Inteligencia Artificial

Nuevo estudio revela el impacto de la IA en el mercado laboral de Latinoamérica y en México

Fernando — Wed, 05 Nov 2025 19:15:02 +0000

Nuevo estudio revela el impacto de la IA en el mercado laboral de Latinoamérica y en México

Fernando Wed, 11/05/2025 - 13:15

¿Cómo está impactando la Inteligencia Artificial en el mercado laboral tecnológico en Latinoamérica? ¿De qué forma han cambiado los empleos tras la explosión de aplicaciones y casos de uso basados en esta tecnología? ¿El rol de Vibe Coder existe, o es solo un meme? ¿Le está quitando trabajo a alguien la IA? ¿Qué está pasando con los salarios?

Para responder estas preguntas, Get on Board, la plataforma de empleos en tecnología líder en Latinoamérica, con más de 3.5 millones de postulaciones enviadas, anuncia el lanzamiento del reporte “Impact of AI 2025”.

El reporte es el primer estudio a gran escala del impacto de la Inteligencia Artificial en los empleos de Latinoamérica en los dos últimos años, con datos que se extienden hasta el tercer trimestre de 2025.

“Es difícil observar qué tanto de lo que pasa en Latinoamérica con la Inteligencia Artificial son ecos de noticias de Silicon Valley y cuánto es cambio real sucediendo aquí mismo. Nuestro objetivo con este reporte es aportar claridad y datos frescos para entender dónde sí hay acción y dónde es solo humo”, comentó Sergio Nouvel, Co-Fundador y CEO de Get on Board.

El universo de datos observados en el estudio viene de la intensa actividad de Get on Board como plataforma de reclutamiento, sumando más de 15,000 empleos publicados, 2 millones de postulaciones enviadas y un millón de profesionales activos en más de 10 países de la región, entre 2023 y 2025. Esto lo vuelve un reporte único en la frescura de sus datos y en la profundidad de sus hallazgos.

“Uno de los primeros lugares donde puedes notar los cambios que suceden en tecnología es en los empleos que generan las startups. Tenemos una vitrina privilegiada para observar eso en tiempo real”, complementó Nouvel.

“Impact of AI de Get on Board” concluye que en Latinoamérica no está reemplazando empleos, pero sí los está transformando aceleradamente: quienes no adapten sus habilidades quedarán fuera del mercado y muy detrás de lo que están necesitando las startups.

“Los anuncios de empleo que piden manejo de herramientas IA están creciendo fuerte también en roles operativos no técnicos como Ventas, Marketing o Soporte. Prototipar con Lovable, automatizar e integrar con n8n o Make, usar LLMs, generadores de imágenes o note takers ya no es opcional: son exigencias del presente, y la tendencia indica que seguirán en alza”, comenta Macarena Larraín, Head of Product en Get on Board. “A nivel global no hay menos anuncios de empleo; se siguen contratando roles tech, pero sus funciones están cambiando”.

Hallazgos destacados del reporte

México acelera y se pone al centro de la región en IA en empleos de startups: el 14% de los empleos mencionan Inteligencia Artificial, creció un 150% en 2 años.
La mención de IA se dispara más de 50% entre 2024 y 2025 en categorías de empleo como Marketing o Ventas.
Menciones de LLMs se disparan un 400% respecto al 2023, pero siguen siendo una minoría. México es el país que menciona más herramientas IA en sus empleos (5% de los empleos que mencionan IA hacen referencia a alguna herramienta nativa de AI).
El rol de AI Engineer experto está en alta demanda: puede llegar a ganar más de 7,000 USD al mes en Latinoamérica y no hay candidatos suficientes.
Roles de Programación con Inteligencia Artificial suben 200% respecto al 2024 en categoría Senior.
En México, la mayoría de los candidatos aplicando a posiciones IA son semi-senior (34%) y senior (30%)
La categoría de Diseño/UX está en problemas, excepto seniors: baja la demanda en general, pero para seniors sube la demanda en roles de UX que tengan IA.
Solo un 6% de los postulantes a cargos de Diseño con IA están calificados para el puesto , lo que refleja la urgencia de reskilling en la región.
En Latinoamérica, el rol de Ingeniería en Machine Learning (dedicada a entrenar modelos) le cede terreno a Ingeniería en IA (dedicada a operar modelos existentes).
Solo un 16% de candidatos en Machine Learning cumplen con las calificaciones mínimas para el puesto.
Salvo algunos casos anecdóticos, el rol de “Vibe Coder” no existe realmente en Latinoamérica. Las empresas siguen requiriendo habilidades técnicas reales para amplificar las posibilidades que trae la IA.
La brecha de género en empleos de IA de México es de las más altas de la región (solo 27% de los candidatos son mujeres, por debajo del promedio regional de 29%).

El reporte completo está públicamente disponible en getonbrd.com/impact-of-ai, incluye análisis de datos en profundidad y gráficas.

Get on Board además, lanzará una versión premium del reporte que ofrecerá un estudio profundo desagregado por país, tamaño de empresa e industria, dirigido a áreas de Compensaciones y Beneficios, instituciones educativas y creadores de políticas públicas. Dicho reporte podrá ser solicitado también en getonbrd.com/impact-of-ai.

Consultas de prensa y contacto: info@getonbrd.com

Pedro Galván

No Pierdas Más Datos: El Secreto del Gobierno de Datos para una Transformación Digital Imparable (y que Todos Quieren)

Fernando — Wed, 08 Oct 2025 18:17:12 +0000

No Pierdas Más Datos: El Secreto del Gobierno de Datos para una Transformación Digital Imparable (y que Todos Quieren)

Fernando Wed, 10/08/2025 - 12:17

En el dinámico panorama tecnológico actual, las organizaciones se encuentran inmersas en una constante evolución, impulsada por iniciativas de inteligencia artificial, análisis de datos y modernización de infraestructuras. Sin embargo, en medio de esta transformación digital, surge una pregunta fundamental: ¿cómo asegurar que los datos, el activo más valioso de cualquier empresa, se gestionen de manera eficaz y segura? La respuesta reside en la implementación estratégica del gobierno de datos.

