1
00:00:00,000 --> 00:00:10,980
Cadena de datos, episodio número 39, de este lado Andrés Vázquez. Hoy me acompaña Laura Alonso Alemani, o Alemani, ya me confirmará.

2
00:00:11,160 --> 00:00:19,880
Es profesora en el área de ciencia de la computación en la Facultad de Matemática, Astronomía, Física y Computación de la Universidad Nacional de Córdoba en Argentina.

3
00:00:20,620 --> 00:00:27,560
Laura es también licenciada en Lingüística General con una maestría y un doctorado en Lingüística Computacional.

4
00:00:27,560 --> 00:00:28,880
Buenas tardes, Laura. ¿Cómo estás?

5
00:00:30,000 --> 00:00:35,060
Buenas tardes, muy bien, contenta de estar charlando con vos acá.

6
00:00:35,340 --> 00:00:39,740
Bueno, me alegro muchísimo y te agradezco muchísimo que te sumes a esta charla.

7
00:00:40,160 --> 00:00:52,880
Voy a arrancar con algo, un dato curioso, estuve leyendo tu currículum y revisé y la palabra lenguaje aparece 58 veces

8
00:00:52,880 --> 00:00:57,760
y el término NLP, 19 veces.

9
00:00:58,480 --> 00:01:05,240
Me gustaría muchísimo que nos cuentes qué es NLP, o procesamiento de lenguaje natural.

10
00:01:07,040 --> 00:01:11,420
Bueno, precisamente el lenguaje natural es un área grande.

11
00:01:12,220 --> 00:01:18,220
También se usan otras palabras para referirse a áreas parecidas,

12
00:01:18,220 --> 00:01:21,820
como lingüística computacional, de tratamiento temático.

13
00:01:22,880 --> 00:01:50,360
Hay gente que dice que la lingüística computacional es más una parte de la lingüística, como las formalizaciones lingüísticas necesarias para su tratamiento computacional y el procesamiento del lenguaje natural sería más bien como los procesos computacionales que tienen que ver con el tratamiento automático de los lenguajes naturales.

14
00:01:50,360 --> 00:02:11,260
Y hay una diferencia entre lenguajes naturales, que son los que hablamos los seres humanos oralmente o con señas, y los lenguajes no naturales, que serían los inventados, como los lenguajes de programación o lenguajes que creamos artificialmente.

15
00:02:11,340 --> 00:02:18,160
Los lenguajes naturales son lenguajes que surgen así en la naturaleza, que usamos los seres humanos para adaptarnos mejor a nuestro entorno.

16
00:02:18,160 --> 00:02:25,000
Bien, y tu trabajo es un poco, o tu área de estudio es un poco entender cómo funciona eso.

17
00:02:27,560 --> 00:02:43,660
Entenderlo en términos computacionales, que no es lo mismo, porque una cosa, yo en mi grado, en mi carrera de grado, como que nos formamos en entender el lenguaje, pero luego trasladar esa comprensión a términos computacionales no es trivial,

18
00:02:43,660 --> 00:02:55,080
Porque las computadoras no piensan como pensamos los humanos. Los humanos podemos manejar vaguedad, ambigüedad, y eso las computadoras no pueden.

19
00:02:55,080 --> 00:03:23,220
Y uno de esos pasos al lenguaje de computación, ¿se puede pensar como forma de datos? O sea, vos, después de que con tus herramientas procesas, me imagino texto, por ejemplo, debe ser una de las formas de trabajar, ¿traducís eso a datos? ¿Hay uso intensivo de dataset o bases de datos, como lo conocemos la gente que venimos del mundo de los datos en tu campo?

20
00:03:23,220 --> 00:03:43,880
Sí, totalmente, totalmente. La mayor parte del lenguaje natural que hay en el mundo es oral y no es grabado, por lo menos hasta el aislamiento, pero hay una porción muy grande que queda registrada en formato digital.

21
00:03:43,880 --> 00:04:03,120
Ya sean los mensajitos que escribimos, todas las páginas web, todos los documentos y ahora también todos los audios que mandamos. Todo eso son datos, son datos un poco distintos de la idea canónica que tenemos de datos que son tablas relacionales.

22
00:04:03,120 --> 00:04:18,020
El lenguaje natural son datos que le llamamos no estructurados, datos secuenciales, datos que tienen también una diferencia grande entre el fenómeno observable y la causa latente.

23
00:04:18,020 --> 00:04:33,680
Es decir, nosotros por ahí decimos unas ciertas palabras, pero el significado de lo que decimos, que es lo que realmente quisiéramos tener, la información que nosotros realmente queremos tener, está un poco lejos de esas palabras que quedan registradas.

24
00:04:33,680 --> 00:04:43,740
Pero si todo eso son datos, datos, datos, grandes ingentes cantidades de datos que tienen Google o WhatsApp, Facebook, toda esta gente.

25
00:04:43,740 --> 00:04:57,780
¿Y qué herramientas hay en tu caja de herramientas para trabajar en esta área? No me refiero tanto a productos de software que me interesan, pero me imagino que también usas lenguaje de programación para trabajar con estos datos.

26
00:04:57,780 --> 00:05:25,420
Sí, sí, sí, totalmente. Existen muchísimas librerías, por suerte de código abierto, para trabajar con lenguaje natural, convertir los textos no estructurados a formatos estructurados que puedan ya dentro del pipeline, el flujo de trabajo más estándar de la minería de datos, del procesamiento de datos.

