir de múltiples fuentes de datos de forma dinámica? La capacidad de integrar información diversa es una fortaleza clave de los LLMs combinados con RAG.
¿Se necesita creatividad en la generación de respuestas (sin sacrificar precisión)? En casos como la creación de contenido o la síntesis de ideas, los LLMs pueden aportar valor.
¿Es fundamental la interpretabilidad del porqué de los resultados, o simplemente queremos "platicar" con los datos? Si bien la interpretabilidad sigue siendo un desafío, comprender la trazabilidad de las respuestas es crucial en muchos contextos profesionales.

Si la respuesta afirmativa predomina en estas preguntas, entonces explorar el potencial de los LLMs y RAG se justifica.

Navegando el menú de estrategias: ¿Prompt Engineering, RAG, Fine-tuning o From Scratch?

Una vez que hemos validado la necesidad de un LLM, se abre un abanico de estrategias de implementación, cada una con sus propias características en términos de complejidad, recursos y resultados esperados:

Prompt Engineering: Similar a "vestir" al LLM con un rol y contexto específico a través de instrucciones detalladas. Ideal para iteraciones rápidas y cuando la información requerida está dentro del conocimiento general del modelo.
Generación Aumentada por Recuperación (RAG): Como "conectar" un plugin de conocimiento a un LLM. Permite incorporar información específica y actualizada sin necesidad de reentrenamiento completo.
Fine-tuning: Reentrenar un modelo preexistente con un conjunto de datos específico para adaptar su comportamiento a un dominio particular. Requiere más recursos pero puede generar resultados más alineados a la tarea deseada.
Entrenamiento From Scratch: Construir un LLM desde cero. Ofrece el máximo control pero implica una inversión masiva en recursos computacionales y experiencia.

La elección de la estrategia (o una combinación de ellas) dependerá de factores como la disponibilidad de datos especializados, la necesidad de información actualizada, el presupuesto computacional y la complejidad del caso de uso. Para empezar a generar valor rápidamente, la combinación de RAG y prompt engineering suele ser un punto de partida estratégico.

El corazón de la solución: Desafíos y consideraciones clave en la implementación de RAG

Si bien RAG ofrece un equilibrio atractivo, su implementación exitosa requiere atención a varios aspectos críticos:

Entendimiento profundo del negocio y el caso de uso: Al igual que en cualquier proyecto de ciencia de datos, definir el problema, el alcance y el impacto esperado es primordial. Comprender el "journey" del usuario y cómo interactuará con la aplicación RAG es esencial para diseñar una solución útil.
Procesamiento y curación de la información: No hay atajos. La calidad de la base de conocimiento es directamente proporcional a la calidad de las respuestas. Esto implica una ingeniería de datos robusta para la segmentación (chunking), transformación y carga de la información relevante. La máxima "garbage in, garbage out" cobra especial relevancia aquí.
Arquitectura RAG: Simple vs. avanzada: Si bien una arquitectura simple (query -> recuperación -> prompt -> LLM) es un buen punto de inicio, las arquitecturas avanzadas (pre-procesamiento de queries, búsquedas híbridas, filtrado por metadatos, post-procesamiento de documentos recuperados) pueden mejorar significativamente la precisión y relevancia de las respuestas.
Preservación del contexto: Enriquecer los "chunks" de información con metadatos relevantes (fuente, fecha, tema, etc.) y considerar estrategias para relacionar chunks (superposición) optimiza la recuperación y proporciona un contexto más rico al LLM.
Selección del modelo de embeddings: No existe un modelo universalmente óptimo. Experimentar con diferentes modelos de embeddings y evaluar su rendimiento en el contexto específico es crucial para una recuperación semántica efectiva.
Prompt engineering estratégico: Un buen prompt no solo guía al LLM, sino que también puede mitigar alucinaciones, mejorar la precisión y personalizar la respuesta. Sin embargo, encontrar prompts ideales y escalables es un desafío continuo.
Evaluación rigurosa: La evaluación no puede ser una ocurrencia tardía. Necesitamos métricas claras para definir el éxito (relevancia, precisión, coherencia, groundedness) y utilizar frameworks de evaluación (a menudo basados en otros LLMs) para optimizar el sistema. No olvidemos la validación con usuarios reales, ya que su percepción de utilidad es fundamental.

