[{"data":1,"prerenderedAt":498},["ShallowReactive",2],{"blog-page-es":3,"blog-posts-es":24},{"id":4,"title":5,"body":6,"description":7,"extension":15,"links":16,"meta":18,"navigation":19,"path":20,"seo":21,"stem":22,"__hash__":23},"pages_es/es/blog.yml","Blog",{"title":5,"description":7,"links":8},"Ideas sobre desarrollo web, fotografía y creación de contenido. Aquí comparto mi camino y mis aprendizajes.",[9],{"label":10,"icon":11,"to":12,"color":13,"variant":14},"Escríbeme","i-lucide-mail","mailto:victorericksongv@gmail.com","primary","solid","yml",[17],{"label":10,"icon":11,"to":12,"color":13,"variant":14},{},true,"/es/blog",{"title":5,"description":7},"es/blog","yX2B_astqz3qPYFkPFC-X7J-XNsQBJZSCZfKKkcZPRs",[25,279],{"id":26,"title":27,"author":28,"body":35,"date":269,"description":270,"extension":271,"image":272,"meta":273,"minRead":274,"navigation":19,"path":275,"seo":276,"stem":277,"__hash__":278},"blog_es/es/blog/machine-learning-talk-unapec.md","¿Puede una máquina predecir quién va a renunciar? Notas de una charla de machine learning en UNAPEC",{"name":29,"description":30,"username":31,"twitter":32,"avatar":33},"Víctor Garcés","Desarrollador full-stack y creador de contenido","YTvictorworld","https://twitter.com/YTvictorworld",{"src":34,"alt":29},"https://mir-s3-cdn-cf.behance.net/project_modules/disp/49f056206375265.68b77ee9dd6a7.jpg",{"type":36,"value":37,"toc":261},"minimark",[38,57,64,69,88,100,107,111,122,137,148,174,181,188,192,211,218,221,225,254],[39,40,41,42,46,47,56],"p",{},"El 15 de julio asistí a una charla de machine learning en ",[43,44,45],"strong",{},"UNAPEC"," (Universidad Acción Pro Educación y Cultura, en Santo Domingo) impartida por el ",[48,49,53],"a",{"href":50,"rel":51},"https://www.linkedin.com/in/ariel-gonzalez-batista-b619a9231/",[52],"nofollow",[43,54,55],{},"Ing. Ariel González Batista",". La sala estaba llena de gente haciéndose las mismas dos preguntas que escucho por todas partes últimamente: ¿quién trabaja realmente en este campo, y cómo entro yo?",[39,58,59,60,63],{},"En vez de responder en abstracto, Ariel construyó toda la sesión alrededor de un problema concreto y muy humano: ",[43,61,62],{},"¿puede una máquina predecir quién va a irse de una empresa?"," Equivocarse en retención de empleados sale caro, así que si un modelo puede señalar el riesgo de salida a tiempo, Recursos Humanos puede actuar antes de que llegue la carta de renuncia. Esa sola pregunta nos llevó por sesenta años de historia de la IA y un flujo completo de modelado.",[65,66,68],"h2",{"id":67},"sesenta-segundos-de-historia-de-la-ia","Sesenta segundos de historia de la IA",[39,70,71,72,75,76,79,80,83,84,87],{},"La inteligencia artificial nació como disciplina alrededor de ",[43,73,74],{},"1956",", sobre los cimientos que puso ",[43,77,78],{},"Alan Turing",". Entre los años 50 y 60 llegó el ",[43,81,82],{},"perceptrón"," y, después, la idea de apilarlos en el ",[43,85,86],{},"perceptrón multicapa",": el ancestro de las redes neuronales de hoy.",[39,89,90,91,94,95,99],{},"Un salto rápido al presente y el tema dominante es el ",[43,92,93],{},"LLM",". La tarea de lectura que Ariel dejó a la sala fue el paper que los hizo posibles: ",[96,97,98],"em",{},"Attention Is All You Need",". Está en mi lista.",[39,101,102,103,106],{},"Una distinción de esa historia se me quedó grabada porque explica mucho de cómo se sienten estos sistemas al usarlos: ",[43,104,105],{},"determinístico vs. probabilístico",". El software clásico devuelve la misma respuesta siempre. El machine learning devuelve una probabilidad, y todo lo relativo a cómo se evalúa y despliega se