27
00:05:25,420 --> 00:05:47,940
Lo que se hace en general es agarrar un texto, sacarle cosas raras, como por ejemplo cuando tenemos muchas S seguidas, sacarle emoticones, por ahí convertirlo todo a minúsculas, por ahí sacarle caracteres extraños,

28
00:05:47,940 --> 00:05:51,720
sacar las palabras muy frecuentes

29
00:05:51,720 --> 00:05:54,040
que normalmente no te aportan información

30
00:05:54,040 --> 00:05:57,260
porque son palabras como la, en, por

31
00:05:57,260 --> 00:06:00,380
y sacarle las palabras que son muchísimas

32
00:06:00,380 --> 00:06:02,160
y tampoco te aportan mucha información

33
00:06:02,160 --> 00:06:03,680
porque ocurren muy pocas veces

34
00:06:03,680 --> 00:06:08,840
y luego convertir los textos a una matriz

35
00:06:08,840 --> 00:06:12,320
usando estas palabras que quedaron

36
00:06:12,320 --> 00:06:15,700
como nuestro espacio

37
00:06:15,700 --> 00:06:34,960
Lo que nosotros decimos es que cada una de las palabras sería como una dimensión y los textos son objetos que se encuentran en estas dimensiones. Un texto, por ejemplo, puede tener mucho de caballo, un poco de carrera y otro poquito de victoria.

38
00:06:34,960 --> 00:06:55,680
Otro texto puede tener inflación, otro puede tener casos, muertes, ¿sí? Y ahí están posicionando los textos en este espacio de las palabras, que ya es un espacio matemático que podemos entrar dentro del procesamiento de ciencia de datos común y corriente.

39
00:06:55,680 --> 00:07:11,520
¿Y tenés algún lenguaje de programación preferido o cada proyecto lo manejas de la mejor forma posible? ¿O tenés un lenguaje de programación base que usas generalmente? ¿Alguno que te guste más, que lo prefieras para este trabajo?

40
00:07:11,520 --> 00:07:33,000
Y mira, lo que se está usando mucho son notebooks de Python, porque hay muchas librerías, hay muchísimos ejemplos maravillosos de notebooks que son perfectamente legibles, que uno puede incluso correr en la nube, en un collab o una cosa así.

41
00:07:33,000 --> 00:07:47,820
Y eso es lo que se está usando más para prototipar, ¿sí? Luego, para llevar a producción, yo la verdad que no llevo cosas a producción, pero eso ya depende mucho de la infraestructura propia de cada proyecto.

42
00:07:48,000 --> 00:07:51,820
Lo cierto es que yo tengo mucho tiempo que no programo, así que...

43
00:07:51,820 --> 00:07:54,400
Perfecto.

44
00:07:54,400 --> 00:08:18,660
Te lo llevo un ejemplo que a mí me llamó mucho la atención. Hace dos años la facultad en la que trabajas, es un convenio con el Tribunal Superior de Justicia de Córdoba, en el que ellos querían analizar textos legales para identificar entidades y hacer un montón de cosas que al parecer solamente estaban cubiertas por productos privados.

45
00:08:18,660 --> 00:08:21,980
y si a los que quede

46
00:08:21,980 --> 00:08:24,080
preguntarte qué fue lo que les pidieron

47
00:08:24,080 --> 00:08:26,020
y cómo fue

48
00:08:26,020 --> 00:08:27,800
el proyecto, si fue exitoso

49
00:08:27,800 --> 00:08:29,460
finalmente, si quedó algo funcionando

50
00:08:29,460 --> 00:08:31,820
Bueno, mira, este

51
00:08:31,820 --> 00:08:33,040
proyecto viene

52
00:08:33,040 --> 00:08:36,260
con discontinuidades

53
00:08:36,260 --> 00:08:37,480
pero sigue vivo

54
00:08:37,480 --> 00:08:39,860
de hecho, este año por segunda

55
00:08:39,860 --> 00:08:41,740
vez vamos a tener una mentoría dentro

56
00:08:41,740 --> 00:08:43,400
de la diplomatura en ciencia de datos

57
00:08:43,400 --> 00:08:45,920
que va a tratar con este proyecto

58
00:08:45,920 --> 00:08:47,640
así que

59
00:08:47,640 --> 00:08:56,420
le estamos dando continuidad, pero con pocos recursos humanos, digamos, así que va lento.

60
00:08:56,420 --> 00:09:07,940
Pero como vos decís, nuestro mayor interés es hacer una prueba de concepto en la que se muestre

61
00:09:07,940 --> 00:09:14,560
que con herramientas disponibles de código abierto, muy estándares para procesamiento del lenguaje natural,

62
00:09:14,560 --> 00:09:32,660
se puede ofrecer un producto para, una solución más que un producto, ¿no es cierto?, para facilitar el acceso al enorme cuerpo de documentación que necesitan manejar los abogados, los jueces, ¿no es cierto?

63
00:09:32,660 --> 00:09:49,480
Es un proceso bastante estándar, pero bueno, se requiere de bastante trabajo para adaptarlo a la idiosincrasia propia de tribunales.

64
00:09:49,480 --> 00:10:07,860
Sí, bueno, también sucede que hoy en día, vos lo sabrás, la ciencia de datos es un campo muy de moda y es muy difícil conseguir personas que se interesen en proyectos por ahí menos vistosos, ¿sí?