Conversación útil, no solo conversación

Los LLMs y RAG abren un mundo de posibilidades para interactuar con nuestros datos de formas innovadoras. Sin embargo, como profesionales de datos, nuestra responsabilidad radica en ir más allá del asombro inicial y abordar la implementación con un enfoque crítico y estratégico.

Plantear las preguntas correctas desde el inicio, comprender las fortalezas y limitaciones de cada estrategia y prestar atención a los detalles cruciales en la arquitectura y el procesamiento de la información son los pilares para construir aplicaciones LLM y RAG que no solo sean impresionantes, sino fundamentalmente útiles y generadoras de valor real para nuestras organizaciones. El futuro de la IA conversacional en el ámbito profesional depende de nuestra capacidad para transformar la fascinación en soluciones pragmáticas y efectivas.

¿Quieres aprender más? Mira esta charla de Data Day:

Pedro Galván

El nuevo ciclo de vida de la ciencia de datos adaptado a las startups modernas

Fernando — Thu, 08 May 2025 02:15:07 +0000

El nuevo ciclo de vida de la ciencia de datos adaptado a las startups modernas

Fernando Wed, 05/07/2025 - 20:15

En el dinámico y a menudo caótico entorno de una startup, la ciencia de datos emerge como un faro de conocimiento, capaz de transformar la incertidumbre en decisiones estratégicas y el crecimiento incipiente en una trayectoria ascendente. Sin embargo, la implementación efectiva de proyectos de ciencia de datos en este contexto presenta desafíos únicos, donde la velocidad, la eficiencia y la generación de valor inmediato son imperativos.

Lejos de los entornos corporativos con recursos holgados y procesos bien definidos, en una startup, el científico de datos a menudo se enfrenta a la necesidad de ser un "todólogo", navegando desde la concepción del problema hasta la puesta en producción del modelo, con la presión constante de demostrar un retorno de la inversión tangible y rápido.

Es en este escenario donde el tradicional ciclo de vida de la ciencia de datos adquiere una nueva dimensión, marcada por la iteración rápida, el conocimiento profundo del dominio, la explotación inteligente de la innovación y la elección de un stack tecnológico ágil y adaptable.

El ciclo de vida: Una telaraña de iteraciones constantes

Si bien los diagramas clásicos nos presentan un flujo lineal de etapas (definición del problema, adquisición y preparación de datos, modelado, evaluación, despliegue y mantenimiento), en la práctica startup, este ciclo se asemeja más a una telaraña interactiva. La necesidad de obtener resultados en plazos ajustados impulsa a los equipos a moverse ágilmente entre estas fases, revisitando decisiones y refinando enfoques constantemente.

La definición del proyecto debe ser pragmática y enfocada en el impacto. ¿Cuál es la pregunta clave que necesitamos responder para desbloquear crecimiento o mejorar la experiencia del usuario? La familiarización con los datos se vuelve crucial, no solo desde la perspectiva técnica, sino entendiendo la historia que cuentan los datos en el contexto específico del negocio y sus desafíos particulares. Este conocimiento del dominio es un activo invaluable que permite formular hipótesis más sólidas y realizar un feature engineering más efectivo.

La prueba de concepto se erige como un hito fundamental para validar rápidamente si una idea tiene el potencial de generar valor. Aquí, la premisa es la simplicidad: un modelo baseline, aunque imperfecto, puede proporcionar información valiosa sobre la viabilidad de un enfoque y marcar la pauta para iteraciones posteriores.

El desarrollo del modelo, el lanzamiento a producción y el monitoreo no son etapas finales, sino puntos de partida para un ciclo continuo de mejora. La retroalimentación del mundo real y la evolución constante del negocio obligan a los modelos a adaptarse, lo que demanda una infraestructura flexible y herramientas que faciliten la iteración rápida.

