Las matemáticas en la vida profesional: una prosopopeya plagiada
Una de las motivaciones fundamentales de todos quienes conformamos el Colegio de Matemáticas Bourbaki es poner al alcance de un público profesional sin una formación matemática (inclusive quienes no hayan estudiado algún área afín) los conocimientos de álgebra lineal, cálculo diferencia, optimización, procesos estocásticos, estadística, topología, etc. necesarios para comprender mejor las técnicas utilizadas en Machine Learning, Finanzas Cuantitativas, Inteligencia Artificial y Ciencia de Datos.
Después de varios años dedicados a enseñar matemáticas hemos tenido la oportunidad de trabajar con profesionales de muy diversas áreas y con distintas formaciones, todos ellos con una motivación común: comprender mejor las matemáticas.
En un afán un poco ocioso por clasificar las diferentes necesidades con las que se acercan a nosotros los profesionales me gustaría señalar dos grupos posibles. El lector atento notará que estos perfiles están inspirados en la célebre artículo de Freeman Dyson titulado Birds and Frogs en el cual distingue a los matemáticos profesionales en dos grandes grupos a los que relaciona con las aves y con las ranas.
Es probable que esta clasificación sea imprecisa sin embargo espero que la frontera de decisión no sea tan tenue y nuestros lectores se sientan identificados con alguno de estos perfiles para los cuales me permito compartirles algunos consejos de estudio.
Las y los estudiantes aves
Existen algunos perfiles que desean comprender las matemáticas aplicadas más como una gimnasia intelectual que como una necesidad imperante en su vida profesional, pensemos en un desarrollador de software que trabaja para una empresa tecnológica como Rappi por ejemplo, esta persona posiblemente no esté directamente involucrada en el desarrollo de los modelos de inteligencia artificial que utilizan en Rappi sin embargo inevitablemente estará en contacto con sus implementaciones y aplicaciones por lo cual desea conocer más detalles sobre la Inteligencia Artificial. Calcular el poder computacional necesario durante la inferencia de una red neuronal al ponerla en producción es una de las habilidades que podría necesitar.
También podríamos imaginar a un consultor de Business Intelligence que trabaja de manera autónoma y desea conocer cuáles son los problemas que se pueden resolver utilizando Ciencia de Datos, en la actualidad él se encarga de construir dashboards con herramientas clásicas de BI sin embargo tiene acceso a las bases de datos de las compañías con las que trabaja. Posiblemente esta persona no será quien implementará los modelos de Machine Learning cuando comience a ofrecer este servicio pero está interesado en conocer el alcance de estas soluciones. Entender la diferencia entre un algoritmo de topic modeling y un algoritmo de clusterización es solo un ejemplo de lo que podría utilizar uno de estos estudiantes.
También podríamos imaginar a un científico de datos senior que lidera un equipo de otros científicos de datos y desea estar actualizado en los métodos más modernos con el objetivo de guiar con solvencia a su equipo cuando los métodos clásicos no funcionen correctamente. Proponer una técnica de RAG en lugar de un fine tuning para el desarrollo de un chatbot es un ejemplo de una habilidad ideal para estos perfiles.
Estos tres ejemplos necesitan aprender matemáticas sin embargo no siempre tendrán que ensuciarse las manos con detalles demasiado minuciosos, las matemáticas se presentan más como una gimnasia intelectual para estos estudiantes.
En el texto de Dyson a los matemáticos relacionados con las aves se les presenta como científicos interesados en tener un gran panorama de lo que ocurre, concentrándose en el paisaje total.
Las y los estudiantes ranas
Un ejemplo muy común de perfil que encontramos en nuestros cursos son analistas financieros acostumbrados a modelos econométricos clásicos que semanalmente están expuestos a actualizar sus predicciones sobre flujos de venta, precios o abasto de mercancía. Estos estudiantes necesitan un amplio abanico de técnicas ad hoc a los distintos tipos de datos pero también a las métricas con las que están siendo evaluados sus modelos. Distinguir los casos en los que se necesita una arquitectura de Seq2seq de redes neuronales es una de las cosas que se aprenden en nuestros cursos.
Imaginemos a un encargado de una cadena de producción en una compañía gigantesca como Cemex quien necesita optimizar los recursos ponderando las necesidades y los requerimientos distintas áreas del negocio. Es posible que ya tenga a su alcance algunos recursos analíticos como software para optimizar estos problemas sin embargo en general cada compañía de acuerdo al flujo de sus datos necesita incorporar otras fuentes de información con el objetivo de generar soluciones a la medida. Estos perfiles necesitan tener una justificación matemática de las diferencias entre lo que hacen y los nuevos métodos. Comparar los tiempos de convergencia entre los distintos algoritmos de aprendizaje por refuerzo que se usan en esta área es fundamental.
Debido a que la Ciencia de Datos es un área muy joven, existen muchos profesionales trabajando con este puesto quienes no tienen una formación matemática y su intención es desarrollar habilidades matemáticas enfocadas en su trabajo. La intención de estos estudiantes no es convertirse en matemáticos sino en entender correctamente los algoritmos y modelos con los que están trabajando. A pesar de estar tan familiarizados con los modelos de boosting en la práctica, cuando calibramos los algoritmos de entrenamiento es indispensable comprender correctamente los hiperparámetros.
Para estos perfiles las matemáticas que se enseñan en el Colegio Bourbaki incluyen no solo la idea general sino las complicaciones computacionales a las que se pueden enfrentar los estudiantes cuando implementen estos modelos matemáticos. Esta es una de las razones por la que en nuestros cursos siempre se incluirán ejercicios prácticos que les permitan a los estudiantes practicar con casos reales.
En el texto de Dyson los matemáticos relacionados con las ranas son aquellos que en su día a día deben enfrentarse con los detalles más sutiles y meticulosos del paisaje. Su interés está más en la resolución de problemas a su alcance y con los que se puedan ensuciar las manos.
¿Dónde aprender matemáticas?
En el Colegio de Matemáticas Bourbaki enseñamos con detalle las matemáticas y todos los perfiles y necesidades son bienvenidos, les compartimos las fechas de los cursos que están por iniciar:
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