65
00:10:07,860 --> 00:10:15,860
Así que por ahí hemos estado con dificultades para conseguir estudiantes que quieran trabajar en este proyecto

66
00:10:15,860 --> 00:10:22,180
y eso, junto con la pandemia, ha venido dificultando el avance.

67
00:10:22,600 --> 00:10:23,380
Pero seguimos.

68
00:10:24,320 --> 00:10:32,660
Sigue avanzando. ¿Hay formalmente una financiación del Poder Judicial o el Poder Ejecutivo de Córdoba para que ustedes trabajen en esto?

69
00:10:32,660 --> 00:10:55,500
No tenemos financiación, esa es una de las principales trabas para conseguir recursos humanos que puedan darle continuidad al proyecto, así que por eso es que estamos siempre dependiendo de que haya estudiantes que decidan llevar a cabo su tesis de grado, por ejemplo, en estos temas.

70
00:10:55,500 --> 00:11:15,480
Y bueno, los estudiantes por ahí se deslumbran con los proyectos interesantísimos que hay ahora en el área de inteligencia artificial, ciencia de datos y por ahí estos proyectos que también son súper interesantes, como facilitar el acceso a la documentación legal, quedan un poco relegados.

71
00:11:15,760 --> 00:11:21,680
Bueno, me nombraste varias veces y me sirve perfecto de introducción para el siguiente tema que quería conversar contigo.

72
00:11:22,740 --> 00:11:30,080
Desde el FAMAF estás trabajando en una diplomatura de ciencia de datos de la que tuve el gusto de participar hace un par de años.

73
00:11:30,840 --> 00:11:40,620
Quería preguntarte cuál es tu rol en esa diplomatura y que me la describas más o menos de qué se trata para invitar a los interesados en ciencia de datos para que se sumen.

74
00:11:40,620 --> 00:12:02,700
Bueno, esta diplomatura surgió en un momento en el que no había tantas formaciones en ciencia de datos en la región y bueno, la verdad que yo ahora mismo soy la coordinadora, es el segundo año que estoy en la coordinación, antes de eso estuvo Jorge Sánchez dos años en la coordinación

75
00:12:02,700 --> 00:12:27,720
Y fuimos un grupo de gente que decidimos que podíamos hacer este esfuerzo, este aporte para acompañar a muchas personas que tenían mucho interés en los primeros pasos para adentrarse en la ciencia de datos.

76
00:12:27,720 --> 00:12:57,700
Lo que nosotros observábamos en ese momento, imagínate hace ya más de cuatro años, era que había mucho interés pero muy poco conocimiento, que las personas, las pocas personas que tenían algún conocimiento en ciencia de datos rápidamente podían acceder a muchos cursos online de Stanford, del MIT, de un montón de lugares excelentes que podían acceder a todos estos notebooks que te decía que están ejemplos de código, tutoriales,

77
00:12:57,720 --> 00:13:25,080
pero que había una gran cantidad de gente con mucha experiencia industrial, quizás, con mucha trayectoria en instituciones, con estudiantes de grado, con mucho entusiasmo, pero que sentían una barrera para ingresar a la ciencia de datos, o peor todavía, ingresaban de forma muy despareja, con grandes lagunas que llevaban a malas prácticas después,

78
00:13:25,080 --> 00:13:51,920
Y eso producía una gran desconfianza porque se desarrollaba un proyecto, el proyecto andaba mal porque había estas diagunas. Entonces, nosotros lo que dijimos fue, nuestro objetivo es acompañar a personas de esta región a ingresar con fundamentos sólidos y con una visión muy aplicada a la ciencia de datos.

79
00:13:51,920 --> 00:14:15,560
Porque nosotros tratamos desde el principio de que la formación fuera muy aplicada y la verdad que estamos muy contentos de los resultados que estamos teniendo. Siempre buscamos diversificar lo más posible la cohorte de forma que también estas formaciones alcanzaran al mayor número posible de instituciones, de lugares.

80
00:14:15,560 --> 00:14:22,160
y sentimos que se está produciendo un cambio lindo en nuestro entorno acá en Córdoba.

81
00:14:22,160 --> 00:14:29,900
Ahora ya hay muchas otras formaciones también a nivel privado y también de las diferentes universidades públicas

82
00:14:29,900 --> 00:14:38,440
que se ofrecen en esta área y estamos muy contentos de ver que ahora uno va a cualquier lado

83
00:14:38,440 --> 00:14:43,880
y se encuentra personas que tienen una formación y que pueden abordar proyectos interesantes

84
00:14:43,880 --> 00:14:51,160
y llevarlos más allá y más allá y más allá, que pueden entender los cursos de Stanford

85
00:14:51,160 --> 00:14:58,680
o buscarse los mejores ejemplos de código. Estamos muy satisfechos en ese sentido.

86
00:14:58,680 --> 00:15:05,900
Bueno, me imagino que tienen un desafío gigante. Vos lo dejas ver un poco cuando hablas de lagunas y demás.

87
00:15:06,320 --> 00:15:11,400
Me imagino que por un lado habemos un montón de programadores, sobre todo los más jóvenes,

88
00:15:11,400 --> 00:15:15,840
con ganas de ver de qué se trata la inteligencia artificial,

89
00:15:16,620 --> 00:15:19,380
hacer algoritmos que hagan cosas complicadas,

90
00:15:19,700 --> 00:15:23,580
la industria queriendo, por supuesto, como corresponde,

91
00:15:24,100 --> 00:15:25,100
ganar plata con esto.

