En la serie Author Spotlight, los editores de TDS conversan con miembros de nuestra comunidad sobre su trayectoria profesional en ciencia de datos e inteligencia artificial, sus escritos y sus fuentes de inspiración. Hoy estamos encantados de compartir nuestra conversación con Stephanie Kirmer.
Stephanie es ingeniera de aprendizaje automático, con casi 10 años de experiencia en ciencia de datos y aprendizaje automático. Anteriormente, fue administradora de educación superior y enseñó sociología y ciencias de la salud a estudiantes de pregrado. Escribe una publicación mensual en TDS sobre temas sociales y AI/ML, y da charlas en todo el país sobre temas relacionados con ML. Hablará sobre estrategias para personalizar la evaluación de LLM en ODSC East en Boston en abril de 2026.
Estudiaste sociología y los fundamentos sociales y culturales de la educación. ¿Cómo ha influido su experiencia en su perspectiva sobre los impactos sociales de la IA?
Creo que mi formación académica ha dado forma a mi perspectiva sobre todo, incluida la IA. Aprendí a pensar sociológicamente a lo largo de mi carrera académica, y eso significa que observo eventos y fenómenos y me pregunto cosas como “¿cuáles son las desigualdades sociales en juego aquí?”, “¿cómo diferentes tipos de personas experimentan esto de manera diferente?” y “¿cómo influyen las instituciones y los grupos de personas en cómo sucede esto?”. Ese es el tipo de cosas que un sociólogo quiere saber, y utilizamos las respuestas para desarrollar una comprensión de lo que sucede a nuestro alrededor. Estoy construyendo una hipótesis sobre lo que está sucediendo y por qué, y luego busco seriamente evidencia para probar o refutar mi hipótesis, y ese es, esencialmente, el método sociológico.
Lleva más de dos años trabajando como ingeniero de ML en DataGrail. ¿Cómo ha cambiado su trabajo diario con el auge de los LLM?
De hecho, estoy en el proceso de escribir un nuevo artículo sobre esto. Creo que el progreso de los asistentes de código que utilizan LLM es realmente fascinante y está cambiando la forma en que muchas personas trabajan en ML y en ingeniería de software. Utilizo estas herramientas para intercambiar ideas, para recibir críticas de mis enfoques a los problemas o para obtener ideas alternativas a mi enfoque, y para trabajos preliminares (escribir pruebas unitarias o código repetitivo, por ejemplo). Sin embargo, creo que todavía queda mucho por hacer para las personas en ML, especialmente aplicar nuestras habilidades adquiridas a través de la experiencia a problemas inusuales o únicos. Y todo esto no pretende minimizar las desventajas y los peligros de los LLM en nuestra sociedad, que son muchos.
Usted ha preguntado si podemos “salvar la economía de la IA”. ¿Cree que la exageración de la IA ha creado una burbuja similar a la era de las puntocom, o la utilidad subyacente de la tecnología es lo suficientemente fuerte como para sostenerla?
Creo que es una burbuja, pero la tecnología subyacente realmente no tiene la culpa. La gente ha creado la burbuja y, como describí en ese artículo, se ha invertido una cantidad inimaginable de dinero bajo el supuesto de que la tecnología LLM producirá algún tipo de resultados que generarán ganancias proporcionales. Creo que esto es una tontería, no porque la tecnología LLM no sea útil en algunos aspectos clave, sino porque no es útil por más de 200 mil millones de dólares. Si Silicon Valley y el mundo del capital de riesgo estuvieran dispuestos a aceptar buenos rendimientos de una inversión moderada, en lugar de exigir inmensos rendimientos de una inversión gigantesca, creo que este podría ser un espacio sostenible. Pero no ha sido así, y simplemente no veo una salida a esto que no implique el estallido de una burbuja eventualmente.
Hace un año, usted escribió sobre la “Reacción cultural contra la IA generativa”. ¿Qué pueden hacer las empresas de IA para reconstruir la confianza de un público escéptico?
Esto es difícil, porque creo que la exageración ha marcado la pauta para el retroceso. Las empresas de inteligencia artificial están haciendo promesas descabelladas porque las cifras del próximo trimestre siempre deben mostrar algo espectacular para que la rueda siga girando. Las personas que ven eso y sienten que les están mintiendo, naturalmente, tienen un sabor amargo con respecto a todo el esfuerzo. No sucederá, pero si las empresas de IA se retractaran de las promesas poco realistas y, en cambio, se concentraran en encontrar formas razonables y efectivas de aplicar su tecnología a los problemas reales de las personas, eso sería de gran ayuda. También sería útil si tuviéramos una amplia campaña de educación pública sobre qué son realmente los LLM y la “IA”, desmitificando la tecnología tanto como podamos. Pero cuanto más aprenda la gente sobre la tecnología, más realistas serán sobre lo que puede y no puede hacer, por lo que espero que los grandes jugadores en el espacio tampoco estén dispuestos a hacer eso.
Ha cubierto muchos temas diferentes en los últimos años. ¿Cómo decides sobre qué escribir a continuación?
Tiendo a pasar el mes entre artículos pensando en cómo los LLM y la IA están apareciendo en mi vida, las vidas de las personas que me rodean y las noticias, y hablo con las personas sobre lo que ven y experimentan al respecto. A veces tengo un ángulo específico que viene de la sociología (poder, raza, clase, género, instituciones, etc) que quiero usar como marco para mirar el espacio, o a veces un evento o fenómeno específico me da una idea con la que trabajar. Tomo notas a lo largo del mes y cuando encuentro algo que me interesa mucho y quiero investigar o pensar, lo elijo para el próximo mes y lo analizo en profundidad.
¿Hay algún tema sobre el que aún no hayas escrito y que te entusiasme abordar en 2026?
Sinceramente, ¡no planeo con tanta antelación! Cuando comencé a escribir hace unos años anoté una gran lista de ideas y temas y la he agotado por completo, así que estos días estoy como mucho uno o dos meses adelantado a la página. Me encantaría recibir ideas de los lectores sobre cuestiones sociales o temas que chocan con la IA y que les gustaría que profundizara más.
Para obtener más información sobre el trabajo de Stephanie y mantenerse actualizado con sus últimos artículos, puede seguirla en TDS o LinkedIn.