Enseñando ML y AI a los Programadores

Gracias. Estoy realmente emocionado de estar aquí hoy para hablar sobre mi trabajo de educar al mundo sobre la IA y tratar de mejorar el mundo a través de la IA. Un poco sobre mí, también soy el autor de este libro IA y Aprendizaje Automático para Programadores. Acaba de ser lanzado, por lo que es bastante nuevo, y en realidad fue el número uno en ventas en varias categorías de IA. Primero, quiero hablar un poco sobre la IA y dónde se encuentra. Y este gráfico que me gusta usar es el ciclo de vida de Gartner. Y el ciclo de vida de cualquier tecnología generalmente comienza con la introducción de la tecnología y luego alcanza este pico de expectativas infladas. El pico de expectativas infladas es algo en lo que se ve una gran cantidad de hype alrededor de la tecnología, pero ese hype no se basa realmente en nada real sobre la tecnología. Se basa en especulaciones y en la tecnología misma. Y luego, a menudo, el ciclo de vida nos lleva a la depresión de la desilusión. A pesar del nombre negativo, en realidad es algo muy positivo porque es cuando superamos las expectativas infladas. Superamos el hype y entendemos de qué se trata realmente el producto y la tecnología. Y una vez que alcanzamos ese punto, a partir de ahí podemos alcanzar la productividad. Desafortunadamente, la IA en este momento probablemente se encuentre en algún lugar de aquí en la curva. Todavía hay muchas expectativas infladas. Y solo para aclarar, a veces las expectativas infladas pueden ser positivas, donde todos están pensando en las cosas increíbles que se pueden hacer con la tecnología. Y a veces pueden ser negativas, donde las personas están aterrorizadas y tienen miedo de la tecnología. Pero sus expectativas sobre sus capacidades o lo que están infladas debido a esta curva de ciclo de hype. Pero mi trabajo en general es tratar de llevar a las personas a esta depresión de la desilusión. A veces bromeo diciendo que soy un desilusionador profesional, pero realmente con la idea de hacer que el mundo comprenda de qué se trata realmente la IA, qué se puede hacer con la IA, cómo se puede construir con la IA y a partir de ahí, luego puedes crecer hacia la productividad. Entonces, como dije, estamos aquí en este momento. Y mi pregunta entonces es por qué crees que estamos aquí en este momento. ¿Cuáles son las razones detrás de esto? La primera que mostraré es este número. Y este número es 300,000, que es el número de profesionales de IA en el mundo según una encuesta realizada por una empresa en China. Y querían echar un vistazo a por qué hay una escasez global de habilidades en torno a la IA. Esto fue hace aproximadamente dos años y medio. ¿Por qué había una escasez global de habilidades en torno a ellos? Y querían decir, bueno, cuántas personas calificadas hay. Y eran 300,000 profesionales de IA. Ahora me gusta comparar esto con este número, que es 30 millones.

Por ejemplo, en la WWDC de este año, Tim Cook mencionó que solo en el ecosistema de Apple hay 28 millones de desarrolladores. Entonces, si hago una regla general de que la mitad de los desarrolladores del mundo están en el ecosistema de Apple, podríamos estar más cerca de los 60 millones de desarrolladores a nivel mundial. Bueno, trabajemos con este número de 30 millones. Ahora recuerda que según la encuesta había 300,000 profesionales de IA. Según mi estimación, hay 30 millones de desarrolladores de software. Entonces, nuestra visión en Google es: ¿qué pasaría si pudiéramos capacitar al 10 por ciento de los desarrolladores del mundo para que sean efectivos en el aprendizaje automático y la inteligencia artificial? Y si lo lográramos, tendríamos tres millones de desarrolladores de IA y ML, que es 10 veces este número. Así que hicimos eso nuestro objetivo. ¿Podemos aumentar el número de profesionales a nivel mundial en un factor de 10? No en un número de 10. Así que dijimos que haríamos de esto nuestro objetivo. Comenzamos este viaje hace aproximadamente 18 meses, un poco más de 18 meses. Y hoy quiero compartir las estrategias que utilizamos y los resultados que hemos obtenido. Pero primero, al trabajar con desarrolladores de software y cuando hablo con ellos y cuando veo cómo están siendo capacitados, recibí muchos comentarios sobre por qué pensaban que era difícil y por qué era algo que les interesaba pero que iba a ser demasiado difícil para ellos dedicar mucho de su tiempo y de su tiempo de estudio para poder aprenderlo. Y empecé a ver muchas terminologías como las que he incluido en este gráfico, personas que decían que era difícil. Había mucha matemática. Había muchos términos con los que no estaban familiarizados, como aprendizaje no supervisado o aprendizaje supervisado. Realmente, al igual que yo, no habían hecho cosas como cálculo y probabilidad en 25 años. Y como resultado, la cantidad de conceptos que se les presentaban solo para comenzar hacía que fuera como un gran obstáculo que tenían que superar para poder comenzar a transformar su carrera y transformar su conjunto de habilidades para convertirse en un desarrollador de aprendizaje automático o IA. Así que vi eso como un desafío. Y una de las cosas que hacemos en Google

