Entrevistas sobre aprendizaje automático

Prefacio

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

El aprendizaje automático (Machine Learning, ML) es una parte integral de nuestro día a día en, seamos conscientes de ello o no. Cada vez que entras en sitios como YouTube y Amazon.com, estás interactuando con el ML, que potencia las recomendaciones personalizadas. Esto significa que la forma en que se muestran los productos en los sitios se basa en lo que los algoritmos de ML creen que se ajusta a tus gustos e intereses. Y no sólo eso: hay moderación de comentarios basada en ML para marcar el spam o los comentarios tóxicos, moderación de reseñas y mucho más. En sitios como YouTube, hay subtítulos y traducciones generados por ML.

El ML también está presente en aspectos de nuestra vida que van más allá de las compras y el entretenimiento. Por ejemplo, cuando envías una transferencia de dinero por Internet, los algoritmos de ML comprueban si es fraudulenta. Vivimos en una era de software que se construye sobre una base de datos y algoritmos de ML.

Todo este software requiere talento especializado para diseñarlo y construirlo, lo que ha creado una demanda de conocimientos de software y ha elevado las carreras de ML en los últimos años. Como consecuencia, también ha aumentado la remuneración de los puestos tecnológicos. Estos son sólo algunos de los muchos factores que hacen atractiva una carrera en ML: construir los productos y las características de los productos que son tan integrales en nuestras vidas. Dado que las técnicas de ML impulsan los avances de la IA, este debate se aplica igualmente a las "carreras de IA".

Sin embargo, entrar en el campo del ML es todo un reto. Los empleos de ML tienen fama de exigir credenciales académicas más altas, y la mayoría de los empleos de la década de 2010 exigían un doctorado. Aunque los requisitos de credenciales en las ofertas de empleo han disminuido desde finales de la década de 2010, el consejo que sigo viendo habitualmente en Internet es tener al menos un máster. Incluso aquellos con amplias credenciales pueden tener dificultades para encontrar un puesto en los campos de los datos y el ML. ¿Es erróneo el consejo que se da en Internet, o es demasiado generalizado e impreciso?

Me he entrevistado para numerosos trabajos de ML, y he tenido éxito en nivel de entrada, nivel superior, y el personal+¹ y director² y director. A lo largo del proceso, he experimentado de primera mano las mismas dificultades y frustraciones que los aspirantes encuentran durante las entrevistas de ML. He enviado un sinfín de currículos sin obtener respuesta. He fracasado en pruebas telefónicas, he sufrido la ansiedad de esperar respuestas, e incluso he fracasado en una entrevista in situ después de que me enviaran en avión a San Francisco desde Toronto. He solicitado puestos de científico de datos e ingeniero de aprendizaje automático (MLE), pero me he sentido confuso cuando los entrevistadores parecían buscar más bien un ingeniero de datos o un analista de datos.

Aparte de mi experiencia como entrevistado, he acumulado años de experiencia como entrevistador. Como parte de mis trabajos en el campo del ML, he revisado y filtrado cientos de currículos, he realizado numerosas entrevistas y he formado parte de muchos comités de toma de decisiones. Como parte del liderazgo técnico (nivel principal en dos empresas), he revisado descripciones de puestos y entrevistado a cooperantes, becarios y candidatos de nivel básico, así como a contratados senior y staff+. En este libro he incluido consejos basados en errores cometidos por candidatos a un puesto de trabajo que hicieron que mis compañeros entrevistadores y yo decidiéramos no pasarlos a la siguiente ronda. "Si el candidato hubiera hecho esta otra cosa", decíamos. "Por lo demás, eran bastante prometedores". Este libro te ayudará a evitar algunos de esos errores evidentes.

La verdad es que hay muchos criterios tácitos para los solicitantes de empleo. Por ejemplo, tener buenas habilidades de comunicación y trabajo en equipo puede no estar incluido en algunas descripciones de puestos. Este tipo de expectativas no se omiten en las descripciones de los puestos de trabajo por maldad, sino porque quienes trabajan en el sector las consideran requisitos mínimos. Más recientemente, he visto que las ofertas de empleo de ML de las principales empresas incluyen claramente las "habilidades de comunicación" al principio de sus listas de requisitos, en un intento de mejorar la claridad de las descripciones de los puestos.

Además de estas expectativas ocultas tanto para los solicitantes de empleo nuevos como para los experimentados, el proceso de entrevista puede resultar confuso porque difiere mucho de un puesto a otro y de una empresa a otra. Incluso Randy Au, un escritor de que ha trabajado en datos en Google durante años, dijo que "las cosas son... diferentes"³ cuando, por curiosidad, miró las ofertas de empleo actuales de científico de datos y ML.

