📂 Categoría: Careers,AI,as-told-to,att,ai,neural-networks,ai-jobs,artificial-intelligence,tech,workplace | 📅 Fecha: 1774778640
🔍 En este artículo:
Este ensayo, tal como se cuenta, se basa en una conversación con Natalie Gilbert, una científica de datos de AT&T de 30 años cuyo padre, Mazin Gilbert, era investigador en la división Bell Labs de la compañía. La entrevista ha sido editada para mayor extensión y claridad.
Al crecer, era muy ingenuo acerca de lo que era AT&T.
Lo que sabía sobre el negocio provino de la perspectiva de mi padre, que trabajaba en el reconocimiento de voz. Trabajó con personas como Yann LeCun, que estaba desarrollando la capacidad de detectar escritura a mano y convertirla en texto, y Dennis Ritchie, que creó el lenguaje de programación C.
El trabajo de mi padre sobre síntesis y reconocimiento de voz formó la base de lo que hago hoy con la IA generativa. Todo lo que he construido aquí se basa en los mismos fundamentos en los que él estaba trabajando: redes neuronales convolucionales, que permiten a las computadoras procesar entradas como imágenes y sonido. Es realmente genial ver cómo ha evolucionado esta base.
Natalie Gilbert y su padre, Mazin Gilbert. AT&T
Sus primeros descubrimientos nos permitieron trabajar con agentes de IA y hacerlos más autónomos.
Cuando era niño, estaba en la oficina de mi padre después de la escuela casi todos los días y recuerdo verlo a él y a sus colegas tener animadas discusiones y dibujar diagramas locos en la pizarra.
Esto me inspiró a empezar a dibujar mis propios árboles de decisión y demás, fue súper absurdo, pero la experiencia me enseñó a ser creativa y analítica.
Un proyecto paralelo en el que mi padre y yo trabajamos juntos se llamó Dr. Bot, que fue una versión temprana de un modelo de lenguaje grande que podía evaluar sus síntomas y decirle dónde buscar atención.
De la pizarra a la codificación y viceversa
Lo que hago con los agentes de IA realmente se reduce a un conjunto de árboles de decisión que explican cómo llegar del punto A al punto B. Es algo que aprendí muy temprano de mi padre.
Hay muchas interacciones humanas que desempeñan un papel cada vez más importante en la creación de tecnologías de IA.
En la Oficina Principal de Datos de AT&T, estamos trabajando en un proyecto que está transformando la forma en que la gente piensa sobre el uso de la tecnología de recursos humanos dentro de la empresa. Básicamente, eliminamos la cuestión de dónde acudir para resolver un problema de recursos humanos al hacer que un agente de IA identifique la política o el procedimiento relevante para la situación de una persona. Esto no es poca cosa en una organización tan grande y compleja como AT&T.
Natalie Gilbert con un colega de AT&T. AT&T
En mi propio trabajo, uso un copiloto de codificación o asistente digital, lo que me ayuda a trabajar mucho más rápido, pero las personas que desarrollan herramientas de inteligencia artificial aún necesitan comprender las tecnologías detrás de los LLM y los modelos de aprendizaje automático.
Las nuevas herramientas de IA son increíblemente poderosas, pero no pueden hacerlo todo
A medida que estos copilotos se vuelven cada vez más populares, las personas pueden tener problemas si no comprenden cómo funcionan fundamentalmente estas tecnologías.
Por ejemplo, si no sabes cómo el código maneja realmente un escenario extremo, entonces tus herramientas de IA no serán de ninguna utilidad.
Al mismo tiempo, parece que la gente necesita aprender algo nuevo cada dos meses.
Lo que veo que cambia con los modelos de lenguaje grandes es que se centran mucho más en el lenguaje natural que en el codificado. Esto significa que paso la mayor parte de mi tiempo haciendo ingeniería rápida, que no es codificación en absoluto; es utilizar el lenguaje natural para que las máquinas nos entiendan.
Es bastante irónico, porque es otra forma de lo que hizo mi padre hace 30 años.
La IA ha cambiado drásticamente a lo largo de mi vida y ahora siento que la represento a ella y a su legado. Continuar con el trabajo que ha realizado parece surrealista.