92
00:15:25,160 --> 00:15:29,500
Y por otro lado está la academia queriendo, me imagino,

93
00:15:29,580 --> 00:15:32,920
ordenar un poco y decir, esto no es solamente empezar a programar,

94
00:15:32,980 --> 00:15:37,500
sino que detrás hay un fondo matemático y estadístico muy profundo

95
00:15:37,500 --> 00:15:40,800
que es necesario conocer para que no pasen esos errores que vos comentabas.

96
00:15:40,800 --> 00:15:47,580
Me imagino que ahí tenés una dificultad en conjuga los intereses académicos

97
00:15:47,580 --> 00:15:49,740
y los intereses de la industria.

98
00:15:50,040 --> 00:15:52,720
¿Eso es un problema para ustedes? ¿Cómo lo resuelven?

99
00:15:53,600 --> 00:16:04,700
Mira, la verdad que nosotros conocemos de esas diferentes prioridades.

100
00:16:04,700 --> 00:16:20,320
Por un lado está como la prioridad de hacer las cosas rápido y de demostrar resultados que impresionen y por otro lado está la prioridad de hacer cosas sólidas.

101
00:16:20,320 --> 00:16:37,660
La suerte que tenemos todos los que estamos trabajando en esto es que en este área tal como es hoy no se llega muy lejos sin unos fundamentos más o menos sólidos.

102
00:16:37,660 --> 00:16:57,920
No estamos hablando de hacer un doctorado necesariamente, aunque esta es un área en la que un doctorado hace una diferencia en la industria, las personas con doctorados en ciencia de datos y inteligencia artificial son valoradas y buscadas en la industria,

103
00:16:57,920 --> 00:17:18,220
pero en cualquier caso, para cualquier trabajo que tenga que ver con ciencia de datos, no se llega muy lejos sin una base, lo que decías vos, matemática, de probabilidad y también de programación, como no, sólida.

104
00:17:18,220 --> 00:17:35,520
Y en ese sentido, no hemos sentido mucha tensión por el lado de las aplicaciones. Sabemos que todo el mundo quiere hacer cosas muy impresionantes, muy vistosas,

105
00:17:35,520 --> 00:18:01,020
pero también la mayor parte de personas que vienen a la diplomatura o con las que nos cruzamos saben que no se puede hacer más rápido, no se pueden saltear pasos, porque si te salteas pasos terminas no entendiendo nada de lo que estás haciendo.

106
00:18:01,020 --> 00:18:17,400
Igualmente es cierto que la formación que nosotros ofrecemos en la literatura es corta, es corta pero porque parte ya de que los estudiantes tienen una base de estadística, una base de álgebra.

107
00:18:17,400 --> 00:18:34,660
En el sentido de la universidad también nos ha dado, ha confiado en nosotros, tenemos dentro del cuerpo de climaturas matemáticos, han cursado muchas personas con doctorado, postdoctorado,

108
00:18:34,660 --> 00:18:54,680
Y creemos que valoran cómo nosotros ponemos en juego los fundamentos teóricos, siempre buscando solidificar los fundamentos de las aplicaciones, del trabajo aplicado, del trabajo práctico.

109
00:18:54,680 --> 00:18:58,900
Exacto, y en cuanto a la plantilla de profesores

110
00:18:58,900 --> 00:19:01,820
la que tienen ustedes, a mi entender

111
00:19:01,820 --> 00:19:04,840
es muy interesante y muy buena, pero me imagino

112
00:19:04,840 --> 00:19:08,680
que a la hora de financiar esta diplomatura del lado tuyo

113
00:19:08,680 --> 00:19:12,000
de la coordinación, hay alguna dificultad porque me imagino

114
00:19:12,000 --> 00:19:14,200
que la industria paga muy bien estos conocimientos

115
00:19:14,200 --> 00:19:17,300
y las personas que vos tenés dando clases son

116
00:19:17,300 --> 00:19:21,340
personas que tienen esos conocimientos y que tranquilamente pueden trabajar

117
00:19:21,340 --> 00:19:24,400
en la industria por unos sueldos muy interesantes

118
00:19:24,400 --> 00:19:29,280
¿Es un problema conseguir profesores que estén dispuestos a trabajar aquí,

119
00:19:29,380 --> 00:19:31,860
teniendo en cuenta la competencia económica grande que hay afuera?

120
00:19:33,200 --> 00:19:42,260
Sí, sí, siempre es difícil conseguir que las personas que pueden estar ganando

121
00:19:42,260 --> 00:19:48,440
tres, cuatro, cinco veces más afuera, se queden en la universidad.

122
00:19:48,440 --> 00:20:05,680
pero por otro lado la universidad pública también genera un compromiso en las personas que tienen ganas como de devolver lo que recibieron, también como de generar un impacto en su entorno.

123
00:20:05,680 --> 00:20:23,040
Nosotros hemos tratado de ofrecer buenas condiciones a los profesores, ofrecer facilidades para que puedan desarrollar su trabajo. Tenemos una política, como decimos con Jorge, de no sufrimiento.

124
00:20:23,040 --> 00:20:38,660
Así que tratamos de encontrar una forma de que el trabajo sea una satisfacción más que algo pesado.

125
00:20:39,360 --> 00:20:46,540
Pero bueno, sí, sí, se complica. Siempre es uno de los temas más difíciles de resolver.