Mucha gente desea una hoja de ruta, un paso a paso completo sobre cómo entrar en el campo del ML, garantizado. Por ejemplo, ¿cuáles son las mejores carreras universitarias y prácticas? ¿Cuáles son los mejores proyectos paralelos y qué bibliotecas de Python deberías aprender? Puedo identificarme con esto: he pedido a muchos amigos toda la información posible a lo largo de cada paso de mi camino hacia la entrevista de trabajo. Me preocupaba si debía enviar un correo electrónico de seguimiento después de una entrevista y busqué en múltiples foros online para ver si debía hacerlo. ¿Molestaría a los entrevistadores o se lo esperarían? Una cosa tan pequeña me causaba mucha ansiedad, y deseaba que hubiera una respuesta clara en lugar de "depende" o "probablemente no haga daño". Este es el libro que me hubiera gustado tener entonces para consultar todas esas preguntas.

Ahora que he estado en el otro lado como entrevistadora, he aprendido lo que la parte contratante prefiere en los candidatos a un puesto de trabajo en diversos escenarios. Ahora tengo respuestas de primera mano a muchas preguntas que tenía en el pasado, y más de una hoja de ruta para entrar en el campo del ML. Aunque aunque existiera tal hoja de ruta garantizada, no sería la que te estás imaginando. Cuando conocí los campos del ML y la ciencia de datos, hacía tiempo que había elegido mi carrera universitaria, me había graduado y estaba a mitad de camino de un máster en economía. No hice prácticas durante la universidad, sino que me dediqué a crear y jugar a videojuegos y a socializar en mi tiempo libre. En todo caso, el camino hacia un trabajo de ML es bastante flexible, e incluso si empiezas un poco más tarde, no existe tal cosa como llegar demasiado tarde.

Cuando buscaba mi primer trabajo en ML, no hice todas las cosas más sencillas, pero de algún modo pude abrirme camino en las entrevistas de trabajo siendo una estudiante que nunca había hecho prácticas. Probablemente sabía menos sobre el proceso de entrevistas que mucha gente, pero por eso he podido escribir desde la perspectiva de alguien que no hizo todas las cosas correctas y aun así fue capaz de prosperar en el campo del ML. De hecho, no hay cosas correctas, sólo las cosas que son correctas para tu situación.

No te voy a decir cosas como: "Sólo tienes que especializarte en [TEMA] en tu universidad y luego hacer prácticas en [EMPRESA], y ya está". Tendría que escribir un libro distinto para cada tipo de persona. Una hoja de ruta prescriptiva y de talla única fracasará cuando te encuentres con un punto que no esté ya en el mapa. Si aprendes a navegar sin estar pegado a un mapa, podrás crear tus propios mapas, independientemente de la situación.

En este libro, te mostraré cómo ser un navegante y crear tu propia hoja de ruta, tanto si no te dedicas a las STEM⁴ STEM sin experiencia en prácticas, no tengas experiencia laboral relevante, tengas o no experiencia laboral en ML, etc. Mientras te mantengas firme, no pasará nada si te especializas en algo que no se recomienda a menudo. No pasa nada si tienes experiencia laboral previa que no crees que sea directamente relevante para el ML. Te explicaré cómo mejorar y aprovechar tus experiencias anteriores, así como la forma de adquirir experiencia relevante adicional .

Abogo por hojas de ruta profesionales flexibles y adaptadas a tu propio escenario, porque en mi propia carrera me he encontrado con muchos escenarios en los que no había una única hoja de ruta:

• Conseguir un puesto de científico de datos (ML) de nivel inicial como estudiante de máster en economía en una gran empresa pública⁵

• Conseguir un trabajo con un cargo más alto en una startup con unos 200 empleados cuando me incorporé, y unos 400 empleados en su momento álgido.

• Conseguir un trabajo en una nueva empresa pública de tamaño medio como científico de datos principal

Dependiendo del sector, del tamaño de la empresa, del tamaño del equipo de ML y de la fase del ciclo de vida de la empresa (por ejemplo, startup), los empleadores tenían expectativas diferentes que yo necesitaba conocer. Si sólo hubiera seguido los consejos de Internet o de personas que me entrevistaron en empresas que utilizaban un proceso de entrevista de trabajo diferente, podría haber fracasado (no, habría fracasado). Cada vez, he tenido que cambiar mi forma de prepararme y mi forma de entrevistar para tener éxito. A través de todas mis experiencias personales y (literalmente) cientos de entrevistas de ML, he encontrado patrones sobre cómo superar las entrevistas de trabajo de ML y ciencia de datos y ser un candidato de éxito. Con mis experiencias y las lecciones que he aprendido, ahora es posible escribir este libro para ayudar a los aspirantes a un puesto de trabajo .