La Perspectiva de la Audiencia: Entendiendo el Gobierno de Datos

Una encuesta reciente, diseñada para comprender la percepción de la audiencia sobre la gobernabilidad de datos, reveló tendencias claras. La mayoría de los encuestados asocia el gobierno de datos principalmente con el control de la información, una capa de seguridad y la garantía de la calidad. Estos resultados resaltan la importancia de abordar la calidad y la seguridad de los datos como pilares fundamentales de cualquier iniciativa de gobierno. Además, emergen como factores relevantes el contexto de negocio y el acceso a la información, subrayando la necesidad de democratizar el conocimiento sobre los datos dentro de la organización.

Disparadores Clave para la Implementación de un Gobierno de Datos

La decisión de implementar un programa de gobierno de datos suele estar motivada por varios factores críticos que buscan optimizar la gestión y el aprovechamiento de la información:

Calidad de Datos como Impulsor Principal

La calidad de datos es, sin duda, uno de los principales catalizadores. Las organizaciones buscan comprender el estado actual de su información y establecer un marco que abarque la conceptualización, medición y mejora continua de la calidad de los datos.

Seguridad de la Información: Un Imperativo

En un mundo donde las amenazas cibernéticas son una constante, la seguridad de la información se posiciona como un pilar ineludible. El gobierno de datos fortalece los mecanismos de protección, asegurando la integridad, confidencialidad y disponibilidad de los activos de información.

Control en la Capa de Visualización

La necesidad de controlar los insumos que alimentan la capa analítica, los modelos de Inteligencia Artificial y otras herramientas de visualización es otro disparador crucial. Se busca garantizar que los outputs generados por estas plataformas se basen en datos fiables y correctamente gestionados.

El Retorno de Inversión (ROI) del Gobierno de Datos

Para que una iniciativa de gobierno de datos tenga éxito, es fundamental que demuestre un claro retorno de inversión (ROI). Este valor puede medirse en diferentes rangos:

Mejora de la calidad de los componentes físicos: Bases de datos, tablas y otros componentes mejoran su calidad, resultando en reportes más precisos y cruces de información coherentes.
Fortalecimiento de las capacidades en gestión de datos: La gobernanza abarca todo el ciclo de vida de la gestión de datos, desde la construcción de arquitecturas robustas hasta la alineación de soluciones tecnológicas con la estrategia de negocio.
Optimización de las operaciones diarias: Se busca mejorar la eficiencia en la operación de la gestión de datos, eliminando redundancias y optimizando procesos.
Cambio cultural: Se fomenta una cultura organizacional que valora la gestión de datos, evitando inversiones en tecnologías inadecuadas o el uso ineficiente de recursos.
Especialización de recursos: Se reduce la dependencia excesiva de áreas técnicas al democratizar el conocimiento y la responsabilidad sobre los datos, permitiendo una mayor autonomía en los roles.

Las Preguntas Clave que Resuelve el Gobierno de Datos

El gobierno de datos busca responder a una serie de interrogantes críticas para cualquier organización:

¿Qué significan los datos? Se aborda tanto el contexto técnico (qué son las bases de datos relacionales, los datos no estructurados) como el contexto de negocio, otorgando una visibilidad estratégica al activo físico. Esto se logra, en gran medida, a través de la creación de un glosario de negocios que conceptualiza los términos y los vincula con los activos informáticos, creando un mapa holístico.
¿De dónde proviene la información? Se busca identificar fuentes confiables y asegurar que los datos se originen de estrategias implementadas. Esto se logra mediante la observabilidad y la implementación de un linaje de datos, que describe de principio a fin el recorrido de la información a través de los diferentes componentes físicos.
¿Quiénes son los responsables? El gobierno de datos define matrices de responsabilidad para asignar dueños a los términos y conceptos de negocio, así como a sus homólogos técnicos. Es aquí donde el rol del Data Steward o custodio de datos se vuelve fundamental, aunque a menudo ya existe en las organizaciones sin una denominación formal.

Formalizando y Estandarizando lo Existente

Uno de los mayores desafíos del gobierno de datos es superar la resistencia interna. Muchos colaboradores perciben la iniciativa como una medida de control o una carga de trabajo adicional. Sin embargo, el objetivo es precisamente lo contrario: controlar lo que ya se tiene y escalarlo progresivamente en la organización. La clave radica en "vender" internamente la cultura organizacional, destacando cómo el gobierno de datos aumentará la visibilidad, optimizará procesos y automatizará tareas, gracias a la tecnología que lo acompaña.

La cultura colaborativa es un objetivo primordial. Al romper los silos departamentales, donde cada área gestiona su información de forma aislada, el gobierno de datos busca una visión holística que fomente la colaboración para un beneficio común: el valor para el negocio.

El Proceso de Autoevaluación y la Estrategia de Datos

La implementación exitosa del gobierno de datos comienza con una evaluación interna exhaustiva. Este assessment permite a la organización conocer su nivel de madurez en la gestión de datos, sirviendo como un punto de partida para la formulación de una estrategia de negocio alineada con las buenas prácticas. Referencias como el DAMA Data Management Body of Knowledge (DMBOK), específicamente el Data Capability Maturity Model (DCMM), son cruciales para esta autoevaluación. Es fundamental ser autocrítico para identificar las verdaderas áreas de oportunidad.

Este proceso de evaluación se adapta a las necesidades específicas de cada cliente. Por ejemplo, en un proyecto enfocado en la implementación de una arquitectura Big Data, el assessment incluyó rubros como:

Seguridad de la información: Para proteger los datos dentro del nuevo ecosistema.
Control y confiabilidad de los datos: Asegurando que los usuarios finales confíen en la información certificada.
Diseño y arquitectura de datos: Documentando la arquitectura existente, sus componentes y su distribución en la organización.
Operación analítica: Integrando las operaciones diarias con las necesidades analíticas.

De la Evaluación al Roadmap y la Estrategia Tecnológica

El resultado de este assessment es un roadmap claro que aborda las necesidades identificadas, los puntos de alto riesgo y los problemas latentes. Este plan de acción prioriza las iniciativas y establece cómo el gobierno de datos, junto con otras capas como la seguridad y la arquitectura, sostendrá las demás iniciativas tecnológicas.

La declaración de valor empresarial se convierte en una herramienta poderosa para generar hipótesis sobre el impacto de las mejoras. Por ejemplo: "Las organizaciones que implementan un catálogo de datos tienen la capacidad de tener una visibilidad mayor de la información que actualmente tienen en sus componentes físicos".