deriva de esa diferencia.",[65,108,110],{"id":109},"el-titanic-las-hipótesis-y-los-smoke-tests","El Titanic, las hipótesis y los smoke tests",[39,112,113,114,117,118,121],{},"Para aterrizar el flujo de trabajo, Ariel usó el clásico ",[43,115,116],{},"dataset del Titanic de Kaggle",": predecir quién sobrevive al hundimiento. Todo el mundo conoce la respuesta histórica, mujeres y niños primero, así que la lección interesante es en qué se convierte ese conocimiento dentro de un modelo: ",[43,119,120],{},"selección de features",". Si la supervivencia dependía de ser mujer o niño, entonces la edad y el sexo son las columnas que importan. Mira los datos que tienes y encuentra lo que de verdad es importante en ellos.",[39,123,124,125,128,129,132,133,136],{},"También me gustó que se detuviera a descomponer la palabra ",[96,126,127],{},"hipótesis",": de ",[96,130,131],{},"hypo"," (debajo) y ",[96,134,135],{},"thesis"," (poner). Una hipótesis es literalmente \"lo que se pone debajo\" del trabajo que viene después. Todo el proceso descansa sobre ella.",[39,138,139,140,143,144,147],{},"Luego vino la parte que más conectó con mi día a día como desarrollador: antes de celebrar cualquier modelo, necesitas un ",[43,141,142],{},"benchmark"," y un ",[43,145,146],{},"smoke test",".",[149,150,151,158,168],"ul",{},[152,153,154,157],"li",{},[43,155,156],{},"Método 1: el baseline tonto."," Alrededor del 62% de los pasajeros falleció, así que un \"modelo\" que siempre predice fallecimiento acierta el 62% de las veces. Cualquier modelo real tiene que superar ese número para justificar su existencia.",[152,159,160,163,164,167],{},[43,161,162],{},"Método 2: un modelo de verdad."," Un ",[43,165,166],{},"bosque aleatorio"," (random forest), entrenado con las features que importan.",[152,169,170,173],{},[43,171,172],{},"Método 3: interpretación."," ¿Qué está mirando el modelo realmente? Si no puedes responder eso, no sabes qué construiste.",[39,175,176,177,180],{},"Esa idea del baseline se traduce directo a la ingeniería: mide primero la solución trivial, o nunca sabrás si la sofisticada vale la pena. Como dice el refrán que citó Ariel: ",[96,178,179],{},"\"cuando solo tienes un martillo, todo parece un clavo\"",". El baseline es cómo compruebas si siquiera necesitabas el martillo.",[39,182,183,184,187],{},"Todo esto, de la regresión a los bosques aleatorios, vive en ",[43,185,186],{},"scikit-learn",", la librería de Python que se ha convertido en la puerta de entrada estándar al campo.",[65,189,191],{"id":190},"análisis-de-supervivencia-o-predecir-el-cuándo","Análisis de supervivencia, o predecir el \"cuándo\"",[39,193,194,195,198,199,202,203,206,207,210],{},"Volvamos al problema de los empleados. Predecir ",[96,196,197],{},"si"," alguien se va es una pregunta de clasificación. Predecir ",[96,200,201],{},"cuándo"," es más difícil, y ahí la charla introdujo el ",[43,204,205],{},"análisis de supervivencia"," y el ",[43,208,209],{},"Random Survival Forest",": modelos de tiempo-a-evento que siguen cada paso de un proceso y le asignan una probabilidad.",[39,212,213,214,217],{},"Aquí levanté la mano. Pregunté cómo interpretan estos modelos la ",[43,215,216],{},"data censurada",": los empleados que todavía no se han ido, cuya historia el dataset solo conoce a medias. La respuesta lo conectó de vuelta con el modelado de tiempo-a-evento, donde esas observaciones incompletas no se descartan sino que se incorporan, porque \"todavía no ha pasado\" también es información.",[39,219,220],{},"Mi segunda pregunta fue sobre dimensionalidad: si se puede generar cualquier cantidad de datos en base a las