Ask HN: ¿Prácticas diarias para desarrollar habilidades en AI/ML?
Los aspirantes a AI y machine learning están evaluando cuál es la mejor forma de desarrollar habilidades con tiempo limitado, desde rutinas de una hora al día hasta opciones más inmersivas como cursar estudios de posgrado o cambiar de trabajo. Muchos abogan por un enfoque impulsado por proyectos y de arriba abajo usando herramientas modernas (fast.ai, PyTorch, Hugging Face, APIs de LLM) mientras van cubriendo gradualmente los fundamentos de matemáticas y estadística, en lugar de empezar solo desde la teoría. Otros enfatizan que la comprensión profunda, la implementación de papers y el conocimiento de métodos más amplios de ML siguen siendo cruciales —especialmente para roles de investigación—, mientras que ingenieros con experiencia señalan oportunidades crecientes en MLOps y en simplemente volverse muy eficaces usando modelos grandes existentes.
Enfoques generales para aprender AI/ML
- Muchos recomiendan “aprender haciendo”: elige un proyecto de pasión (p. ej., comprensión de documentos, audio, analítica deportiva) e itéralo.
- Se enfatiza la inmersión: idealmente, hacer que AI/ML forme parte de tu trabajo o estudios a tiempo completo; si no, proyectos paralelos constantes.
- Algunos sugieren que bloques de enfoque de 4 horas durante el fin de semana pueden ser más productivos que 1 hora al día.
Proyectos personales vs educación formal
- Los títulos formales se ven como algo que podrías replicar mediante autoestudio, pero la escuela aporta estructura, plazos y legitimidad social.
- El diploma se considera útil en la práctica para conseguir entrevistas, aunque el contenido se pueda aprender de forma independiente.
- Otros sostienen que puedes autoestudiar mediante libros de texto, cursos en línea e implementaciones de papers si tienes suficiente disciplina.
Fundamentos vs “solo usar las bibliotecas”
- Un bando: empieza con estadística, ML clásico (regresión, naive Bayes, SVM, boosting) y matemáticas; entiende los modelos desde cero.
- La postura opuesta: un enfoque de abajo arriba es demasiado lento para un campo que cambia rápido; mejor empezar con herramientas de alto nivel y aprender los fundamentos cuando haga falta.
- Varios señalan que los fundamentos (especialmente estadística) son valiosos de forma amplia, no solo para ML.
Implementar modelos y papers
- Hay un fuerte apoyo a implementar modelos simples y papers de investigación para ganar una comprensión profunda.
- Hay desacuerdo sobre si programar a mano redes neuronales/backprop:
- Algunos dicen que es como escribir tu propio HashMap y que no vale la pena más allá de una intuición básica.
- Otros insisten en que hacer una implementación simple al menos una vez es crítico para entender gradientes y arquitecturas.
- Papers With Code y listas curadas de “awesome papers” se recomiendan como puntos de partida.
Herramientas, frameworks y hardware
- Se favorecen PyTorch (con nuevas funciones de compilación) y JAX; TensorFlow se describe como legado/deuda técnica salvo en nichos.
- Las herramientas gratuitas en la nube (p. ej., notebooks alojados) pueden compensar un hardware local débil.
- El ML basado en JS es posible, pero la mayoría de los ejemplos y herramientas están centrados en Python.
LLMs y habilidades orientadas a aplicaciones
- Se distingue entre entrenar LLMs y usarlos en productos; muchos aconsejan centrarse en el uso (APIs, RAG, embeddings, tooling).
- La ingeniería de prompts y el uso intensivo y práctico de múltiples LLMs se consideran habilidades importantes por sí mismas.
- Algunos advierten que la brecha entre los desarrolladores de modelos y los usuarios se está ampliando, como ocurre entre el diseño de chips y el software general.
Carreras, MLOps y habilidades del ecosistema
- Se reporta una fuerte demanda de ingenieros que puedan llevar ML a producción: pipelines de datos, pruebas, despliegue, monitorización y escalado.
- Se sugieren Kaggle, blogs y contribuciones a código abierto para construir un portafolio.
- Varios subrayan que el ML en la práctica depende en gran medida de la calidad de los datos, la infraestructura y los baselines simples, no solo de modelos sofisticados.