Y luego, el que está en la parte inferior es el Boot Camp de Aprendizaje Automático de Google Developers que se lleva a cabo en Corea. En realidad, comenzó a fines de octubre. Y la idea detrás de este es que Google y varias empresas y muchas de ellas startups se unieron para patrocinar este boot camp, pero para hacerlo muy diferente. Y eso es el grupo de personas que ingresan a este boot camp. Si aprueban el contenido del boot camp, tienen un trabajo garantizado. Estoy particularmente emocionado por este dado la situación económica actual debido a la pandemia, para poder trabajar junto con la industria para crear un flujo de personas calificadas para hacer un trabajo pero con la motivación

El Imperial College en Londres lo utilizó para crear su plan de estudios, pero también lo utilizan para crear un curso en línea de su propia plataforma que enseñan en Coursera, lo cual me pareció muy emocionante.

Una de las cosas a las que estamos realmente comprometidos con esto es ampliar el acceso tanto como sea posible. Así que he estado hablando de que no solo necesitas un doctorado y cosas así. También queremos ampliar el acceso a personas que tradicionalmente no están representadas en IA. La Universidad Keio en Japón ha lanzado un curso para mujeres. Y sabemos que hay un problema de representación en la tecnología, un problema de diversidad en la tecnología al no tener mujeres en la tecnología. Y en Japón esto es particularmente agudo debido a algunos problemas históricos allí. Así que la Universidad Keio realmente quería ver si podían atraer a más mujeres a la IA y están lanzando este curso para mujeres que será impartido por mujeres. Y nuevamente, se convirtieron en parte de nuestro programa de financiamiento universitario que establecimos. Y este es uno de los resultados que surgió de ello. Y luego, dadas las problemáticas a nivel global y lo que hemos estado aprendiendo a nivel global sobre cuestiones raciales y el hecho de que las vidas de las personas negras realmente importan. Una de las cosas en las que hemos estado trabajando arduamente es colaborar con universidades históricamente afroamericanas en los Estados Unidos para ayudarles a aprovechar los beneficios de las capacidades que podemos tener con IA y poder aprovechar lo que el Foro Económico Mundial mostraba sobre el crecimiento de empleos en IA y poder capacitar a sus estudiantes para eso. Anteriormente mencioné el programa de certificación. Lo lanzamos a mediados de 2020 y, lo siento, a principios de 2020, en primavera de 2020. Y es un certificado orientado al empleo, un examen riguroso que abarca NLP, visión por computadora y modelado de secuencias. Y hasta ahora tenemos alrededor de 1200 titulares en todo el mundo y está aumentando de manera constante. Y la visión aquí es realmente ayudar a las personas a demostrar sus habilidades, pero también ayudar a los empleadores a saber que estas habilidades han sido demostradas. Una gran parte de la brecha de empleo que descubrimos fue que muchos empleadores no sabían cómo encontrar personas calificadas en IA y no sabían las preguntas correctas para hacerles. Así que creamos el programa de certificación con eso en mente. Y para concluir, mencioné un poco antes, pero parte del impacto en esto es que realmente queremos ayudar a impulsar la economía. Realmente queremos ayudar a capacitar a los desarrolladores para que tengan éxito en la nueva economía. Me gustaría compartir algunas estadísticas sobre el estado del empleo a nivel mundial. En primer lugar, este gráfico. Este es un gráfico general con una tendencia al alza, pero hay una gran caída en la parte inferior. Y este es el gráfico del PIB. Lo promedié en varios países, Reino Unido, Estados Unidos, etc.

Bueno, en primer lugar, comenzaré diciendo que estoy completamente sesgado dado que trabajo en el equipo de TensorFlow. Estoy usando una chaqueta de TensorFlow y estoy bebiendo café de una taza de TensorFlow. Así que creo que mi respuesta va a ser TensorFlow. Pero si me quito la chaqueta y dejo de usar la taza, creo que siempre es bueno que todos aprendan todo lo posible sobre ambos.

Sabes que damos la bienvenida a la gran competencia que estamos obteniendo con PyTorch. Creo que es brillante para la industria tener competencia entre los proveedores. Pero responderé que, a pesar de eso, sigo pensando que TensorFlow es la mejor opción debido a la cantidad de lugares diferentes donde puedes implementar modelos de TensorFlow. Exacto. Desde la infraestructura masiva a escala de la nube con TPUs multinodo hasta los microcontroladores y sistemas integrados más pequeños, tus habilidades de TensorFlow sin importar el tipo de modelo que desees producir, hay un lugar para ponerlo. Desde la perspectiva de la industria, creo que recomendaría enfáticamente, a pesar de mi chaqueta, que elijas TensorFlow.

