○ planned · proyecto
Otorga nivel a: Large Language Models · Prompt Engineering
Usa: Large Language Models · Prompt Engineering · Agentic AI · AI Agents · Model Selection
Emilio Gerreman conduce una reflexión conjunta (no una clase) sobre cómo cambia la profesión del científico de datos cuando la IA escribe el código. Su tesis central, apoyada en Wittgenstein (“los límites de mi lenguaje son los límites de mi mundo”), es que cuando la capacidad técnica deja de ser el límite, lo escaso pasa a ser la capacidad de dirigir: el valor del profesional migra a ampliar su lenguaje y su marco de comprensión, aprender continuamente y discernir las salidas de los modelos, en lugar de perseguir modas tecnológicas.
Hallazgos clave
- La epifanía que anticipa el cambio: pedirle a GPT-3 una query SQL describiendo las tablas, sus columnas y la granularidad convierte 2–3 horas de prueba y error en 10 segundos; el mayor beneficiado no fue quien sabía poco, sino la experta (Julia), a quien dejaron de interrumpir.
- Antes de discutir, hay que alinear el vocabulario: algoritmo (función input/output que hace sumas y restas), contexto (la realidad en la que vive el sistema, incluidos datos de entrenamiento, system prompt y capacidad de buscar/investigar) e IA (todo el sistema, no solo el modelo).
- “Si la capacidad deja de ser el límite, ¿qué se vuelve escaso? La capacidad de dirigir”: con 10 data scientists recién egresados a cargo, el trabajo del jefe es revisar, aprobar, fomentar el desarrollo, quitar blockers, proveer herramientas y alinear contextos.
- La analogía de la ley de los grandes números (Galton, 1906, el peso del buey con ~1% de error): el valor de una reflexión colectiva es que el promedio de muchas perspectivas se acerca a la verdad, pero entrenarse sobre sus propios resultados estrecha la ventana de opciones y hace invisible lo fuera de la media.
- Un agente de IA se reduce a tres partes —objetivo, perceptores (lo que percibe y elabora su contexto) y acción/decisión— igual que un humano con sus cinco sentidos; la IA y la inteligencia humana habitan realidades distintas, marcadas por procesos bioquímicos, memoria, sentimientos y lenguaje.
- El valor real está en ampliar el lenguaje y el marco de comprensión: los escritores, abogados y autores de constituciones “solo” son muy precisos con el lenguaje; ser un buen científico de datos en la era de la IA es aprender continuamente para conservar autonomía, riqueza de pensamiento y capacidad de discernir.
- Hay que cuestionar las verdades (incluidas las del propio LLM y las de los “gurús”), recordando la psicofantía/sycophancy: los modelos tienden a darte la razón, y la verdad es un promedio, no un hecho absoluto.
Módulos
- El punto de inflexión — La epifanía del SQL con GPT-3 y qué significa que la capacidad técnica deje de ser el límite.
- Vocabulario común: algoritmo, contexto e IA — Definir los términos para “jugar el mismo juego del lenguaje” antes de cualquier discusión.
- Qué se vuelve escaso: dirigir — El ejercicio de los 10 data scientists y las tareas del jefe (aprobar, fomentar, quitar blockers, alinear contextos).
- La inteligencia como agente — Objetivo, perceptores y acción/decisión: paralelismos entre IA e inteligencia humana y sus realidades distintas.
- El lenguaje como límite y como valor — Wittgenstein y cómo ampliar el marco de comprensión para ser más preciso.
- Aprender continuamente y discernir — Autonomía, riqueza de pensamiento y cuestionamiento de verdades (incluida la psicofantía de los LLM).
Fuente: https://www.youtube.com/watch?v=fA053h5fep0 · Transcript local: data/cursos/datapub-cientifico-datos-era-ia/cientifico-datos-era-ia.srt
Enlaces
Otorga nivel a: Large Language Models · Prompt Engineering Usa: Large Language Models · Prompt Engineering · Agentic AI · AI Agents · Model Selection