Finalmente, esta estrategia permite hablar de tecnología de manera mucho más efectiva. Las herramientas seleccionadas deben ser integrales y cubrir todos los dominios de la gestión de datos, ofreciendo capacidades de gobernabilidad, calidad (con scores y mapas de limpieza), y garantizando la entrega de información a los diferentes perfiles dentro de la organización (ejecutivos, directivos, gerentes, analistas, operadores, desarrolladores) en una sola plataforma.

En síntesis, el éxito de cualquier iniciativa tecnológica en la era digital depende de un sólido gobierno de datos. Es un viaje de autoconocimiento organizacional que, aunque exigente, promete un retorno significativo en valor, eficiencia y confianza en la información.

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:

Pedro Galván

Cómo Convertir tu Empresa de "Carbón" a "Diamante": Lecciones Inéditas de un Director de Datos de un Unicornio.

Fernando — Thu, 11 Sep 2025 01:00:50 +0000

Cómo Convertir tu Empresa de "Carbón" a "Diamante": Lecciones Inéditas de un Director de Datos de un Unicornio.

Fernando Wed, 09/10/2025 - 19:00

En el dinámico mundo de la tecnología, la trayectoria de una empresa desde sus humildes inicios hasta convertirse en un "unicornio" es un testimonio de visión, adaptabilidad y, crucialmente, una gestión de datos estratégica. Este artículo explora las lecciones aprendidas en un viaje de cinco años, transformando una startup en un referente logístico en Latinoamérica, impulsado por la ciencia de datos y la inteligencia artificial.

La Génesis: De Startup a Crecimiento Exponencial

La aventura comenzó con la incorporación del empleado número 25, asumiendo roles que iban desde científico de datos hasta ingeniero full-stack. La misión inicial era ambiciosa: construir un sistema de seguimiento de embarques capaz de localizar cualquier traslado a nivel global, una necesidad vital en el sector logístico. En esta fase embrionaria, la filosofía de productos de datos fue fundamental. Se entendió que el éxito radicaba en desarrollar soluciones con misiones específicas, métricas de éxito claras y un enfoque ágil e iterativo.

Lección 1: Abrazar el "Fallo con Gracia" en el Desarrollo de IA

En el ámbito de la Inteligencia Artificial, donde "todos los modelos son útiles, pero algunos están mal", la inevitabilidad del fallo es una constante. La clave no es evitar el fallo, sino planificar para él, permitiendo que los modelos "fallen con gracia". Esto significa diseñar sistemas que, al encontrar sus limitaciones, no colapsen por completo, sino que redirijan las operaciones a la intervención humana o a procesos alternativos. Reconocer que no todo puede ser automatizado y aumentar las capacidades humanas en lugar de reemplazarlas fue un factor decisivo. Este enfoque permitió el lanzamiento exitoso de un producto de tracking que fue crucial para la ronda de financiación Serie A de la empresa, demostrando cómo una visión pragmática de la IA puede generar un valor tangible.

La Era del Crecimiento: Escalabilidad y DataOps

Con el crecimiento, la empresa pasó de una misión singular a múltiples productos y formas de entregar valor, potenciando al equipo de datos en constante expansión. En este contexto, el concepto de DataOps emergió como un pilar fundamental.

Lección 2: Integrar la Agilidad a través de DataOps

Inicialmente, conceptos como DataOps podían parecer modas pasajeras. Sin embargo, al profundizar en sus principios, se encontró una resonancia con la agilidad ya inherente en la filosofía de DevOps del equipo y los procesos lean para reducir el scrap y los fallos. DataOps, con su énfasis en la entrega continua de valor a través del análisis de datos, la planificación y la implementación continua, se convirtió en la base de los procesos de la empresa.

La adopción de DataOps permitió integrar productos de datos a lo largo del customer funnel, desde la adquisición hasta la retención, utilizando la IA para aumentar la conversión y mejorar la experiencia del cliente. Esto se evidenció en el desarrollo de productos como Sentinel, una herramienta crucial para las decisiones de crédito, que se benefició enormemente de la capacidad de desarrollo ágil y continuo. La segunda lección es clara: es vital escuchar y evaluar las metodologías emergentes con una mente abierta, discerniendo cuáles principios son genuinamente relevantes y pueden ser aplicados para enriquecer el propio stack tecnológico y las operaciones.

La Madurez: Sostenibilidad y Gobernanza de Datos

Con el estatus de unicornio, la empresa entró en la etapa de scaleup, donde la provisión continua de valor y un flujo ininterrumpido de datos limpios y gobernados se volvieron imperativos para construir el futuro de la compañía.

Lección 3: Gobernanza de Datos Incremental y la Comunidad como Pilar

La calidad de los datos se convirtió en un desafío universal, impulsado por la necesidad de moverse rápido y la proliferación de datos con falsos positivos. En este escenario, Data Mesh y la gobernanza de datos se revelaron como soluciones cruciales. Data Mesh, al permitir la transaccionalidad de la analítica de forma paralela, y la gobernanza, al establecer responsabilidades claras sobre los datos, procesos de generación, catalogación, descubrimiento y anotación, fueron esenciales para preparar los datos para el procesamiento automático por LLMs.

Aunque la implementación de estas filosofías puede parecer abrumadora, especialmente con la vertiginosa evolución de la IA, el enfoque debe ser iterativo. Desarrollar MVPs para la gobernanza de datos y enfocarse en los puntos de dolor más críticos del negocio (como la calidad de los datos) permite demostrar valor incrementalmente.

La tercera y quizás más importante lección es reconocer que no estamos solos en este viaje. La comunidad de profesionales de datos, los espacios de discusión y los nuevos recursos son fuentes invaluables de apoyo y nuevas ideas. Sentirse abrumado por la avalancha de nuevas tecnologías y herramientas es normal, pero al compartir experiencias y buscar soluciones colaborativas, se pueden encontrar caminos incrementales que generen resultados de negocio significativos.

Hoy, la integración del datalake con una capa semántica bien definida, aprovechando herramientas de Google, permite un consumo de información limpia y gobernada, sustentando una gobernanza sostenible en un entorno de startup en crecimiento. Estamos aprovechando los LLMs gracias a este esfuerzo de gobernanza, sabiendo que el camino es incremental y que no se puede "comer el mundo en un solo día".