probabilidades que se quieran medir. Como referencia, el ejercicio del Titanic que discutimos trabajaba con una dimensionalidad de 63 columnas. Los problemas reales se ensanchan rápido, y saber cuáles de esas columnas llevan señal es la mayor parte del trabajo.",[65,222,224],{"id":223},"lo-que-me-llevo","Lo que me llevo",[149,226,227,233,239,245],{},[152,228,229,232],{},[43,230,231],{},"Baselines antes que brillantez."," Mide siempre primero el predictor trivial.",[152,234,235,238],{},[43,236,237],{},"Las features son producto del conocimiento del dominio."," \"Mujeres y niños primero\" es historia; edad y sexo como inputs es ingeniería.",[152,240,241,244],{},[43,242,243],{},"Pensar en probabilidades es otra disciplina."," Evaluar un modelo no se parece en nada a testear una función.",[152,246,247,250,251,253],{},[43,248,249],{},"Lista de lectura:"," ",[96,252,98],{},", y la documentación de scikit-learn.",[39,255,256,257,260],{},"Gracias al Ing. Ariel González Batista y a UNAPEC por la sesión. Si trabajas en ML y crees que algo de esto está mal, o quieres decirme qué debería estudiar después, ",[48,258,259],{"href":12},"escríbeme",". Claramente no he terminado de hacer preguntas.",{"title":262,"searchDepth":263,"depth":263,"links":264},"",2,[265,266,267,268],{"id":67,"depth":263,"text":68},{"id":109,"depth":263,"text":110},{"id":190,"depth":263,"text":191},{"id":223,"depth":263,"text":224},"2026-07-15T00:00:00.000Z","Asistí a una charla de machine learning del Ing. Ariel González Batista en UNAPEC. Del dataset del Titanic al análisis de supervivencia, estas son las ideas que me llevé y las preguntas con las que salí.","md","/images/blog/machine-learning-talk-unapec.jpg",{},6,"/es/blog/machine-learning-talk-unapec",{"title":27,"description":270},"es/blog/machine-learning-talk-unapec","fVG3EuW_RzddH9lDijx3_MJvT6SwztsRGOVSpPKEurQ",{"id":280,"title":281,"author":282,"body":284,"date":489,"description":490,"extension":271,"image":491,"meta":492,"minRead":493,"navigation":19,"path":494,"seo":495,"stem":496,"__hash__":497},"blog_es/es/blog/ai-and-my-two-crafts.md","La IA y mis dos oficios: qué cambia para desarrolladores y filmmakers",{"name":29,"description":30,"username":31,"twitter":32,"avatar":283},{"src":34,"alt":29},{"type":36,"value":285,"toc":481},[286,290,293,296,300,303,314,317,349,355,358,362,365,368,375,378,398,402,405,424,427,431,434,460,464,470,473,476],[65,287,289],{"id":288},"dos-oficios-un-mismo-cambio","Dos oficios, un mismo cambio",[39,291,292],{},"Paso mis días en dos habitaciones muy distintas. Una tiene un editor de código abierto: Vue y Nuxt en el front, C# y SQL en el back. La otra tiene una línea de tiempo de edición, material grabado y una rueda de color. Durante años se sintieron como vidas separadas que no tenían nada que decirse.",[39,294,295],{},"La inteligencia artificial colapsó la distancia entre ellas casi de la noche a la mañana. La misma herramienta que redacta un componente por mí ahora puede armar un primer corte, transcribir una entrevista o etalonar una escena. Así que en vez de escribir otro post más de \"la IA lo va a cambiar todo\", quiero ser específico sobre lo que de verdad cambió en las dos cosas que hago y, más importante, lo que no.",[65,297,299],{"id":298},"qué-cambió-en-el-editor-de-código","Qué cambió en el editor de código",[39,301,302],{},"La versión honesta: la IA no reemplazó el trabajo, lo movió de sitio.",[39,304,305,306,309,310,313],{},"Sigo entregando features, pero paso mucho menos tiempo ",[96,307,308],{},"escribiendo"," código y mucho más tiempo ",[96,311,312],{},"decidiendo"," sobre él. El modelo arma