En la serie Spotlight de autor, los editores de TDS chatan con miembros de nuestra comunidad sobre su carrera profesional en ciencia de datos y IA, su escritura y sus fuentes de inspiración. Hoy estamos encantados de compartir nuestra conversación con Claudia ng.
Claudia es una emprendedora de IA y científica de datos con más de 6 años de experiencia en la construcción de modelos de aprendizaje automático de producción en FinTech. Ella ocupó el segundo lugar y ganó $ 10,000 en una competencia de ML de puntaje crediticio de Web3 en 2024.
Recientemente ganaste $ 10,000 en una competencia de aprendizaje automático. – ¡Felicitaciones! ¿Cuál fue la lección más grande que le quitó esa experiencia y cómo ha moldeado su enfoque para los problemas de ML del mundo real?
Mi mayor lección fue darme cuenta de que la experiencia en el dominio es más importante que la complejidad algorítmica. Era una competencia de ML de calificación crediticia Web3, y a pesar de nunca haber trabajado con datos blockchain o redes neuronales para la puntuación crediticia, mis más de 6 años en FinTech me dieron la intuición comercial para tratar esto como un problema de riesgo de crédito estándar. Esta perspectiva resultó más valiosa que cualquier grado o especialización de aprendizaje profundo.
Esta experiencia cambió fundamentalmente cómo abordo los problemas de ML de dos maneras:
Primero, aprendí que enviado es mejor que perfecto. Pasé solo 10 horas en la competencia y presenté un enfoque de “MVP” en lugar de ingeniería excesiva. Esto se aplica directamente al trabajo de la industria: un modelo decente que se ejecuta en producción ofrece más valor que un modelo altamente optimizado que se encuentra en un cuaderno Jupyter.
En segundo lugar, descubrí que la mayoría de las barreras son mentales, no técnicas. Casi no entré porque no sabía Web3 o me sentía como una “persona de competencia”, pero en retrospectiva, lo pensaba demasiado. Si bien todavía estoy trabajando para aplicar esta lección más ampliamente, ha cambiado la forma en que evalúo las oportunidades. Ahora me concentro en si entiendo el problema central y si me emociona, y confío en que podré resolverlo a medida que avanzo.
Su carrera profesional abarca negocios, políticas públicas, aprendizaje automático y ahora consultor de IA. Lo que motivó su cambio de tecnología corporativa a la AI Mundo independiente¿Y qué te emociona más de este nuevo capítulo? ¿Con qué tipo de desafíos o clientes está más emocionado de trabajar?
El cambio hacia el trabajo independiente fue impulsado por querer construir algo que realmente pudiera poseer y crecer. En los roles corporativos, crea sistemas valiosos que sobreviven a su tenencia, pero no puede llevarlos con usted ni obtener crédito continuo por su éxito. Ganar esta competencia me mostró que tenía las habilidades para crear mis propias soluciones en lugar de solo contribuir a la visión de otra persona. Aprendí valiosas habilidades en roles corporativos, pero estoy emocionado de aplicarlas a los desafíos que me importan profundamente.
Estoy persiguiendo esto a través de dos rutas principales: consultoría de proyectos que aprovechan mi experiencia en ciencias de datos y aprendizaje automático y construyendo un producto de aprendizaje de idiomas de IA. El trabajo de consultoría proporciona ingresos inmediatos y me mantiene conectado a problemas comerciales reales, mientras que el producto lingüístico representa mi visión a largo plazo. Estoy aprendiendo a construir en público y compartir mi viaje a través de mi hoja informativa.
Como políglot que habla nueve idiomas, he pensado profundamente en los desafíos de lograr la fluidez conversacional y no solo el conocimiento de los libros de texto al aprender un idioma extranjero. Estoy desarrollando un compañero de aprendizaje de idiomas de IA que ayuda a las personas a practicar escenarios del mundo real y contextos culturales.