Conclusión: El Futuro Impulsado por los Datos

En resumen, el viaje desde una startup hasta una scaleup unicornio se ha cimentado en tres pilares: permitir que las herramientas de IA "fallen con gracia" y aumenten las capacidades humanas, adoptar metodologías como DataOps sin cinismo, y construir una gobernanza de datos incremental apoyándose en la comunidad. La meta final es transformar las organizaciones de "carbón" a "diamantes", y en esta revolución de la Inteligencia Artificial, el profesional de datos es un actor central, no solo generando valor, sino también facilitando el autoservicio de datos y adaptándose a un panorama tecnológico en constante cambio. Este es un viaje colectivo, donde el apoyo mutuo en la comunidad es un recurso invaluable para liderar la transformación digital.

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:

Pedro Galván

Potenciando el Self-Service en el Ecosistema de Datos: Una Mirada a la IA Generativa y la Transformación de Grupo AlEn

Fernando — Thu, 11 Sep 2025 00:33:26 +0000

Potenciando el Self-Service en el Ecosistema de Datos: Una Mirada a la IA Generativa y la Transformación de Grupo AlEn

Fernando Wed, 09/10/2025 - 18:33

El panorama actual de los datos demanda agilidad y autonomía. La capacidad de las áreas de negocio para autogestionarse en el análisis y la explotación de datos es un imperativo. En este contexto, la inteligencia artificial generativa emerge como un diferenciador y habilitador clave, cerrando la brecha entre las áreas de datos y analytics y los usuarios finales.

Tradicionalmente, el desafío principal para los profesionales de datos y analytics ha sido la velocidad de entrega y la implementación de un verdadero self-service. La conversación sobre el self-service no es nueva; sin embargo, la IA generativa lo eleva a un nuevo nivel, permitiendo una unificación fluida entre el negocio y los proveedores de servicios de datos.

Abordando los Desafíos del Self-Service con IA Generativa

La implementación de la IA generativa como habilitador en el self-service de datos conlleva diversos desafíos inherentes al mercado actual:

Capacidad de Procesamiento: Garantizar que la infraestructura subyacente pueda manejar el volumen y la complejidad de los datos para ofrecer una experiencia fluida al usuario final.
Confianza y Precisión: Asegurar que los usuarios finales confíen en los datos y en la analítica generada, lo que exige alta precisión en los resultados.
Seguridad y Gobernanza: Mantener niveles robustos de seguridad y gobernanza de datos, especialmente al descentralizar el acceso y la manipulación de la información.
Velocidad (Time to Market): Reducir drásticamente el tiempo que tardan los usuarios en obtener la información que necesitan, reemplazando las solicitudes tradicionales a equipos de BI o datos por una autogestión de extremo a extremo.

Una ventaja competitiva en esta nueva era de tecnologías embrionarias es la capa semántica (semantic layer). Esta capa permite que el lenguaje natural del área de negocio sea comprendido e interpretado por el sistema, eliminando la barrera del skill técnico. En lugar de ejecutar consultas SQL directas a una base de datos, las preguntas del usuario final viajan a la capa semántica a través de una API, lo que representa un punto diferencial crucial. Además, a nivel arquitectónico, la buena práctica de diferenciar la capa física del data warehouse o data lakehouse de la capa semántica, con sus respectivos controles de seguridad, es fundamental.

Casos de Uso Transformadores con IA Generativa

Veamos tres casos de uso prácticos que ilustran el poder de la autogestión y el self-service habilitados por la IA generativa:

1. Asistencia de Self-Service: Democratizando el Acceso a los Datos

Este caso está diseñado para usuarios con poco conocimiento técnico, permitiéndoles interactuar con los datos usando lenguaje natural. La plataforma subyacente, con BigQuery y Looker de Google, facilita esta interacción. Un usuario puede simplemente escribir "top 10 productos por venta" y obtener la información de inmediato.

Lo más notable es la evolución de esta interacción. No solo se trata de escribir en un chat, sino también de interactuar a través de comandos de voz, lo que simplifica enormemente el acceso a los datos desde dispositivos móviles. La capacidad conversacional de modelos como Gemini, que actúa detrás de escena, permite flexibilidad en la formulación de preguntas. Se puede pedir un cambio de gráfico con "cambiar el gráfico de línea", "muéstralo con otro gráfico distinto que sea de línea", o simplemente "gráfico línea", sin necesidad de un lenguaje inducido. El resultado es instantáneo, adaptable y exportable, desde la visualización hasta el resumen.

2. Insight Summarization: El Analista de Datos Personalizado

Para aquellos con skill técnico pero quizás menos conocimiento del negocio, esta función actúa como un analista de datos virtual. Dentro de un dashboard (por ejemplo, en Looker con Vertex AI de Google), la herramienta genera insights automáticamente a partir de los datos que se están visualizando.

El sistema no solo presenta métricas básicas como ventas totales o beneficios, sino que realiza un deep dive en los datos, sugiriendo investigaciones sobre el rendimiento de ventas en periodos específicos o analizando la relación entre beneficio y venta. Incluso proporciona next steps y revela información no directamente visible en el dashboard. La inteligencia reside en que estos insights se actualizan dinámicamente al aplicar filtros, permitiendo un análisis detallado y comparativo de productos, vendedores o regiones.

3. Analítica Descriptiva y Predictiva Unificada

Tradicionalmente, la analítica descriptiva (BI tradicional) y la analítica predictiva han operado en silos. El tercer caso de uso demuestra cómo estas dos vertientes pueden combinarse en una única plataforma. Un usuario final, sin ser un experto en ciencia de datos, puede visualizar métricas históricas y al mismo tiempo generar proyecciones o predicciones.

La herramienta presenta datos históricos (en verde) y sobre estos, realiza forecasts (predicciones) con escenarios pesimistas, optimistas y realistas. Esta integración elimina la necesidad de que los usuarios de negocio dependan de científicos de datos para obtener proyecciones, empoderándolos con una visión unificada del pasado y el futuro de sus datos.

El Futuro del Self-Service y la Transformación Organizacional

El futuro del self-service impulsado por la IA generativa apunta hacia herramientas que no solo responden a preguntas, sino que también sugieren proactivamente nuevas preguntas basadas en el historial del usuario, emulando la experiencia de los sistemas de recomendación. Además, la visualización de datos será impulsada por agentes inteligentes que recomendarán el tipo de gráfico más adecuado para el análisis en curso, mejorando significativamente la experiencia del usuario.