126
00:20:47,420 --> 00:20:50,600
Hasta ahora creo que venimos resolviéndolo bastante bien.

127
00:20:50,600 --> 00:21:10,060
Bien, bien, perfecto. Y una vez que un profesional en esta área empieza a ejercer, estamos escuchando mucho últimamente sobre que hay algoritmos y que estos algoritmos tienen sesgos y que toda esta cosa que nos parece tan genial probablemente sea peligrosa.

128
00:21:10,060 --> 00:21:28,000
Te quería preguntar, un profesional en ciencia de datos, ¿con qué cosas tiene que cuidarse para no llegar a cometer algunos de estos errores graves que vemos a la hora de aplicar algoritmos masivamente y sin muchos cuidados?

129
00:21:28,560 --> 00:21:32,780
¿Qué es lo que tiene que hacer un profesional de ciencia de datos para no caer en estas trampas?

130
00:21:32,780 --> 00:21:42,180
Bueno, hemos estado, me parece que todos como área venimos pensando cada vez más en esto

131
00:21:42,180 --> 00:21:48,280
porque en los últimos tiempos, como vos bien decís, han surgido muchos casos que han puesto en evidencia

132
00:21:48,280 --> 00:21:56,420
los efectos negativos que pueden llegar a tener las soluciones que desplegamos

133
00:21:56,420 --> 00:21:59,540
las soluciones automáticas en general, no solamente las basadas en datos

134
00:21:59,540 --> 00:22:15,160
Pero las que son basadas en datos nos enseguecen un poco porque pensamos que los datos son objetivos y no se nos ocurre pensar que tienen sesgos. Y los datos tienen exactamente los mismos sesgos que las sociedades que generan esos datos.

135
00:22:15,160 --> 00:22:34,240
Si nosotros somos una sociedad que discrimina por las razones que sean, por religión, por clase social, por color de piel, por género, nuestros datos van a reflejar eso también.

136
00:22:34,240 --> 00:23:00,440
No van a ser la verdad que los generó. Y en ese sentido, si nosotros usamos los datos para crear modelos que replican esos datos, lo que puede estar sucediendo es que estemos amplificando esas discriminaciones y esos prejuicios de una manera que excede muchísimo a lo humano.

137
00:23:00,440 --> 00:23:30,140
Porque no es lo mismo un policía que esté discriminando durante su jornada laboral que una cámara con un software de reconocimiento facial que esté discriminando las 24 horas del día, los 7 días de la semana, o 1.000 cámaras, o 3.000 cámaras, o 10.000 cámaras en una ciudad que estén haciendo eso sistemáticamente todas las horas del día.

138
00:23:30,140 --> 00:23:33,660
todos los días, con los efectos que se puede tener

139
00:23:33,660 --> 00:23:38,540
en intimidación de personas, ponerle, de piel más oscura,

140
00:23:38,660 --> 00:23:40,480
que ya hemos visto que el reconocimiento facial

141
00:23:40,480 --> 00:23:43,480
discrimina efectivamente a las personas de piel más oscura,

142
00:23:44,380 --> 00:23:49,960
o privación de libertad, en muchos problemas muy graves.

143
00:23:50,140 --> 00:23:52,500
Entonces, lo que tenemos que hacer nosotros

144
00:23:52,500 --> 00:23:55,680
como científicos de datos es, en primer lugar,

145
00:23:56,340 --> 00:23:58,520
dejar de ser tan ciegos, dejar de pensar

146
00:23:58,520 --> 00:24:09,560
que los datos son objetivos, sí, luego cuando estamos pensando una solución, pensar no solamente en lo que tenemos delante

147
00:24:09,560 --> 00:24:16,280
que es si maximiza una métrica o no maximiza una métrica, sino pensar en todos los efectos que puede llegar a tener

148
00:24:16,280 --> 00:24:22,060
y es muy difícil que nosotros desde nuestro lugar podamos pensar en todos los efectos que puede llegar a tener,

149
00:24:22,060 --> 00:24:48,400
Por lo tanto, tenemos que incorporar dentro de nuestro proceso de ideación de las soluciones basadas en datos otras miradas. Y a veces es difícil porque estamos en una organización chiquita o lo que sea, pero una forma linda de incorporar otras miradas es facilitar las quejas de los usuarios, recibirlas e integrarlas.

150
00:24:48,400 --> 00:25:04,180
Esa es una buena forma de darnos cuenta de cuando algo no está andando bien. Obviamente es mucho mejor prevenir que recibir quejas, pero bueno, por ahí se pueden hacer las dos cosas, ¿no es cierto?

151
00:25:04,180 --> 00:25:20,120
Incorporar otras miradas de las comunidades en las que vamos a desplegar alguna solución. Por ejemplo, si vamos a hacer un sistema automático para asignación de subsidios,

152
00:25:20,120 --> 00:25:25,580
incorporar en la ideación y luego en las primeras pruebas

153
00:25:25,580 --> 00:25:29,860
a representantes de diferentes sectores sociales

154
00:25:29,860 --> 00:25:34,080
a quienes se podría llegar a asignar esos subsidios

155
00:25:34,080 --> 00:25:37,180
y ver qué pasa, porque desde nuestra visión

156
00:25:37,180 --> 00:25:40,120
está todo perfecto, pero porque a nadie se le ocurre

157
00:25:40,120 --> 00:25:42,920
por ejemplo pensar que, por ejemplo,

158
00:25:43,040 --> 00:25:44,620
hay un ejemplo que es muy bueno,

159
00:25:45,500 --> 00:25:47,760
una televisión con reconocimiento de voz,

160
00:25:47,760 --> 00:25:54,040
que uno le dice, pone Canal 7, te pone Canal 7, busca este vídeo en YouTube, te busca el vídeo en YouTube.