Los candidatos a un puesto de trabajo con éxito saben lo que cada paso del proceso de entrevista intenta evaluar en su escenario. Desgraciadamente, no siempre basta con presentarse y tener los conocimientos técnicos necesarios. Es como los exámenes en la escuela: las personas que estudian detenidamente el programa y comprenden el alcance de cada examen tienen más probabilidades de tener éxito. En este caso, intenta hacer ingeniería inversa de un programa de estudios para cada uno de los puestos a los que optas.

A medida que adquiría más y más experiencia en ML, también recibía más y más preguntas de aspirantes a buscar trabajo. He participado en muchas charlas de café (más de 100 en este momento) y para ayudar aún a más gente, He escrito guías profesionales para mi blog susanshu.com durante años. Cuando surgió la oportunidad de ayudar aún más a la gente con este libro, la decisión para mí estaba clara.

¿Por qué empleos de aprendizaje automático?

He hablado de cómo el ML está presente en nuestra vida cotidiana, lo sepamos o no, y nos guste o no. Puede que hayas tenido algunas experiencias en tu propia vida que te hayan hecho sentir curiosidad y coger este libro. También expondré mis experiencias, que pueden reforzar tus motivaciones o llamar tu atención sobre aspectos aún más atractivos del campo del ML.

Como alguien que trabaja en tecnología, creo que el ML es un área estupenda para desarrollar productos de gran valor que pueden afectar a millones de usuarios. Tuve la oportunidad de trabajar en un proyecto de este tipo en mi primer empleo al salir de la universidad, y creo que quizá no habría tenido esa responsabilidad y oportunidad tan pronto en mi carrera si no hubiera tenido conocimientos de aprendizaje automático.

En mi opinión, el ML es un área divertida y satisfactoria. Disfruto aprendiendo sobre nuevas tecnologías e investigaciones, y si te identificas con ello, también disfrutarás de esa faceta de trabajar en ML. Las rápidas innovaciones de nuestro campo tienen su reverso. Por ejemplo, puede ser agotador aprender continuamente sobre nuevos avances cuando intentamos centrarnos en la familia u otros aspectos importantes de nuestras vidas. Hoy en día, aunque esté muy centrada en otras actividades, como socializar o escribir este libro los fines de semana, aprovecho para aprender sin perder demasiado tiempo. También me tomo algo de tiempo durante las horas de trabajo para escuchar charlas por Internet o leer libros. Esto no es exclusivo de ML, pero he oído decir a mucha gente que el ritmo de aprendizaje continuo para ML es un poco más rápido que para otros trabajos relacionados con la tecnología que requieren aprender nuevos marcos.

Por supuesto, también está el aspecto de la remuneración. Por término medio, los trabajos de ML están bien remunerados. He podido mantenerme e incluso alcanzar muchos objetivos financieros que mejoran mi vida y la de mis seres queridos. Esto es algo por lo que estoy muy agradecido a mi carrera de ML. Por otra parte, he podido conseguir muchas cosas gracias al campo y a la comunidad de la ML: He volado por todo el mundo para hablar en conferencias (tantas que he tenido que posponerlas para años venideros). Conocer a gente genial que trabaja en lugares geniales en el campo del ML y ver de primera mano los avances en el espacio del ML y la IA son todas ventajas de trabajar en este sector.

Sea cual sea tu motivación para coger este libro, espero poder compartir contigo con éxito las habilidades y herramientas necesarias para que tengas éxito en las entrevistas de trabajo de ML y superes los obstáculos del camino.

En este libro te ayudaré a comprender lo siguiente:

• Los distintos tipos de funciones de ML y en cuáles tendrías más probabilidades de triunfar

• Los bloques de construcción de las entrevistas ML

• Cómo identificar tus carencias de competencias y orientar eficazmente tu preparación para la entrevista

• Cómo tener éxito en las entrevistas técnicas y de comportamiento

También añadiré preguntas frecuentes de la formación online en directo que he impartido en O'Reilly. Considéralo una charla de café conmigo y con las diversas fuentes de las que he obtenido conocimientos de apoyo:

• Cómo tener éxito como candidato con un historial educativo o profesional menos "típico"

• Cómo aumentar en gran medida las posibilidades de que tu currículum supere la criba inicial

• Cómo son las entrevistas de ML para puestos de responsabilidad y superiores

Y mucho más.