En este contexto de profunda transformación digital, empresas como Grupo AlEn están redefiniendo su enfoque. Samuel González, CDO de Grupo AlEn, compartió el journey de su compañía, una empresa con 75 años de trayectoria y una integración vertical impresionante, que no era inherentemente digital.

La transformación en Grupo AlEn se enfoca en tres pilares:

Ganar al Consumidor: Entender y satisfacer las necesidades del cliente.
Operaciones del Futuro: Optimizar procesos para una mayor eficiencia.
Soporte de Procesos End-to-End: Visualizar y gestionar procesos de manera integral, trascendiendo los silos departamentales.

Los habilitadores clave de esta transformación incluyen un profundo conocimiento del cliente y el consumidor (con un 97% de penetración en los hogares mexicanos), y un énfasis significativo en el talento y la cultura. El change management es el foco principal, buscando movilizar tanto a los "corredores" (quienes ya están en la iniciativa) como a los "joggers" (escépticos) y a quienes se resisten psicológicamente al cambio.

La creación de un área dedicada a datos y analítica avanzada es un testimonio de este compromiso. El desafío no es solo tecnológico, sino cultural. El data literacy es fundamental para empoderar a los equipos y convertirlos en agentes de cambio. Los "casos de éxito" se convierten en la moneda de cambio para demostrar el valor y la importancia de esta transformación.

Los retos que enfrenta Grupo AlEn, comunes en la industria manufacturera y retail, incluyen:

Calidad de Datos: Un terreno fértil para la construcción de una base sólida de datos.
Integración de Sistemas: Unificar diversas plataformas para una visión coherente.
Talento y Change Management: Desarrollar las capacidades internas y gestionar la adopción de nuevas mentalidades.
Cultura de Datos: Fomentar una cultura donde los datos sean el centro de la toma de decisiones.

En última instancia, la transformación busca convertir estos retos en capacidades, enfocándose en la productividad y la mejora de la experiencia del consumidor. El objetivo es llevar a toda la compañía a un nivel de data driven, capitalizando cada pequeño éxito y construyendo una base sólida para el futuro. La colaboración con socios especializados como Corbi, en conjunto con la tecnología de Google, es fundamental para recorrer este camino hacia una compañía verdaderamente autogestionada y orientada a los datos.

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:

Pedro Galván

RAG + LLMs: Cómo conectar tu IA a datos privados y disparar la productividad

Fernando — Thu, 07 Aug 2025 00:39:15 +0000

RAG + LLMs: Cómo conectar tu IA a datos privados y disparar la productividad

Fernando Wed, 08/06/2025 - 18:39

En los últimos tres años, los Large Language Models (LLMs) han pasado de ser un experimento prometedor a convertirse en una herramienta estratégica para la industria tecnológica. Desde la llegada de GPT‑3, el interés por esta tecnología se ha multiplicado, impulsado por casos de uso que prometen transformar la productividad en desarrollo de software, servicios legales, análisis de datos y más.

Pero más allá del hype y de las promesas exageradas, el verdadero valor de los LLMs está en cómo se implementan y en qué datos se apoyan.

De predictores de palabras a asistentes inteligentes

Aunque se hable de ellos como “inteligencia artificial”, un LLM no razona: predice la siguiente palabra en función del contexto que recibe. Esta limitación técnica no impide que, con el diseño adecuado, se convierta en un asistente de decisiones inteligente capaz de:

Generar insights relevantes a partir de datos existentes.
Agilizar el desarrollo de software y optimizar código.
Adaptarse a preferencias específicas de un equipo de desarrollo.

La clave está en alimentarlo con información relevante y específica, en lugar de esperar que un modelo genérico pueda resolver problemas internos de negocio por sí solo.

El reto: conectar un LLM con datos propios

Un modelo preentrenado desconoce la base de conocimiento privada de una empresa. Para hacerlo realmente útil, es necesario dotarlo de acceso controlado a esos datos.

Aquí entra en juego una técnica esencial: Retrieval‑Augmented Generation (RAG).

RAG permite:

Vectorizar documentos internos (manuales, especificaciones, playbooks) mediante modelos de embeddings.
Indexar esos vectores para búsquedas rápidas y precisas.
Recuperar sólo la información relevante para cada consulta.

Con este enfoque, un LLM puede responder a preguntas específicas sobre datos privados sin almacenar ni aprender esa información, garantizando seguridad y reduciendo el consumo de tokens.

Chunks y búsquedas rápidas

Para que el modelo procese información extensa, los documentos se dividen en fragmentos (chunks).

Estos pueden definirse por número fijo de caracteres o mediante estrategias dinámicas.
Cada chunk se convierte en un vector, lo que permite búsquedas ultrarrápidas usando métricas como la similitud de coseno.

De esta forma, en lugar de buscar en miles de páginas de texto, el modelo busca en un espacio vectorial optimizado y devuelve las coincidencias más relevantes.

Productividad real: ejemplos en desarrollo de software

Cuando un LLM conoce el stack tecnológico y las preferencias de un equipo, su capacidad de aporte se multiplica:

Refactoriza código siguiendo las mejores prácticas internas.
Renombra variables y aplica patrones de diseño coherentes.
Genera documentación de métodos y clases de forma automática.
Acelera el onboarding de desarrolladores junior al explicar el código adaptado al contexto del proyecto.

En pruebas internas, este tipo de integración ha permitido aumentar la productividad entre un 30 % y un 40 %, especialmente en tareas repetitivas y de bajo valor creativo.

Más allá del software: casos cross‑industry

El potencial de los LLMs no se limita al código. En departamentos legales, por ejemplo, pueden analizar contratos para identificar cláusulas presentes, ausentes o incompletas. Un proceso que antes tomaba semanas puede resolverse en menos de dos minutos.

En entornos industriales, los LLMs se usan para interpretar logs de sistemas, optimizar flujos de trabajo y servir como interfaz de consulta entre diferentes plataformas.

Un futuro asistido por IA

La proyección es clara: entre 2030 y 2060, gran parte de las tareas profesionales estarán automatizadas o asistidas por IA. En el desarrollo de software, esto no significa reemplazo del humano, sino desarrolladores aumentados capaces de producir más, con menos errores y en menos tiempo.

La lección es simple: un LLM genérico tiene valor limitado. Un LLM alimentado con datos propios, configurado para el contexto correcto y respaldado por técnicas como RAG se convierte en un activo estratégico que acelera procesos, mejora calidad y libera el verdadero potencial de la inteligencia artificial aplicada.