161
00:25:55,700 --> 00:26:02,120
Ese software reconoce fantásticamente las voces, menos, por ejemplo, las voces de personas con síndrome de Down,

162
00:26:02,720 --> 00:26:08,280
que son justamente las que más necesitarían el reconocimiento de voz, ¿no es cierto?

163
00:26:08,580 --> 00:26:09,100
Exacto.

164
00:26:09,100 --> 00:26:18,100
Eso es muy difícil pensarlo desde la perspectiva de alguien que no convive o no tiene contacto frecuente con personas con síndrome de Down.

165
00:26:20,160 --> 00:26:21,740
Totalmente, totalmente, Laura.

166
00:26:22,980 --> 00:26:29,100
Te iba a preguntar cuáles eran las posibles soluciones, pero veo que lo incluiste directamente y lo va a ver mucho.

167
00:26:31,260 --> 00:26:38,020
El último tema que tengo para hoy, lo quiero introducir con una breve anécdota.

168
00:26:38,020 --> 00:26:48,940
Hace algunos meses me llamaron desde el Gobierno Nacional de Argentina para ofrecerme un puesto de trabajo en gestión pública,

169
00:26:49,020 --> 00:26:55,500
que me pareció súper interesante. Yo no lo podía tomar, pero cuando me describieron el cargo, yo dije,

170
00:26:55,640 --> 00:27:04,440
este trabajo es para Laura, tenía tu nombre el cargo, porque era de ciencia de datos, era un tema para hacer políticas públicas vinculadas a eso.

171
00:27:04,440 --> 00:27:06,780
y cuando te escribí me dijiste

172
00:27:06,780 --> 00:27:08,580
no, efectivamente ya me lo ofrecieron hace

173
00:27:08,580 --> 00:27:10,740
algunas semanas y lo tuve

174
00:27:10,740 --> 00:27:12,480
que rechazar. La pregunta es

175
00:27:12,480 --> 00:27:14,740
si trabajarías en el sector público

176
00:27:14,740 --> 00:27:16,320
en un cargo de gestión política

177
00:27:16,320 --> 00:27:18,320
y te

178
00:27:18,320 --> 00:27:20,380
quería preguntar por qué

179
00:27:20,380 --> 00:27:22,460
no te parece en general posible

180
00:27:22,460 --> 00:27:24,580
que personas con tu formación y tu

181
00:27:24,580 --> 00:27:26,580
conocimiento terminen en

182
00:27:26,580 --> 00:27:28,740
esos cargos, porque en general lo ocupan otras personas

183
00:27:28,740 --> 00:27:30,320
no especialistas en estas áreas.

184
00:27:31,980 --> 00:27:32,540
Bueno,

185
00:27:32,540 --> 00:27:47,340
Es una pregunta que yo llevo haciéndome cada vez más en los últimos tiempos y cada vez estoy más convencida de que efectivamente no es el lugar para mí.

186
00:27:47,340 --> 00:27:51,900
Y mira, yo te voy a contestar también con una anécdota.

187
00:27:52,520 --> 00:27:57,960
Viste cuando empezó la pandemia que había muchos científicos

188
00:27:57,960 --> 00:28:02,020
que salieron a decir, la solución es esta.

189
00:28:03,020 --> 00:28:06,020
Y te decían, porque ves, yo te hago un modelo

190
00:28:06,020 --> 00:28:09,740
de cómo se propaga la epidemia,

191
00:28:09,740 --> 00:28:13,240
entonces hay que hacer esto, esta es la solución.

192
00:28:13,980 --> 00:28:16,340
Pero acá estamos, un año y pico más tarde

193
00:28:16,340 --> 00:28:18,080
y estamos lejos de ver

194
00:28:18,080 --> 00:28:19,460
sí, solución

195
00:28:19,460 --> 00:28:21,180
o bueno, con soluciones

196
00:28:21,180 --> 00:28:24,120
mucho más complejas

197
00:28:24,120 --> 00:28:24,400
porque

198
00:28:24,400 --> 00:28:27,980
la ciencia que hacemos

199
00:28:27,980 --> 00:28:29,780
nosotros muchas veces

200
00:28:29,780 --> 00:28:32,020
sobresimplifica los problemas

201
00:28:32,020 --> 00:28:33,020
¿sí?

202
00:28:33,700 --> 00:28:36,120
y las sociedades humanas

203
00:28:36,120 --> 00:28:38,020
son mucho más complejas

204
00:28:38,020 --> 00:28:39,700
que nuestras sobresimplificaciones

205
00:28:39,700 --> 00:28:40,660
¿sí?

206
00:28:41,140 --> 00:28:43,620
hay diferentes tipos de inteligencia

207
00:28:43,620 --> 00:28:45,840
y me parece que las personas que elegimos

208
00:28:45,840 --> 00:28:55,160
trabajar en la parte más técnica de la ciencia de datos, probablemente tenemos desarrolladas

209
00:28:55,160 --> 00:29:01,700
inteligencias más racionales, pero no las inteligencias que nos permitirían tratar

210
00:29:01,700 --> 00:29:07,420
de forma más adecuada con estas complejidades que son propias de lo social.