A quién va dirigido este libro

Antes de sumergirme en los capítulos, quiero esbozar los siguientes escenarios que podrían resultarte familiares; éste es el público para el que he escrito este libro:

• Eres un recién licenciado con ganas de convertirte en un profesional de ML/AI en la industria.

• Eres ingeniero de software, analista de datos u otro profesional de la tecnología o los datos que está pasando a un puesto centrado en el día a día del ML.

• Eres un profesional con experiencia en otro campo que está interesado en la transición al campo del ML.

• Eres un científico de datos experimentado o un profesional del ML que vuelve a la lucha de las entrevistas y aspira a un puesto diferente o a un título y responsabilidad mayores, y te gustaría recibir un repaso completo del material de ML.

También podrías beneficiarte de este libro si las siguientes situaciones te describen:

• Directivos que quieran inspirarse sobre cómo realizar sus entrevistas de LD o personas sin conocimientos técnicos que quieran obtener una visión general del proceso sin perder demasiado tiempo en recursos dispersos en Internet.

• Lectores que tengan conocimientos básicos de programación en Python y teoría del ML y sientan curiosidad por explorar si entrar en el campo del ML podría ser una futura elección profesional.

Lo que este libro no es

• Este libro no es un manual de estadística o de ML.

• Este libro no es un libro de texto de codificación ni un libro tutorial.

• Aunque hay ejemplos de preguntas de entrevista, este libro no es un banco de preguntas. Los fragmentos de código serán breves y concisos, ya que se desactualizan rápidamente.

Como no puedo abarcar todos los conceptos desde cero, doy por supuesto que los lectores tienen una familiaridad rudimentaria con el ML (basta con una comprensión de alto nivel). Pero no te preocupes, ya que cubriré las definiciones básicas a modo de recordatorio rápido. También asumo que el público tiene cierta familiaridad con el lenguaje de programación Python, como la ejecución de scripts en Jupyter Notebooks, ya que Python es popular en las entrevistas de ML y en el trabajo. Sin embargo, incluyo una breve sección sobre cómo aprender Python desde cero si no estás familiarizado con él.

Además, este libro proporciona una importante biblioteca de enlaces a recursos de práctica externos para ayudarte con la preparación de las entrevistas de ML; pero antes, te ayudaré a identificar lo que te resulta más útil para practicar y aprender más allá de tu nivel actual de conocimientos y habilidades.

Así, en lugar de enumerar un montón de preguntas y respuestas para memorizar, con este libro pretendo enseñarte a pescar. Como entrevistador, muchos candidatos que he visto que no superaron la entrevista no se habrían salvado si se hubieran limitado a practicar algunas preguntas más. Más bien, ni siquiera sabían cuáles eran sus lagunas. Te enseñaré a identificar tus puntos fuertes y tus lagunas, y cómo puedes utilizar exactamente los recursos de este libro para cerrar esas lagunas.

Convenciones utilizadas en este libro

En este libro se utilizan las siguientes convenciones tipográficas:

Cursiva

Indica nuevos términos, URL, direcciones de correo electrónico, nombres de archivo y extensiones de archivo.

Constant width

Se utiliza en los listados de programas, así como dentro de los párrafos para referirse a elementos del programa como nombres de variables o funciones, bases de datos, tipos de datos, variables de entorno, sentencias y palabras clave.

Constant width bold

Muestra comandos u otros textos que deben ser tecleados literalmente por el usuario.

Constant width italic

Muestra el texto que debe sustituirse por valores proporcionados por el usuario o por valores determinados por el contexto.

Consejo

Este elemento significa un consejo o sugerencia.

Nota

Este elemento significa una nota general.

Advertencia

Este elemento indica una advertencia o precaución.

Aprendizaje en línea O'Reilly

Nota

Durante más de 40 años, O'Reilly Media ha proporcionado formación tecnológica y empresarial, conocimientos y perspectivas para ayudar a las empresas a alcanzar el éxito.

Nuestra red única de expertos e innovadores comparten sus conocimientos y experiencia a través de libros, artículos y nuestra plataforma de aprendizaje online. La plataforma de aprendizaje en línea de O'Reilly te ofrece acceso bajo demanda a cursos de formación en directo, rutas de aprendizaje en profundidad, entornos de codificación interactivos y una amplia colección de textos y vídeos de O'Reilly y de más de 200 editoriales. Para más información, visita https://oreilly.com.