Sí, definitivamente. Sé que PyTorch abstrae muchos mecanismos bien ocultos que TensorFlow proporciona. Y aunque es un intercambio porque por un lado TensorFlow es definitivamente más adaptable y controlable y flexible, mientras que con PyTorch algunas personas encuentran una interfaz más fácil de usar en general. Sí, no afirmaré tener experiencia en PyTorch. Es algo que necesito aprender más, siendo completamente sincero. Pero sí, mi enfoque siempre ha sido permitir que las personas tengan éxito con la tecnología. Y sabes, un nivel es poder construir modelos. Pero el otro nivel y el nivel más importante es tener un lugar donde implementarlos. Y creo que, en ese sentido, la capacidad de implementación es una fortaleza enorme de TensorFlow y es por eso que me apasiona tanto.

Sí, esa es una excelente respuesta. Y también aquí hay otra pregunta de Arjun Kumar. ¿Lo recomiendas? ¿Cómo recomiendas continuar construyendo tu carrera después de completar cursos como el tuyo o similares? Sí, buena pregunta. Creo que la práctica, la práctica y la práctica son muy importantes. Creo que, al igual que con cualquier tipo de programación, cuanto más lo hagas, mejor te volverás en ello. Comienzas a darte cuenta de las dificultades. Comienzas a darte cuenta de esos consejos y trucos, esas cosas que te hacen mejor en hacerlo. Así que el aprendizaje automático no es una excepción en ese sentido. Es realmente práctica, práctica y práctica. No tiene que ser público con competiciones en Kaggle ni nada por el estilo. Y una cosa que siempre recomiendo es que encuentres algo que te apasione y seguramente haya algunos datos disponibles sobre algo que te apasione y

Me gusta el término que acabas de usar, simbiótico, porque creo que es exactamente correcto. Pero simbiótico, ¿cómo comienzas? Y deberían estar entrelazados. Pero, ¿cómo empiezas? Y quiero decir, puedo decir, al menos personalmente, que no había hecho cálculo en 30 años cuando comencé a investigar el aprendizaje automático moderno. Y cuando el material inicial que estaba viendo enseñaba cómo funciona un optimizador a través del descenso de gradiente y toneladas de cálculo, o enseñaba cómo funciona una convolución utilizando notación matemática y griega, debo admitir que estaba perdido. Me resultaba más difícil seguirlo. Pero cuando comencé a investigar esto usando código, principalmente código, me resultó mucho más fácil leer y entender el código. Así que mi relación simbiótica comenzó definitivamente en el lado práctico de la codificación. Ahora puedo entender qué es un modelo. Ahora puedo entender cómo un modelo aprende a partir de parámetros. Ahora puedo ver cómo funciona la retropropagación y cosas así. Y luego, con todo ese contexto, comencé a adentrarme en las matemáticas y a ver ah, ahora veo dónde estoy usando cálculo para el descenso de gradiente y todas esas cosas. Así que realmente construí ese contexto para poder entenderlo mejor, y por eso ahora es una relación muy simbiótica. Sabes, podría comenzar a construir modelos sin conocer matemáticas. Pero una vez que comencé a construir modelos, si quería construir mejores modelos, era necesario comprender lo que estaba sucediendo en el fondo. Sí, eso es completamente cierto, porque sé que hay muchas personas en la escuela, especialmente según nuestras encuestas, y tal vez en la escuela estén aprendiendo matemáticas muy complejas, como el cálculo, por ejemplo, que mencionaste, y te preguntas: bueno, si simplemente te lo presentan, está bien, pero ¿dónde lo uso? ¿Qué es

Ahora que siempre tenemos tantas preguntas para ti, siguen llegando. Ya sabes, ves como TensorFlow se ha convertido en algo enorme justo frente a ti. Pero ¿tienes alguna reserva sobre TensorFlow? Tal vez en algún momento TensorFlow podría haber hecho algo mejor. Y probablemente todavía sea algo que sea un gran problema. ¿Hay algo así? No creo que haya algo que considere un gran problema ahora. Creo que una cosa que hubiera sido realmente agradable tener antes, pero que finalmente tuvimos con TensorFlow 2, fue pensar en ello de una manera más pythonica, porque las primeras versiones de TensorFlow estaban muy orientadas a gráficos. Entonces cargabas todas tus cosas en un gráfico y luego ejecutabas una sesión dentro de un gráfico. Y para mí, como programador en lugar de una persona de IA, eso era un poco extraño al principio. Era muy difícil porque no puedes hacer depuración paso a paso y cosas así. Cuando lanzamos TensorFlow 2, con ejecución ansiosa por defecto, se volvió más pythonico. Así que hizo que fuera mucho más fácil para las personas que son programadores comenzar y ponerse en marcha. Y si hubiera algo que tuviera el tiempo