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:

Pedro Galván

Sistemas disipativos: la clave olvidada para liberar el potencial de la IA

Fernando — Thu, 07 Aug 2025 00:08:39 +0000

Sistemas disipativos: la clave olvidada para liberar el potencial de la IA

Fernando Wed, 08/06/2025 - 18:08

En la intersección de la ciencia de datos, el desarrollo de software y la programación, emerge una perspectiva radical sobre la Inteligencia Artificial (IA), especialmente en el ámbito de los Large Language Models (LLMs). Lejos del enfoque tradicional en el hardware, el software, las herramientas y las matemáticas, se propone un cambio de paradigma que redefine cómo concebimos, diseñamos e implementamos sistemas de IA. Este artículo explora la idea de trascender las limitaciones de los sistemas restringidos, adoptando el concepto de "estructuras disipativas" para desbloquear el verdadero potencial de los LLMs.

La Dualidad de la IA: Entre el Hype y el Escepticismo

La discusión actual en torno a la IA y, particularmente, a los LLMs, se polariza entre dos extremos. Por un lado, están los que argumentan que estas tecnologías son inherentemente defectuosas: alucinan, son incontrolables, requieren restricciones excesivas para funcionar, y son costosas y lentas. Este grupo predice su fracaso. En el otro extremo, encontramos a quienes pronostican una era dorada donde la IA resolverá todos los problemas del mundo, a menudo impulsados por un hype desmedido que incluso contempla escenarios apocalípticos.

Sin embargo, la realidad, como suele ocurrir, se encuentra en un punto intermedio. La verdadera preocupación radica en la implementación y el diseño de los LLMs. Muchas organizaciones, influenciadas por una mentalidad de los años 90, perciben la IA como una "compra" de software, un producto empaquetado que se instala y funciona sin mayor intervención. Esta visión simplista, donde la IA se considera un mero complemento a un sistema rígido, es la fuente de gran parte de la frustración y de los problemas de "alucinación" y comportamiento errático. Al tratar de encajar la complejidad inherente de los LLMs en un molde de software tradicional, se pierde una oportunidad significativa.

El Paradigma de la Ingeniería: Control y Restricción

Para comprender la raíz de este desafío, es crucial examinar el diseño de la mayoría de los sistemas de ingeniería. Desde robots industriales hasta lavadoras y refrigeradores, el control es la piedra angular. Un controlador, a través de un bucle de retroalimentación (feedback loop), mide el error entre el estado deseado y el estado actual del sistema, inyectando energía para corregir las desviaciones. Esta filosofía, que se resume en la máxima "lo que no se mide no se controla", ha demostrado ser efectiva para sistemas con un comportamiento predecible.

La clave de este enfoque radica en la linealización. Para controlar sistemas no lineales complejos, la ingeniería los restringe a un "pedacito" o región operativa donde su comportamiento puede ser aproximado por un modelo lineal. Esto garantiza estabilidad, pero a un costo: la fragilidad. Estos sistemas no se autorreparan y requieren una intervención constante para mantenerse dentro de sus límites operativos. Cuando la complejidad del sistema supera la capacidad del software para gestionarla, se incorporan "humanos en el bucle" como elementos flexibles que compensan las deficiencias del diseño rígido.

Esta conceptualización se fundamenta matemáticamente en las funciones de Lyapunov, que demuestran cómo, al inyectar energía, se pueden cambiar los mínimos de un sistema para mantenerlo en un estado deseado, aunque sea intrínsecamente inestable. Un péndulo, naturalmente atraído por la gravedad hacia abajo, puede mantenerse en posición vertical mediante un controlador que le inyecta energía constantemente. Sin embargo, esta restricción impone un alto costo energético y limita la autonomía del sistema.

Más Allá del Equilibrio: Sistemas Disipativos y Variedad

El universo y la naturaleza operan de una manera fundamentalmente diferente. Los sistemas biológicos y las organizaciones complejas poseen una capacidad innata para regenerarse y evolucionar. No son sistemas diseñados para operar en un punto de equilibrio estático, sino que prosperan fuera de él. Aquí es donde entra en juego la teoría de las estructuras disipativas de Ilya Prigogine.

Un ejemplo elocuente de esto se observa en la formación de estructuras de cromo y hierro. Al aplicar corriente eléctrica, estas pequeñas partículas se autoorganizan en estructuras complejas, como un árbol, que maximizan la corriente. Lo fascinante es que estas estructuras no están preprogramadas; emergen de un conjunto de objetivos finales. Si se rompen, se vuelven a conectar; si las partículas se separan, el "árbol" se mueve para recapturarlas. Este comportamiento autoorganizado y autorreparador es una antítesis del diseño de ingeniería tradicional.

La Ley de Ashby de la Variedad Requerida de la cibernética refuerza esta idea: "Solo la variedad puede absorber variedad". Si un sistema quiere regular o controlar otro, su regulador o controlador debe ser, al menos, igualmente complejo. En términos de estados posibles, si el ambiente tiene 500 estados, el sistema de control debe ser capaz de lidiar con esos 500 estados.

Esto presenta dos soluciones para las organizaciones:

Reducir la variedad: Simplificar la complejidad del sistema a controlar mediante abstracciones, indicadores e índices. Si la abstracción es correcta, se puede entender y gestionar el sistema. Si no, las acciones serán ineficaces.
Amplificar la variedad: Aumentar la propia complejidad para poder interactuar con la mayor variedad del ambiente. Esto implica que las acciones deben ser extremadamente precisas para tener el mayor impacto posible.

Las organizaciones, como sistemas complejos, viven en un constante esfuerzo por equilibrar estas dos estrategias, y a menudo están "rotas", lo que subraya la necesidad de la intervención humana como amplificadores o atenuadores de variedad.

Los LLMs: Amplificadores de Variedad para un Nuevo Diseño

La verdadera revolución de los LLMs radica en su inmensa variedad. Un modelo como GPT-4, con un estimado de 1.7 billones de parámetros, dista enormemente de una regresión lineal con solo dos variables. Si bien no se traducen directamente en variables independientes en el sentido estadístico, esta vasta complejidad permite a los LLMs generar una cantidad variable de respuestas, abordar múltiples temas y exhibir una flexibilidad sin precedentes.