Cómo contactar con nosotros

Dirige tus comentarios y preguntas sobre este libro a la editorial:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Norte
• Sebastopol, CA 95472
• 800-889-8969 (en Estados Unidos o Canadá)
• 707-829-7019 (internacional o local)
• 707-829-0104 (fax)
• [e-mail]
• https://www.oreilly.com/about/contact.html

Tenemos una página web para este libro, donde se enumeran erratas, ejemplos y cualquier información adicional. Puedes acceder a esta página en https://oreil.ly/ML-interviews.

Existe un sitio web complementario que incluye contenido extra que no se encuentra en el libro: https://susanshu.substack.com.

Para obtener noticias e información sobre nuestros libros y cursos, visita https://oreilly.com.

Encuéntranos en LinkedIn: https://linkedin.com/company/oreilly-media

Síguenos en Twitter: https://twitter.com/oreillymedia

Míranos en YouTube: https://youtube.com/oreillymedia

Agradecimientos

La sabiduría y el ánimo de muchas personas han contribuido a hacer realidad este libro.

Muchas gracias a los revisores que leyeron y revisaron este libro como un trabajo en curso: Margaret Maynard-Reid, Serena McDonnell, Dominic Monn y Suhas Pai. Todas vuestras opiniones y comentarios iniciales han contribuido a que este libro sea mucho mejor. También me gustaría dar las gracias a quienes revisaron algunos capítulos: Eugene Yan, Prithvishankar Srinivasan, Ammar Asmro, Luis Duque, Igor Ilic, Jeremy C. y Masoud H. ¡Estoy muy agradecido y me siento muy humilde por la amabilidad con la que os habéis tomado la molestia de echar un vistazo al libro en diferentes fases de elaboración y de responder a mis preguntas!

Todo lo que he escrito en este libro se ha ido acumulando a lo largo de mi carrera, así que sería negligente por mi parte no mencionar a los amigos, mentores y organizaciones que han influido enormemente en mi carrera y que aún no han sido nombrados: Nick Miles, Denis Osipov, Amir Feizpour, Shannon Elliott, la Python Software Foundation, PyCons de todo el mundo y muchos más colegas increíbles de los equipos con los que he trabajado. ¡Sois geniales!

Por supuesto, muchas gracias al equipo de O'Reilly: a la impresionante editora de desarrollo Sara Hunter, que me ha animado y ayudado a mantenerme centrada durante este intenso año de escritura; a la editora de producción Elizabeth Kelly; a la editora de textos Shannon Turlington; y a la editora de adquisiciones Nicole Butterfield, que me animó mucho y me propuso en un principio impartir la formación en línea de O'Reilly "Entrevistas sobre aprendizaje automático", ¡que finalmente dio origen a este libro!

Gracias a mis seres queridos, que me han apoyado en las buenas y en las malas, sea cual sea la aventura aleatoria en la que me encuentre. Mi familia, que siempre ha estado a mi lado, y aún más durante la escritura de este libro, es una fuente de motivación e inspiración. Gracias a mamá, papá, mi hermano y mis abuelos. Gracias, Susan, por ser mi sol. Gracias a mis amigos, que han sido mi sistema de apoyo y mi calor desde los tiempos de la universidad.

Por último, me gustaría dar las gracias a mis instructores, compañeros y amigos de toda la vida de la Universidad de Waterloo y de la Universidad de Toronto por fomentar un entorno inspirador, riguroso, pero flexible, en el que pude explorar mi curiosidad y mis intereses. Esta libertad me condujo a mi carrera en el aprendizaje automático, y no estaría aquí sin ese entorno en el que perseguir mis sueños.

¹ Personal+ se refiere a funciones que están por encima del nivel superior.

² Los niveles de trabajo en tecnología suelen progresar de nivel básico/intermedio → nivel superior → nivel de personal → nivel principal, aunque hay pequeñas diferencias según la empresa. Por ejemplo, algunas empresas combinan los niveles de personal y principal.

³ Randy Au, "Old Dog Revisits the DS Job Market out of Curiosity", Counting Stuff (blog), 1 de diciembre de 2022, https://oreil.ly/yzIsx.

⁴ Ciencia, tecnología, ingeniería y matemáticas.

⁵ Una empresa pública significa que tiene acciones que cotizan en bolsa.