Lo que más me emociona es el desafío técnico de construir soluciones de IA que tengan en cuenta el contexto cultural y los matices conversacionales. Por el lado de la consultoría, estoy energizado por trabajar con empresas que desean resolver problemas reales en lugar de solo implementar la IA en aras de tener IA. Ya sea que esté trabajando en modelos de riesgo o racionalización de la recuperación de información, me encantan los proyectos donde la experiencia en el dominio y la IA práctica se cruzan.
Muchas compañías están ansiosas por “hacer algo con IA”, pero no siempre saben por dónde empezar. ¿Cuál es su proceso típico para ayudar a un nuevo alcance del cliente y priorizar su primera iniciativa de IA?
Tomo un enfoque de problema primero en lugar de liderar con soluciones de IA. Demasiadas compañías quieren “hacer algo con IA” sin identificar qué problema comercial específico están tratando de resolver, lo que generalmente conduce a demostraciones impresionantes que no mueven la aguja.
Mi proceso típico sigue tres pasos:
Primero, me concentro en el diagnóstico de problemas. Identificamos puntos de dolor específicos con un impacto medible. Por ejemplo, recientemente trabajé con un cliente en el espacio del restaurante que enfrenta la desaceleración del crecimiento de los ingresos. En lugar de saltar a una “solución con AI”, examinamos los datos de revisión del cliente para identificar patrones. Por ejemplo, qué elementos del menú impulsaron las quejas, qué elementos de servicio generaron comentarios positivos y qué problemas operativos parecían con mayor frecuencia. Este diagnóstico basado en datos condujo a recomendaciones específicas en lugar de implementaciones genéricas de IA.
En segundo lugar, definimos el éxito por adelantado. Insisto en métricas cuantificables como ahorros de tiempo, mejoras de calidad o aumentos de ingresos. Si no podemos medirlo, no podemos demostrar que funcionó. Esto evita que el alcance del alcance y asegura que estamos resolviendo problemas reales, no solo construyendo tecnología genial.
Tercero, pasamos por soluciones viables y nos alinamos en la mejor. A veces es un tablero de visualización, a veces es un sistema de trapo, a veces está agregando capacidades predictivas. La IA no siempre es la respuesta, pero cuando es así, sabemos exactamente por qué la estamos usando y cómo se ve el éxito.
Este enfoque ha entregado resultados positivos. Los clientes generalmente ven una velocidad de toma de decisiones mejorada y información de datos más clara. Si bien estoy construyendo mi práctica independiente, centrarme en problemas reales en lugar de palabras de moda de IA ha sido clave para la satisfacción del cliente y los compromisos repetidos.
Has asesorado a los aspirantes a científicos de datos: ¿cuál es una trampa común que ves entre las personas que intentan irrumpir en el campo y cómo les aconseja que lo eviten?
La mayor dificultad que veo es tratar de aprender todo en lugar de centrarse en un papel. Muchas personas, incluido desde el principio, sienten que necesitan tomar cada curso de IA y dominar cada concepto antes de que estén “calificados”.
La realidad es que la ciencia de datos abarca roles muy diferentes: desde los científicos de datos de productos que ejecutan pruebas A/B hasta ingenieros de ML que implementan modelos en producción. No necesitas ser un experto en todo.
Mi consejo: elige tu carril primero. Descubra qué papel te emociona más, luego concéntrese en afilar esas habilidades centrales. Personalmente hice la transición del analista al ingeniero de ML al estudiar intensamente el aprendizaje automático y asumir proyectos reales (puede leer mi historia de transición. aquí). Aproveché mi experiencia en el dominio en riesgo de crédito y fraude, y apliqué esto para presentar los cálculos de ingeniería y impacto comercial.
La clave es aplicar estas habilidades a problemas reales, no quedarse atascado en el infierno del tutorial. Veo este patrón constantemente a través de mi boletín y tutoría. Las personas que se atraviesan son las que comienzan a construirse, incluso cuando no se sienten listas.