211
00:29:07,420 --> 00:29:29,180
Yo contra más contacto tengo con lo social, más veo mis falencias para tratar con esa complejidad y me saco el sombrero ante la gente que puede hacerlo y pienso cómo puedo ayudar a esa gente,

212
00:29:29,180 --> 00:29:54,820
Cómo mis saberes, mis experiencias pueden sumar en estructuras de una forma virtuosa, ¿no? De una forma que realmente sea sumar y no sea decir, ¡ay, no, lo están haciendo mal! Porque lo que tendrían que hacer es no sé qué. Porque obviamente hay muchas cosas que se me escapan desde mi perspectiva sobresimplificadora, ¿no?

213
00:29:55,700 --> 00:29:56,260
Perfecto.

214
00:29:57,100 --> 00:29:57,680
Sí, eso.

215
00:29:57,680 --> 00:30:00,080
Bueno, perfecto

216
00:30:00,080 --> 00:30:02,440
una pregunta más con respecto a tu

217
00:30:02,440 --> 00:30:04,300
vida laboral, vi en tu currículum que

218
00:30:04,300 --> 00:30:05,740
trabajaste 5 años

219
00:30:05,740 --> 00:30:07,600
por lo menos 5 años

220
00:30:07,600 --> 00:30:10,280
en una empresa de software

221
00:30:10,280 --> 00:30:12,400
como Technical Leader, una empresa conocida

222
00:30:12,400 --> 00:30:14,260
de Córdoba

223
00:30:14,260 --> 00:30:16,320
me imagino que es una empresa totalmente

224
00:30:16,320 --> 00:30:18,000
no totalmente, pero muy distinta

225
00:30:18,000 --> 00:30:20,400
a la experiencia académica que tenés

226
00:30:20,400 --> 00:30:22,640
hoy trabajando en la universidad

227
00:30:22,640 --> 00:30:24,340
me parece que finalmente elegiste

228
00:30:24,340 --> 00:30:26,260
el mundo académico, pero te quería

229
00:30:26,260 --> 00:30:27,880
preguntar si te dan ganas de

230
00:30:27,880 --> 00:30:30,320
volver a ese mundo o de compartir

231
00:30:30,320 --> 00:30:31,900
tiempo entre los dos o estás

232
00:30:31,900 --> 00:30:34,120
excelentemente bien donde estás y no

233
00:30:34,120 --> 00:30:36,320
querés cambiar. Mira, yo siempre

234
00:30:36,320 --> 00:30:38,100
cuando he trabajado, siempre he trabajado

235
00:30:38,100 --> 00:30:40,140
en la universidad y he trabajado

236
00:30:40,140 --> 00:30:42,520
en empresas part-time

237
00:30:42,520 --> 00:30:44,200
y siempre

238
00:30:44,200 --> 00:30:46,420
ha sido con un rol muy

239
00:30:46,420 --> 00:30:48,520
de investigación

240
00:30:48,520 --> 00:30:50,180
y desarrollo, ¿sí?

241
00:30:50,460 --> 00:30:52,760
Muy de pruebas de concepto,

242
00:30:52,840 --> 00:30:54,060
de prototipados,

243
00:30:54,700 --> 00:30:55,540
de MVPs,

244
00:30:55,540 --> 00:31:14,930
Me interesa mucho la empresa como un actor de impulso social. Me parece una cosa muy valiosa y he tenido la suerte

245
00:31:14,930 --> 00:31:32,430
de estar en ambientes de crecimiento personal, de conocimiento de los equipos involucrados muy lindos, ¿sí?

246
00:31:32,430 --> 00:31:49,590
Pero bueno, lo cierto es que yo no tengo el gusanillo de desplegar toda la parte social que es tan importante en la empresa.

247
00:31:49,590 --> 00:32:06,050
En la universidad puedo hacer un trabajo más a largo plazo, más centrado en el contenido que en las aplicaciones de ese contenido.

248
00:32:06,210 --> 00:32:16,270
Me interesan mucho las aplicaciones, pero también me interesa el desarrollo a largo plazo y eso es algo que en las empresas en general no tiene tanto lugar.

249
00:32:16,270 --> 00:32:20,330
no imposible pero mucho más difícil

250
00:32:20,330 --> 00:32:24,910
yo personalmente fui alumno tuyo

251
00:32:24,910 --> 00:32:27,430
y estuve en la diplomatura que coordinaste

252
00:32:27,430 --> 00:32:30,890
y te agradezco infinitamente que estés a donde estás

253
00:32:30,890 --> 00:32:34,490
porque me parece que afectas muy positivamente

254
00:32:34,490 --> 00:32:36,610
la vida de mucha gente que pasa por ahí

255
00:32:36,610 --> 00:32:38,330
así que para mí es una tranquilidad que vos estés ahí

256
00:32:38,330 --> 00:32:40,790
y yo personalmente te agradezco que estés ahí

257
00:32:40,790 --> 00:32:43,150
y valoro mucho todo lo que haces

258
00:32:43,150 --> 00:32:46,470
Muchas gracias Andrés, te agradezco

259
00:32:46,470 --> 00:32:48,930
pero de vuelta no soy yo sola

260
00:32:48,930 --> 00:32:54,170
Jorge estuvo ahí, Cristian, Milagro

261
00:32:54,170 --> 00:32:58,210
Edgardo Ames, Gaby Miretti

262
00:32:58,210 --> 00:33:01,250
Georgina Flessia, Lavalle Ruloni

263
00:33:01,250 --> 00:33:03,570
el Mati Marenchino, sin ellos

264
00:33:03,570 --> 00:33:06,810
Franco Luque, sin ellos todo esto

265
00:33:06,810 --> 00:33:10,050
no se habría podido hacer, el hecho de que ellos

266
00:33:10,050 --> 00:33:12,090
creyeran y estuvieron

267
00:33:12,090 --> 00:33:13,770
ahí de una forma muy generosa, ¿viste?

