Entrenamiento de habilidades blandas en Ciencia de Datos con simulaciones de la vida real Un enfoque de chatbots de doble rol

Entrenamiento de habilidades blandas en Ciencia de Datos con chatbots de doble rol

Un recorrido completo del proyecto de LLM con implementación de código

Foto de Headway en Unsplash

Cuando estaba aprendiendo ciencia de datos y aprendizaje automático en la universidad, el plan de estudios se centraba mucho en algoritmos y técnicas de aprendizaje automático. Aún recuerdo aquellos días resolviendo matemáticas, no exactamente divertido, pero aún así un proceso gratificante que me había dado una base sólida.

Una vez que me gradué y comencé a trabajar como científico de datos, pronto me di cuenta del desafío: en la vida real, los problemas rara vez se presentan de manera formulada y abordables fácilmente mediante técnicas de aprendizaje automático. Es trabajo del científico de datos primero definir, delimitar y convertir el problema de la vida real en un problema de aprendizaje automático, antes de hablar siquiera de los algoritmos. Este es un paso crucial, ya que se pueden adoptar enfoques completamente diferentes según cómo se formule el problema, cuál sea el resultado deseado, qué datos estén disponibles, el plazo, el presupuesto, la infraestructura informática y muchos otros factores. En pocas palabras, ya no es un simple problema matemático.

Esta brecha en mi formación en ciencia de datos me hizo sentir desorientado y presionado al principio. Afortunadamente, tuve a mi mentor y a mis compañeros de proyecto, quienes me ayudaron mucho a aprender lo esencial y a aprender a hacer las preguntas correctas. Paso a paso, me volví más seguro en la gestión de proyectos de ciencia de datos.

Reflexionando sobre mi propia experiencia, realmente desearía haber tenido la oportunidad de aprender esas habilidades blandas en ciencia de datos para prepararme mejor para mi vida profesional. Ahora he pasado por las dificultades, pero ¿hay algo que pueda hacer por los científicos de datos recién graduados?

Un libro famoso para prepararse para las entrevistas en consultoría de gestión es “Casos en punto”. Este libro ofrece numerosos casos de estudio de práctica que cubren una amplia gama de temas e industrias. Observando y comprendiendo cómo se resuelven esos casos de estudio, los candidatos pueden aprender mucho en los procesos prácticos de resolución de problemas y estar preparados para desafíos de la vida real.

Inspirado en este formato de estudio de caso, se me ocurrió un pensamiento: ¿Podemos aprovechar los recientes modelos de lenguaje grandes (LLM) para generar contenido relevante, diverso…?

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

La modelación en 3D se basa en la inteligencia artificial

La inteligencia artificial puede desbloquear mejoras en velocidad y calidad en gráficos tridimensionales.

Inteligencia Artificial

Científicos más cerca de encontrar una prueba para el COVID prolongado

Un equipo multiinstitucional de científicos podría haber descubierto biomarcadores de la COVID-19 prolongada que podr...

Inteligencia Artificial

Minimiza la latencia de inferencia en tiempo real utilizando las estrategias de enrutamiento de Amazon SageMaker

Amazon SageMaker facilita la implementación de modelos de aprendizaje automático (ML) para inferencia en tiempo real ...

Inteligencia Artificial

Automatizando la Cadena del Pensamiento Cómo la IA puede impulsarse a sí misma a razonar

El método de generación automática de Auto-CoT permite que los modelos de lenguaje generen automáticamente sus propia...

Inteligencia Artificial

AWS ofrece nuevas guías de inteligencia artificial, aprendizaje automático e IA generativa para planificar tu estrategia de IA

Los avances en inteligencia artificial (IA) y aprendizaje automático (ML) han estado en los titulares durante meses, ...