las partes aburridas (un formulario, un set de tests, una migración, el tercer endpoint CRUD casi idéntico) y mi trabajo se convierte en revisar: ¿es correcto, es seguro, encaja en la arquitectura, entenderá la persona que lo lea en seis meses por qué existe?",[39,315,316],{},"Algunas cosas que he notado y que no salen en los reels del hype:",[149,318,319,333,339],{},[152,320,321,324,325,328,329,332],{},[43,322,323],{},"El piso subió, el techo no."," Un junior ahora puede producir código que ",[96,326,327],{},"parece"," senior. Que ",[96,330,331],{},"sea"," senior (que maneje el caso borde, que falle con seguridad, que no meta una query en un loop) sigue dependiendo por completo del humano que lo revisa.",[152,334,335,338],{},[43,336,337],{},"El criterio se volvió el cuello de botella."," Cuando generar una solución no cuesta casi nada, la habilidad escasa es saber cuál solución es la correcta, y poder explicar por qué.",[152,340,341,348],{},[43,342,343,344,347],{},"Los fundamentos importan ",[96,345,346],{},"más",", no menos."," No puedes revisar lo que no entiendes. En el momento en que dejo que el modelo tome una decisión que yo no podría haber tomado, dejo de ser ingeniero y empiezo a ser apostador.",[350,351,352],"blockquote",{},[39,353,354],{},"La IA es un pair programmer rápido, seguro de sí mismo y ocasionalmente equivocado. El valor no es que escriba; es que me deja gastar mi atención en las partes que siempre fueron el verdadero trabajo.",[39,356,357],{},"Este mismo sitio es un pequeño ejemplo. Cada animación aquí está hecha a mano en vez de sacada de una librería, porque quería ser dueño de la decisión y entender el trade-off. La IA me ayudó a avanzar más rápido por la fontanería; las decisiones siguen siendo mías.",[65,359,361],{"id":360},"qué-cambió-en-la-línea-de-tiempo","Qué cambió en la línea de tiempo",[39,363,364],{},"Al cine le pegó la misma ola, y la reacción de la comunidad creativa ha sido más ruidosa, con razón.",[39,366,367],{},"Transcripción, ensamblaje inicial, reducción de ruido, reescalar material viejo, generar una banda sonora provisional, hasta un primer pase de color: tareas que se comían tardes enteras ahora toman minutos. Como creador que trabaja solo, eso es genuinamente liberador. Significa que puedo gastar las horas ahorradas en la parte que importa: la historia.",[39,369,370,371,374],{},"Pero aquí está la tensión, y no creo que sea pequeña. Una herramienta que puede generar ",[96,372,373],{},"cualquier cosa"," tiende a hacer que todo se parezca. Aliméntale a un modelo la estética de internet y te devuelve su promedio. Las películas que conmueven a la gente nunca fueron el promedio de nada.",[39,376,377],{},"Así que en el lado creativo he aterrizado en un lugar cuidadoso:",[149,379,380,387],{},[152,381,382,383,386],{},"Dejar que la IA haga el trabajo ",[43,384,385],{},"mecánico",": limpieza, transcripciones, registrar material, primeros pases.",[152,388,389,390,393,394,397],{},"Proteger el trabajo ",[43,391,392],{},"intencional",": qué grabar, qué cortar, cuándo sostener un plano dos segundos de más porque se ",[96,395,396],{},"siente"," correcto. Ese instinto no está en los datos de entrenamiento. Está en la persona.",[65,399,401],{"id":400},"el-hilo-entre-ambos-el-criterio-es-el-foso","El hilo entre ambos: el criterio es el foso",[39,403,404],{},"Parado en las dos habitaciones, la misma lección me devuelve la mirada desde cada una.",[39,406,407,408,411,412,415,416,419,420,423],{},"En el código y en el cine, la IA es extraordinaria en la ",[43,409,410],{},"ejecución"," e inútil en la ",[43,413,414],{},"intención",". Puede