268
00:33:13,770 --> 00:33:15,750
Que me parece que eso es algo que hemos

269
00:33:15,750 --> 00:33:17,590
tratado de enfatizar mucho.

270
00:33:18,310 --> 00:33:21,250
guardarse las ideas

271
00:33:21,250 --> 00:33:23,630
en este área no sirve para nada, porque

272
00:33:23,630 --> 00:33:25,370
ideas tenemos todos, pero

273
00:33:25,370 --> 00:33:27,270
implementarlas quiere de un equipo.

274
00:33:27,750 --> 00:33:29,570
La diferencia entre tener las ideas

275
00:33:29,570 --> 00:33:31,750
y que las ideas sirven para algo, es poder

276
00:33:31,750 --> 00:33:33,490
implementarlas. Exacto. Bueno,

277
00:33:33,990 --> 00:33:35,870
extiendo personalmente

278
00:33:35,870 --> 00:33:37,730
el agradecimiento a todo el

279
00:33:37,730 --> 00:33:39,770
equipo que nombraste. Tengo la última pregunta

280
00:33:39,770 --> 00:33:42,030
Laura, este podcast se llama Cadena Datos

281
00:33:42,030 --> 00:33:44,050
porque la idea es ir encadenando

282
00:33:44,050 --> 00:33:45,770
entrevistados y te quería

283
00:33:45,770 --> 00:33:47,730
preguntarte si tenés una o dos

284
00:33:47,730 --> 00:33:49,630
personas para recomendarme

285
00:33:49,630 --> 00:33:51,910
para entrevistar en el futuro

286
00:33:51,910 --> 00:33:53,770
Bueno

287
00:33:53,770 --> 00:33:55,090
quizás

288
00:33:55,090 --> 00:33:57,230
podrías hablar con

289
00:33:57,230 --> 00:33:58,970
gente

290
00:33:58,970 --> 00:34:01,470
de salud, no sé si has

291
00:34:01,470 --> 00:34:03,790
charlado con gente

292
00:34:03,790 --> 00:34:05,570
de salud, pero yo ahora estoy trabajando

293
00:34:05,570 --> 00:34:07,670
mucho con la oración

294
00:34:07,670 --> 00:34:10,370
Sí, sí, la conozco

295
00:34:10,370 --> 00:34:10,950
Bueno

296
00:34:10,950 --> 00:34:13,510
me parece que

297
00:34:13,510 --> 00:34:15,950
la perspectiva de cómo

298
00:34:15,950 --> 00:34:17,250
articular

299
00:34:17,250 --> 00:34:20,090
la parte

300
00:34:20,090 --> 00:34:21,910
académica con

301
00:34:21,910 --> 00:34:24,250
toda la complejidad

302
00:34:24,250 --> 00:34:25,650
del sistema de salud

303
00:34:25,650 --> 00:34:28,150
puede ser algo muy

304
00:34:28,150 --> 00:34:30,170
interesante y también

305
00:34:30,170 --> 00:34:32,030
quizás podrías hablar con Luciana

306
00:34:32,030 --> 00:34:33,350
Benotti que es una persona

307
00:34:33,350 --> 00:34:36,290
que está tratando de

308
00:34:36,290 --> 00:34:54,530
de que los vínculos entre la comunidad académica, la comunidad internacional y Latinoamérica sean mucho más solidarios que paternalistas.

309
00:34:54,530 --> 00:35:05,030
Venimos de un paternalismo que parece paternalismo, pero en el fondo huele mucho a colonialismo.

310
00:35:06,290 --> 00:35:28,310
Y bueno, Luciana está trabajando desde hace mucho tiempo, una científica que trabaja en sistemas de diálogo, en la personalidad y reconocida, pero está trabajando mucho para que las relaciones entre Latinoamérica y el norte paternalista colonialista sean mucho mejores a través de lo académico.

311
00:35:28,310 --> 00:35:31,370
bueno, las ponemos listas

312
00:35:31,370 --> 00:35:32,730
y valoro especialmente

313
00:35:32,730 --> 00:35:35,290
tu opinión o tu mirada

314
00:35:35,290 --> 00:35:36,850
crítica porque vos venís

315
00:35:36,850 --> 00:35:39,350
no tenés

316
00:35:39,350 --> 00:35:41,130
nuestra tradicional tona de cordobesa

317
00:35:41,130 --> 00:35:43,330
todavía, así que te delata un poco

318
00:35:43,330 --> 00:35:45,570
tu origen

319
00:35:45,570 --> 00:35:46,850
español

320
00:35:46,850 --> 00:35:48,670
muchas gracias Laura, fue un gusto

321
00:35:48,670 --> 00:35:51,010
muchas gracias Andrés, ha sido un gusto

322
00:35:51,010 --> 00:35:51,630
muy grande