Por primera vez en la historia de la ingeniería, se dispone de herramientas con una variedad inherente que puede sacar a los sistemas de la "jaula" de Lyapunov, donde han estado confinados por la necesidad de control. Los LLMs ofrecen la oportunidad de diseñar sistemas de ingeniería que funcionen como sistemas disipativos: autoorganizados, autorregulados y autorreparables.

El error fundamental actual es utilizar los LLMs como un "mejor if-else" o un mero sustituto de una pieza de software rígida dentro de un sistema ya rígido. Esto conduce a la frustración y a la percepción de que los LLMs "alucinan" o no se comportan como se desea. Estamos tratando de forzar una tecnología intrínsecamente flexible en un marco que exige previsibilidad y restricción.

La clave no es domesticar la variedad de los LLMs, sino abrazarla. El desafío radica en cómo posicionar a los LLMs como agentes capaces de amplificar la variedad, permitiendo que los sistemas funcionen de manera más orgánica, adaptable y resiliente. Esto implica un cambio profundo en la forma en que concebimos la arquitectura de software y la ingeniería de sistemas, moviéndonos de un enfoque de control rígido a uno que fomenta la autoorganización y la evolución. La próxima frontera de la IA no está en replicar la lógica binaria de las máquinas, sino en emular la complejidad adaptable de la vida misma.

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:

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

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

Democratizando la Inteligencia Artificial para PyMEs

Fernando — Thu, 08 Aug 2024 16:18:05 +0000

Democratizando la Inteligencia Artificial para PyMEs

Fernando Thu, 08/08/2024 - 10:18

Desde las noticias hasta las charlas de café, la IA está en boca de todos. Sin embargo, ¿cuántas pequeñas y medianas empresas (PyMEs) están realmente aprovechando su potencial?

Eduardo Ortiz, CEO de WATR, en una entrevista con Fernando Labastida, director de marketing de la empresa, compartió detalles fascinantes sobre la IA.

La democratización de la tecnología: Un arma de doble filo

Uno de los temas más interesantes abordados en la entrevista fue la democratización de la tecnología. Ortiz trazó un paralelo entre la evolución de la IA y otros hitos tecnológicos como la web y el movimiento de software de código abierto.

"Mi perspectiva desde la tecnología es que, si bien sí se ha ido democratizando el acceso a tecnologías cada vez más robustas, más potentes, más eficientes, por un lado. Y sucedió con la web, sucedió, obviamente, con todo el movimiento de tecnologías open source", reflexionó Ortiz.

Sin embargo, también advirtió sobre las brechas que se están abriendo debido a la velocidad de los avances en IA. Mientras que el acceso a las herramientas se ha democratizado - "el plan personal de ChatGPT cuesta lo mismo para un ejecutivo de una gran corporación que para un ejecutivo de una PyME" - la rapidez de la evolución tecnológica está creando nuevas divisiones entre quienes adoptan la IA y quienes no.

Para abordar esta brecha, We Are The Robots (WATR), una empresa líder en desarrollo ágil e IA aplicada a negocios, ha organizado el AI Smart Summit 2024.

Este evento, que se llevará a cabo del 4 al 6 de septiembre de 2024, promete ser un punto de inflexión para las PyMEs que buscan subirse a la ola de la IA. Lo más destacado es que el summit será 100% virtual y completamente gratuito, democratizando el acceso al conocimiento y las estrategias de IA para empresas de todos los tamaños.

Del hype a la práctica: El propósito del AI Smart Summit

"Queremos pasar de la novedad y la incertidumbre que está causando la inteligencia artificial a aplicarla a casos prácticos en nuestras empresas", explicó Ortiz. El CEO enfatizó la importancia de ir más allá del revuelo mediático y aterrizar en aplicaciones concretas que puedan beneficiar a las PyMEs en su día a día.

El summit busca desmitificar la IA y presentarla como una herramienta accesible y práctica para negocios de todos los tamaños. "Cualquier persona que nos diga ahora que tiene las verdades absolutas sobre el tema de inteligencia artificial, probablemente nos esté diciendo algo que no es verdad", advirtió Ortiz. En su lugar, el evento se enfocará en cuestionar, reflexionar y compartir experiencias reales de implementación de IA en diversos contextos empresariales.

Un viaje de aprendizaje para los asistentes

Los participantes del AI Smart Summit 2024 pueden esperar un viaje de aprendizaje completo. Desde entender los orígenes e historia de la IA hasta conocer las últimas herramientas prácticas disponibles para PyMEs, el evento promete cubrir un amplio espectro de conocimientos.

Ortiz destacó que los asistentes podrán "entender el origen, el nacimiento, un poquito de la historia detrás de la IA" como base para comenzar a utilizar las herramientas de manera efectiva. Además, se presentarán casos de uso en diferentes industrias, desde pagos digitales hasta educación y automatización de procesos.

Un aspecto crucial del summit será mostrar cómo la IA ya está impactando los flujos de trabajo cotidianos, incluso sin que muchos usuarios lo noten. "Muchas pasarelas de pago ya están integrando herramientas de IA para la prevención de fraude, por poner un ejemplo. Y eso es valiosísimo porque nos ayuda, positivamente nos impacta y no tenemos que mover un dedo", explicó Ortiz.

El AI Smart Summit 2024 busca ser un puente para cerrar estas brechas, ofreciendo a las PyMEs la oportunidad de ponerse al día con las últimas tendencias y aplicaciones de la IA.

Problemas que la IA puede resolver para PyMEs

Uno de los aspectos más valiosos del summit será la presentación de casos concretos donde la IA puede resolver problemas comunes para las PyMEs. Ortiz detalló varios ejemplos:

Análisis de grandes volúmenes de datos: La IA puede ayudar a encontrar insights y tendencias en conjuntos de datos que serían imposibles de procesar manualmente.
Automatización de creación de contenidos: Desde la generación de outlines hasta la producción de resúmenes ejecutivos, la IA puede agilizar significativamente los procesos de creación de contenido.
Predicción de demanda: Utilizando datos históricos, los modelos de IA pueden predecir la demanda futura de productos, ayudando a optimizar inventarios y producción.
Motores de recomendación: Similar a lo que hacen grandes plataformas como Amazon, las PyMEs pueden implementar sistemas de recomendación para mejorar la experiencia del cliente y aumentar las ventas.
Mantenimiento predictivo: Ortiz compartió un ejemplo fascinante de una startup que utiliza IA para predecir fallos en maquinaria industrial basándose en patrones de vibración y sonido.
Agentes virtuales y atención al cliente: La evolución de los chatbots a agentes conversacionales más sofisticados permite una mejor atención al cliente sin aumentar los costos operativos.