escribir la función y cortar la secuencia, pero no puede decirte ",[96,417,418],{},"cuál"," función vale la pena escribir ni ",[96,421,422],{},"por qué"," la secuencia debe aterrizar en esa cara en ese momento. Sube el piso para todos y, al hacerlo, convierte el juicio, el punto de vista y el gusto en lo que de verdad separa el trabajo que importa del trabajo que simplemente existe.",[39,425,426],{},"Y eso, curiosamente, tranquiliza. Las partes de ambos oficios que más me importan (la arquitectura, la historia, la contención, la razón detrás de una decisión) son exactamente las partes que la máquina no puede hacer por mí.",[65,428,430],{"id":429},"dónde-me-mantengo-cauto","Dónde me mantengo cauto",[39,432,433],{},"Soy optimista, no ingenuo. Algunas cosas me mantienen honesto:",[149,435,436,442,448,454],{},[152,437,438,441],{},[43,439,440],{},"El error con confianza."," Tanto una API alucinada como una edición plausible pero hueca son peligrosas precisamente porque parecen correctas. Verifico todo lo que entrego, en el código y en el corte.",[152,443,444,447],{},[43,445,446],{},"La atrofia de habilidades."," Es fácil dejar de practicar lo que la herramienta ahora hace por ti. Deliberadamente sigo haciendo las partes difíciles a mano para no olvidar cómo.",[152,449,450,453],{},[43,451,452],{},"La homogeneización."," Si todos nos apoyamos en los mismos modelos, la producción de todos deriva hacia la misma media. Mantenerse un poco ineficiente, un poco humano, empieza a parecer una ventaja competitiva.",[152,455,456,459],{},[43,457,458],{},"La autoría y la ética."," ¿El trabajo de quién entrenó esto? ¿Quién recibe el crédito, quién queda desplazado? No son preguntas resueltas, y fingir que lo están es otra forma de deshonestidad.",[65,461,463],{"id":462},"qué-estoy-haciendo-al-respecto","Qué estoy haciendo al respecto",[39,465,466,467],{},"Ningún gran manifiesto, solo una regla de trabajo que aplico en ambas habitaciones: ",[43,468,469],{},"dejar que la IA cargue el peso aburrido, y ser dueño personalmente de cada decisión de la que un humano estaría orgulloso (o avergonzado) de haber tomado.",[39,471,472],{},"En la práctica eso significa usarla para avanzar más rápido por el boilerplate, los tests, las transcripciones y los primeros borradores, mientras me niego a delegar las decisiones que definen la calidad del resultado. La tecnología va a seguir mejorando en ejecución. Mi plan es seguir mejorando en juicio.",[39,474,475],{},"Porque al final del día, la pregunta interesante nunca fue \"¿puede la máquina hacerlo?\". Cada vez puede más. La pregunta es \"¿qué vale la pena hacer, y por qué?\". Responder eso siempre ha sido la parte humana de mis dos oficios.",[39,477,478,479,147],{},"Gracias por leer. Si quieres hablar de IA, código, cine, o de las tres cosas a la vez, ",[48,480,259],{"href":12},{"title":262,"searchDepth":263,"depth":263,"links":482},[483,484,485,486,487,488],{"id":288,"depth":263,"text":289},{"id":298,"depth":263,"text":299},{"id":360,"depth":263,"text":361},{"id":400,"depth":263,"text":401},{"id":429,"depth":263,"text":430},{"id":462,"depth":263,"text":463},"2026-07-04T00:00:00.000Z","Escribo software y hago cine. La inteligencia artificial está transformando ambos a la vez. Esto es lo que he aprendido sobre dónde ayuda, dónde hace daño en silencio, y qué se mantiene tercamente humano.","https://mir-s3-cdn-cf.behance.net/project_modules/fs_webp/06895b212781749.673b4e14df4a8.jpg",{},8,"/es/blog/ai-and-my-two-crafts",{"title":281,"description":490},"es/blog/ai-and-my-two-crafts","atSTFYwa329_eh6wvXxnRGzhYqEBLmk7JK4-8V2nZgM",1784316712335]