En nuestra serie de Author Spotlight, conversamos con miembros de nuestra comunidad sobre sus trayectoria profesional en ciencia de datos y IA, su escritura y sus fuentes de inspiración. Hoy estamos encantados de compartir nuestra conversación con Mauro di Pietro.
Mauro es un científico de datos y creador de contenido con una década de experiencia en la industria bancaria en Europa y Asia. Estudió finanzas cuantitativas, pero se enseñó a sí mismo programación después de la graduación, lo que provocó su pasión por escribir tutoriales que dividen temas complejos en explicaciones simples y atractivas.
Has escrito una serie impresionante sobre edificio Agentes de IA desde cero Usando Python y Ollama. ¿Qué lo motivó a evitar herramientas como OpenAI API o servicios de nube pagados?
Me gusta hacer mis propias cosas, y soy un gran admirador de “código abierto”.
Vengo de la era temprana del aprendizaje automático, cuando los científicos de datos solían capacitar a sus propios modelos. Soy bastante nostálgico sobre esos días, cuando “todo lo que necesitas” no fue Atenciónpero un pequeño conjunto de datos, Leary la potencia informática limitada fueron suficientes para realizar una buena clasificación. Extraño especialmente la parte de exploración de datos, ya que era bastante bueno para trazar. Hoy todos estamos usando Chatgpty literalmente no he entrenado un modelo en años … así que prefiero construir desde cero donde pueda.
Además, trabajo en la banca y estoy acostumbrado a manejar datos altamente sensibles. Aprovechar herramientas de código abierto para construir desde cero es una mejor opción, en lugar de depender de los servicios de nube pagados, cuando desea invertir en control y personalización. Tiene una propiedad total sobre su infraestructura, evita el bloqueo de los proveedores y mantiene un control más estricto sobre la privacidad y la seguridad de los datos. Y lo más importante, es gratis. Por lo tanto, mientras pueda elegir, siempre elegiré el enfoque de “código abierto/desde el cañón”.
Sobre el enfoque “desde cero”: ¿cuál es su filosofía detrás de comenzar desde cero y cómo equilibra la claridad educativa con la complejidad del mundo real?
Creo que realmente aprendes solo cuando intentas hacer las cosas tú mismo. El crecimiento rara vez proviene de acertar las cosas la primera vez.
En casos de uso real, nunca sale según lo planeado, por lo que uno debe conocer la brecha entre la teoría y la práctica. Para comprometerse entre los dos, es esencial tratar la teoría como una base flexible en lugar de un marco rígido. La teoría proporciona modelos que funcionan en condiciones ideales, pero los escenarios del mundo real vienen con ruido, incertidumbre y limitaciones (como el presupuesto, el tiempo y el comportamiento humano). En última instancia, es en el área gris entre la teoría y la práctica que las ideas inteligentes pueden generar un valor real. Entonces, para manejar la complejidad del mundo real, primero debe dominar ejemplos educativos.
Pero no es solo la IA: eso se aplica a todo … la vida es un proceso de prueba y error. Evolucionamos a través de la experiencia: intentar, fallar, ajustar e intentarlo nuevamente. Ese es el aprendizaje humano (y la máquina).
Has explorado un solo agente, múltipley arquitecturas basadas en la cadena. ¿Cómo ha evolucionado su perspectiva sobre el diseño del agente a medida que avanzó a través de estos modelos?
Por el momento, los agentes individuales son el camino a seguir y los más cercanos a estar listos para la producción. En particular, los agentes individuales son mejores que los sistemas de múltiples agentes cuando el dominio de casos de uso está bien definido y puede ser manejado de manera efectiva por un solo punto de control. Son más simples de diseñar, probar y mantener.
Por otro lado, los sistemas de múltiples agentes introducen una complejidad adicional en el proceso de toma de decisiones, que puede ser innecesario o incluso contraproducente.
Cuantos más agentes agregue en un sistema, más difícil será controlar y la calidad de la salida se ve afectada. Tengamos en cuenta que cualquier resultado de un modelo de aprendizaje automático siempre debe validarse.
Entonces, a menos que la tarea no se beneficie de la inteligencia distribuida, recomendaría probar primero agentes individuales.
¿Cómo se mantiene actualizado e inspirado cuando se trabaja con herramientas y enfoques que a menudo están en la frontera de la investigación y el desarrollo de la IA?
Oh, esa es la parte más difícil, ya que soy una persona muy perezosa. Lo que me impulsa a mantenerme al día con la industria es una mezcla de curiosidad, pasión y fomo … ¡No quiero que me queden atrás!
Como cualquier otro escritor, leo mucho, especialmente para detectar nuevas tendencias próximas. Además, interactúo todo el tiempo con la comunidad para comprender cómo otras personas se acercan a problemas similares. Por ejemplo, muchos de mis lectores se comunican conmigo en LinkedIn pidiendo ayuda para ejecutar el código de mis artículos. Siempre trato de entender sus casos de uso, discutir juntos cuál sería el mejor enfoque posible y, a veces, surgen nuevas ideas.
La innovación a menudo proviene de la exposición interdisciplinaria a través de comentarios de pares y usuarios. Entonces, diría que la mejor manera de mantenerse inspirado es hablar con la gente.
Luego, una vez que obtenga esa inspiración que fluye como la gasolina, para mantenerse “al día”, debe moler con experimentos prácticos (es decir, reproducir artículos, contribuir a proyectos de código abierto, construir prototipos).
Mirando hacia el futuro, ¿qué tipo de problemas o sistemas está más emocionado de construir o ver que otros se construyan, utilizando agentes de IA?
Veo a los agentes como “Baby Ai”. Con la PNL moderna y la visión de la computadora, estamos muy cerca de tener todos los ingredientes para el primer software AI de uso general.
Cuando era niño, en los años 90, cada hogar tenía una computadora en la casa que todos los miembros de la familia tenían que compartir. Bueno, creo que está a punto de volver a suceder. Pronto, cada familia tendrá un asistente personal de IA conectado a todos los dispositivos (teléfonos, casa, automóvil …). Eventualmente, la robótica se pondrá al día con el lado del hardware, y ese asistente de IA familiar se convertirá en el robot personal con el que siempre hemos soñado.
Personalmente, estoy muy emocionado de que la IA reemplace a los humanos en pequeñas tareas diarias. No puedo esperar a ver a mi robot personal enviando correos electrónicos, reservar citas y organizar mi agenda para el día, mientras disfruto del desayuno (que todavía me cocinaré porque el enfoque de “desde cero” nunca muere!).
Para obtener más información sobre el trabajo de Mauro y mantenerse actualizado con sus últimos artículos, sígalo aquí en tds y LinkedIn.