Principios para acelerar el ciclo: Más allá de la metodología

La velocidad en el ciclo de vida de la ciencia de datos en startups no se logra únicamente adoptando metodologías ágiles; requiere la internalización de ciertos principios fundamentales:

Enamorarse del problema, no de la solución: Es fácil caer en la tentación de aplicar el último algoritmo de moda o utilizar una técnica sofisticada, pero el verdadero valor reside en comprender profundamente el problema que se busca resolver. Este enfoque pragmático permite identificar soluciones más sencillas y efectivas en las primeras etapas.
Iteración como mantra: El error no es un fracaso, sino una oportunidad de aprendizaje. Fomentar una cultura de experimentación constante, donde los ciclos de desarrollo e implementación sean cortos, permite identificar rápidamente qué funciona y qué no, minimizando la inversión de tiempo y recursos en callejones sin salida.
Explotación de la Innovación adyacente: En lugar de reinventar la rueda para cada problema, las startups inteligentes buscan sinergias y reutilizan soluciones probadas en dominios adyacentes. Un modelo desarrollado para detectar un tipo de fraude puede, con las adaptaciones necesarias, aplicarse a otra tipología similar, acelerando el desarrollo y compartiendo conocimiento dentro del equipo.
Un stack tecnológico al servicio de la agilidad: La elección de las herramientas adecuadas es un factor determinante para la velocidad del ciclo. Un buen stack tecnológico debe priorizar la facilidad de despliegue, ser agnóstico al código (para evitar el "vendor lock-in") y ser modular, permitiendo la adopción gradual de nuevas funcionalidades sin generar dependencias complejas. El objetivo es que las herramientas sirvan al equipo, y no al revés.

Un caso práctico: Preprocesamiento paralelo para un entrenamiento ágil

Para ilustrar estos principios, consideremos un caso común en startups que manejan grandes volúmenes de datos, como imágenes para verificación de identidad. Un preprocesamiento secuencial de cientos de miles de imágenes puede convertirse en un cuello de botella significativo, retrasando el entrenamiento y la iteración de los modelos.

Una solución basada en la iteración rápida y la explotación de un stack tecnológico modular podría implicar el uso de un servicio de procesamiento por lotes en la nube (como AWS Batch o Google Cloud Dataflow) para paralelizar el preprocesamiento de las imágenes. Al dividir la tarea en múltiples contenedores que se ejecutan simultáneamente, el tiempo de procesamiento se reduce drásticamente, liberando recursos y tiempo para la fase de entrenamiento y experimentación con diferentes arquitecturas e hiperparámetros.

Además, al mantener el código de preprocesamiento independiente del modelo en sí (agnosticismo al código), se facilita la experimentación con diferentes técnicas de preprocesamiento sin necesidad de modificar la lógica del modelo, y viceversa. La modularidad del stack permite incorporar herramientas de orquestación (como Dagster o Airflow) para gestionar el flujo de trabajo completo de forma eficiente y escalable.

Conclusión: Ciencia de datos como motor de crecimiento ágil

En el vertiginoso mundo de las startups, la ciencia de datos tiene el potencial de ser mucho más que un simple análisis retrospectivo; puede convertirse en un motor de crecimiento ágil y sostenible. Al adoptar un ciclo de vida flexible y centrado en la iteración rápida, al cultivar un profundo conocimiento del dominio, al explotar inteligentemente la innovación y al elegir un stack tecnológico que priorice la agilidad, las startups pueden desmitificar la complejidad de la ciencia de datos y transformarla en una ventaja competitiva invaluable. La clave reside en la capacidad de aprender rápido, adaptarse continuamente y generar valor tangible en cada iteración.

¿Quieres aprender más? Mira esta conferencia que se impartió en Data Day.