"La cantidad de dolores y de problemas que se puedan resolver, creo yo, se va a ir acotando y definiendo, pero también se va a ir ampliando en tanto nosotros nos preguntemos si esta tecnología nos puede ayudar", reflexionó Ortiz.

Ponentes de primer nivel

El AI Smart Summit 2024 contará con un elenco de ponentes de talla internacional, cuidadosamente seleccionados para ofrecer una visión completa y práctica de la IA en el contexto empresarial.

"Son personas que tienen mucho que decir, mucho que cuestionar, mucho que compartir. Vienen de distintas disciplinas, lo cual también creo que va a ser un summit mucho más rico, mucho más complejo en cuanto a las perspectivas, pero simple en cuanto a la forma en la que podemos acceder a este conocimiento", explicó Ortiz.

Entre los ponentes destacados se encuentra Alejandra Lagunes, senadora de la República y líder de la Alianza Nacional de Inteligencia Artificial (ANIA). Su participación promete ofrecer una visión única sobre las iniciativas nacionales para posicionar a México como una potencia en IA.

Ortiz enfatizó que los ponentes no son meros teóricos, sino profesionales activos en la industria: "Es gente que está haciendo cosas con IA en sus propios negocios o para otros negocios o a nivel nacional o internacional".

Cómo participar en el AI Smart Summit 2024

El evento se llevará a cabo del 4 al 6 de septiembre de 2024, con aproximadamente cuatro horas de contenido diario, comenzando poco antes del mediodía y extendiéndose hasta media tarde. Este formato permite a los participantes conectarse y participar sin interrumpir significativamente su jornada laboral.

El proceso de registro es sencillo: los interesados solo necesitan visitar el sitio https://aismart.digital y registrarse con su correo electrónico. No hay costo alguno, lo que refleja el compromiso de WATR con la democratización del conocimiento sobre IA.

"Pueden conectarse a las sesiones que ustedes consideren entrar y salir a lo largo de los tres días. Y también tendremos algunos espacios para preguntas y respuestas", añadió Ortiz, destacando la flexibilidad del formato virtual.

Conclusión: La IA como catalizador para las PyMEs

El AI Smart Summit 2024 se presenta como una oportunidad única para que las PyMEs se sumerjan en el mundo de la IA de una manera práctica y accesible. En un momento en que la adopción de estas tecnologías puede marcar la diferencia entre el estancamiento y el crecimiento exponencial, eventos como este son cruciales para el ecosistema empresarial.

Como señaló Ortiz, estamos viviendo una transformación "tal vez igual de importante si no es que más importante que la que tuvo el nacimiento de la World Wide Web en los 90s o el nacimiento del telégrafo, del teléfono en siglos pasados". El AI Smart Summit 2024 busca asegurar que las PyMEs no solo sean espectadores de esta revolución, sino participantes activos y beneficiarios directos.

La invitación está abierta para todos aquellos que quieran ser parte de esta revolución tecnológica. Ya sea que estés dando tus primeros pasos en el mundo de la IA o buscando optimizar tus procesos actuales, el AI Smart Summit 2024 promete ser un evento transformador. No pierdas la oportunidad de ser parte de esta experiencia única que podría cambiar el rumbo de tu negocio en la era digital.

Fernando Labastida

Así es como las mujeres lideran la Inteligencia Artificial

Ivett Sanchez — Fri, 19 Jul 2024 21:13:54 +0000

Así es como las mujeres lideran la Inteligencia Artificial

Ivett Sanchez Fri, 07/19/2024 - 15:13

El pasado 10 de julio, se realizó la primera edición de Dev Day 4 Women Inteligencia Artificial. Este evento surgió de la gran respuesta de la convocatoria de ponencias de la edición de mayo, donde nos encontramos con una gran cantidad de contenido en el tema del momento: Inteligencia Artificial, participando más de 200 personas de diferentes países de Latinoamérica.

En esta edición especial contamos con 7 charlas técnicas y dos lighting talks (charlas cortas), entre las que destacaron por ser las de mayor interés por parte las personas que se unieron:

Más allá del algoritmo: Cultura empresarial como puente hacia la IA, impartida por Marian Suarez, del equipo de Mobiik, donde nos habló sobre la adaptación exitosa de la inteligencia artificial para el desarrollo exitoso de empresas. De igual forma, nos compartió valiosas recomendaciones para comenzar con nuestra transición en esta área.
Prompt engineering: La llave maestra para aprovechar al máximo la generative IA, por Elizabeth Fuentes. En esta charla, nos compartió un claro ejemplo de inteligencia artificial generativa, aprendimos a entender que es un “prompt engineering”, cuáles son sus elementos y las mejores prácticas de estos.
El lado oscuro de la IA, por Estephani Rivera, donde nuestra speaker invitada habló sobre los pros y los contras en cuestión de la IA, hablando también sobre la ética, sesgo y justicia que debemos tener en cuenta sobre esta.

Si bien estas son sólo algunos ejemplos de lo que vivimos, también contamos con charlas donde se explican más sobre la IA tradicional y claro ejemplos aplicados de IA generativa.

Grabaciones del evento

¿Quieres revivir alguna de las sesiones de Dev Day 4 Women IA? ¿Te perdiste el evento por trabajo o alguna otra razón? No te preocupes, si eres de las personas que se registró, tienes acceso a ellas. Puedes disfrutar de todas las charlas y revisar las dudas resueltas en el chat de cada una, sólo entra al link de acceso al evento.

También, a final de mes, estaremos compartiendo con todos ustedes las presentaciones y subiremos las grabaciones de cada sesión a nuestro canal de Youtube.

Agradecemos a cada una de las speakers que nos acompañaron compartiendo su contenido, a quienes se unieron en vivo para disfrutar y aprender, así como a nuestro patrocinador Mobiik y a nuestras comunidades aliada AWS Embajadoras Cloud.

¡Nos vemos en la edición presencial de Ciudad de México! Anota la fecha: 29 de octubre de 2024. ¿Te gustaría participar como ponente? Consulta la convocatoria de ponencias. ¡El registro ya está abierto!

Ahí nos vemos.