El paisaje de los roles de IA sigue evolucionando. ¿Cómo deberían decidir los recién llegados a dónde enfocarse: ML Ingeniería, Análisis de datos, LLMS o algo por completo?
Comience con su conjunto de habilidades actuales y lo que le interesa, no lo que suena más prestigioso. He trabajado en diferentes roles (analista, científico de datos, ingeniero de ML) y cada uno trajo habilidades valiosas y transferibles.
Así es como abordaría la decisión:
Si viene de una experiencia comercial: Los roles de los científicos de datos de productos son a menudo el punto de entrada más fácil. Concéntrese en SQL, pruebas A/B y habilidades de visualización de datos. Estos roles a menudo valoran la intuición del negocio sobre habilidades técnicas profundas.
Si tiene experiencia de programación: Considere la ingeniería de ML o ingeniería de IA. La demanda es alta y puede aprovechar las habilidades de desarrollo de software existentes.
Si te atrae la infraestructura: La ingeniería de MLOPS tiene mucha demanda, especialmente a medida que más empresas implementan modelos ML y IA a escala.
El paisaje sigue evolucionando, pero como se mencionó anteriormente, la experiencia en el dominio a menudo importa más que seguir la última tendencia. Gané esa competencia de ML porque entendí los fundamentos del riesgo de crédito, no porque conociera los algoritmos más elegantes.
Concéntrese en resolver problemas reales en los dominios que comprenda, luego deje que sigan las habilidades técnicas. Para obtener más información sobre diferentes roles, he escrito sobre los 5 tipos de trayectoria profesional de ciencia de datos aquí.
¿Cuál es un tema de IA o ciencia de datos sobre el que crees que más personas deberían escribir o una tendencia que estás viendo de cerca en este momento?
Me ha impresionado la velocidad y la calidad de la tecnología de texto a voz (TTS) para imitar patrones y tono de conversación reales. Creo que más personas deberían escribir sobre la tecnología TTS para la preservación del lenguaje en peligro de extinción.
Como un políglota apasionado por la comprensión intercultural, me fascina cómo la IA podría ayudar a evitar que los idiomas desaparezcan por completo. La mayoría del desarrollo de TTS se centra en los idiomas principales con conjuntos de datos masivos, pero hay más de 7,000 idiomas en todo el mundo, y muchos están en riesgo de extinción.
Lo que me emociona es el potencial para que la IA cree síntesis de voz para idiomas que solo podrían tener unos pocos cientos de altavoces. ¡Esta es la tecnología que sirve a la humanidad y la preservación cultural en su mejor momento! Cuando un idioma muere, perdemos formas únicas de pensar sobre el mundo, los sistemas de conocimiento específicos y la memoria cultural que no se pueden traducir.
La tendencia que estoy observando de cerca es cómo el aprendizaje de transferencia y la clonación de voz están haciendo esto técnicamente factible. Llegamos a un punto en el que solo necesite horas en lugar de miles de horas de datos de audio para crear TT de calidad para nuevos idiomas, especialmente utilizando modelos multilingües existentes. Si bien esta tecnología plantea preocupaciones válidas sobre el mal uso, aplicaciones como la preservación del idioma muestran cómo podemos usar estas capacidades de manera responsable para el bien cultural.
A medida que continúo desarrollando mi producto de aprendizaje de idiomas y construyendo mi práctica de consultoría, me recuerda constantemente que las aplicaciones de IA más interesantes a menudo provienen de la combinación de capacidades técnicas con una profunda comprensión del dominio. Ya sea construyendo modelos de aprendizaje automático o herramientas de comunicación cultural, la magia ocurre en la intersección.
Para aprender más sobre El trabajo de Claudia Y mantente actualizado con sus últimos artículos, puedes seguirla en TDS, Sustitucióno LinkedIn.