Pedro Galván

Donde la nube se encuentra con el futuro: Kubernetes Community Day Guadalajara 2025

Fernando — Wed, 09 Apr 2025 23:34:16 +0000

Donde la nube se encuentra con el futuro: Kubernetes Community Day Guadalajara 2025

Fernando Wed, 04/09/2025 - 17:34

El pasado sábado 29 de marzo, Guadalajara se convirtió en el epicentro de la tecnología cloud-native con la celebración del Kubernetes Community Day 2025, un evento que reunió a más de 200 profesionales, entusiastas y expertos en Kubernetes y computación en la nube.

Durante una jornada intensa y llena de energía, la comunidad compartió ideas, herramientas y mejores prácticas que están moldeando el presente —y futuro— de la infraestructura como código. Con un enfoque técnico y colaborativo, el evento se consolidó como una plataforma única para aprender, conectar y construir juntos.

Una agenda con visión global

Más de 30 speakers internacionales provenientes de EE. UU., España, Costa Rica, Colombia, Brasil y Guatemala, junto con referentes del ecosistema nacional, compartieron su experiencia a través de charlas, talleres y demos en vivo.

Se abordaron temas clave sobre optimización, seguridad y escalabilidad en Kubernetes, con foco en herramientas y estrategias que permiten sacar el máximo provecho de entornos cloud-native.

Highlights y temas clave

El evento abordó temas de gran importancia sobre la optimización y eficiencia en Kubernetes, centrándose en herramientas que mejoran la gestión de recursos, la seguridad y la escalabilidad de las aplicaciones.

Karpenter + Amazon EKS: Autoescalado inteligente con instancias Spot y procesadores Graviton para maximizar performance y eficiencia de costos.
Security First: Estrategias de hardening para cumplir con normativas como PCI DSS, HIPAA y GDPR, fortaleciendo clústeres frente a amenazas reales.
Gateway API, OpenTelemetry y Cilium: Mejor visibilidad, trazabilidad y control en entornos distribuidos.
Istio + KubeVirt: Arquitecturas híbridas que combinan lo mejor de los contenedores y las máquinas virtuales.
Cloud-native CI/CD: Migraciones desde GitHub Actions hacia soluciones como Tekton y KubeVirt.
Green Infrastructure: Buenas prácticas para reducir el impacto ambiental sin sacrificar eficiencia ni presupuesto.

Más que un evento, una experiencia

El #KCDGDL2025 fue más que conferencias: fue un espacio para construir comunidad. Los asistentes no solo aprendieron de referentes globales, sino que también compartieron experiencias, retos y aprendizajes con pares de toda Latinoamérica.

Las sesiones de preguntas y respuestas detonaron debates profundos y reales sobre implementación, errores comunes y soluciones innovadoras en producción. Todo en un ambiente colaborativo, abierto y lleno de energía.

Comunidad + tecnología = futuro

El Kubernetes Community Day Guadalajara 2025 reafirmó el papel clave que juega la comunidad en el crecimiento del ecosistema Kubernetes. Temas como DevOps, CI/CD, Crossplane, EKS, Istio y KubeVirt fueron más que tendencias: se presentaron como herramientas concretas para enfrentar los desafíos actuales de infraestructura.

Este evento no solo fortaleció la comunidad local, sino que entregó a cada participante ideas, conexiones y habilidades listas para poner en práctica.

Mira la galería de fotos aquí

Pedro Galván

¿Vale la pena estudiar Ciencias Computacionales en tiempos de la AI?

Fernando — Wed, 09 Apr 2025 20:59:29 +0000

¿Vale la pena estudiar Ciencias Computacionales en tiempos de la AI?

Fernando Wed, 04/09/2025 - 14:59

En un mundo cada vez más digitalizado, la demanda de profesionales en Ciencias Computacionales continúa en ascenso. A pesar de la evolución constante de la tecnología y la aparición de nuevas disciplinas, esta área sigue siendo fundamental y ofrece múltiples oportunidades. A continuación, exploramos las razones detrás de esta tendencia.

El papel de un arquitecto digital

En el ámbito de la tecnología de la información, un arquitecto digital desempeña un papel fundamental para guiar a los equipos de desarrollo y a los clientes hacia soluciones efectivas. Su trabajo abarca todo el ciclo de vida de un proyecto, desde la etapa inicial de conceptualización y diseño hasta la implementación, el despliegue y la operación continua. Esto incluye colaborar estrechamente con los clientes para comprender sus necesidades, proponer y evaluar soluciones potenciales, y diseñar la arquitectura completa del sistema.

Mentalidad crítica y adaptabilidad en el panorama digital

Un aspecto crucial del trabajo de un arquitecto digital es fomentar una mentalidad crítica y promover la adaptabilidad. Las herramientas y tecnologías cambian constantemente, y es esencial poder evaluarlas críticamente y discernir su aplicabilidad e impacto en las soluciones propuestas.

El valor de las habilidades interpersonales

Además de la experiencia técnica, las habilidades interpersonales, como la comunicación efectiva y la capacidad de comprender las perspectivas de los demás, son muy valoradas en el campo de la arquitectura digital. Estas habilidades son esenciales para interactuar eficazmente con los clientes, comprender sus necesidades y comunicar claramente las soluciones propuestas.

Formación en ciencias de la computación: combinación de teoría y práctica

Un debate recurrente en el campo de la informática es el equilibrio entre la enseñanza de la teoría fundamental y la formación práctica en herramientas y lenguajes de programación específicos. Si bien es esencial contar con una base sólida en ciencias de la computación, también es crucial que los estudiantes adquieran experiencia práctica con las herramientas y tecnologías que se utilizan actualmente en la industria. La colaboración entre la academia y la industria puede ayudar a cerrar esta brecha y garantizar que los estudiantes estén bien preparados para el mercado laboral.

El auge de la IA y su impacto en la programación

El auge de la inteligencia artificial (IA) y herramientas como los copilotos de codificación ha generado preocupaciones sobre el futuro de la programación y la necesidad de que los profesionales tengan conocimientos de codificación. Aunque estas herramientas pueden automatizar ciertas tareas y aumentar la productividad, no pueden sustituir el pensamiento crítico, la resolución de problemas y la comprensión profunda de los fundamentos de la informática, que siguen siendo esenciales para crear soluciones de software eficaces y sostenibles.

Pensamiento crítico y adaptabilidad en la era de la IA

El pensamiento crítico y la adaptabilidad son especialmente importantes en la era de la IA. Los profesionales deben ser capaces de evaluar críticamente las herramientas y tecnologías de IA, comprender sus limitaciones y utilizarlas de forma eficaz para mejorar sus flujos de trabajo.

Colaboración entre la academia y la industria

Una colaboración más estrecha entre la academia y la industria puede ayudar a salvar la brecha entre la teoría y la práctica y garantizar que los estudiantes estén bien preparados para el mercado laboral. Esto puede incluir programas de prácticas, asociaciones entre empresas y universidades, y oportunidades para que los profesionales de la industria den clases o talleres en entornos académicos.

El papel de las habilidades blandas en el éxito profesional

Las habilidades blandas, como la comunicación, la colaboración y la resolución de problemas, son tan importantes como las habilidades técnicas para triunfar en el campo de la informática. Estas habilidades permiten a los profesionales interactuar eficazmente con los demás, trabajar en equipo y abordar retos complejos desde múltiples perspectivas.

Mirando hacia el futuro: seguir aprendiendo y adaptándose

A medida que la tecnología sigue evolucionando a un ritmo rápido, es esencial que los profesionales de la informática sigan aprendiendo y adaptándose. Esto incluye mantenerse al día de las nuevas herramientas y tecnologías, así como desarrollar una mentalidad de crecimiento y una voluntad de asumir nuevos retos.

Como podemos observar, optar por una carrera en Ciencias Computacionales sigue siendo una decisión estratégica en el contexto actual. La combinación de alta demanda, diversidad de especializaciones y la posibilidad de generar un impacto significativo hacen de esta disciplina una opción atractiva para quienes buscan un futuro profesional dinámico y prometedor.

Pedro Galván