ChatGPT dividió las aguas entre los apocalípticos, los optimistas, los indiferentes y aquellos para los que la capacidad de esta tecnología no supuso del todo una novedad. En 2018, cinco años antes de la explosión mediática del famoso chat, Paula Martínez creaba —junto a Rodrigo Beceiro, su socio— Marvik, una empresa especializada en machine learning, la tecnología de la que hoy todos hablan.
Familiarizada con el mundo numérico y de las computadoras mucho más que con el de las letras —sus padres siempre tuvieron empresas de software—, Martínez es ingeniera eléctrica y fue durante sus estudios de máster en gerencia de empresas de tecnología que se imaginó abriendo su propia empresa.
Hoy Marvik se conforma por más de 60 personas distribuidas entre Uruguay, Argentina y Colombia; desarrolló para clientes como Mercado Libre, PedidosYa y la Universidad de Stanford, y su principal mercado es EE.UU., detalla Martínez a Forbes horas antes de emprender un viaje hacia el país norteamericano para dar una conferencia junto a Beceiro sobre inteligencia artificial generativa en imágenes en un summit organizado por la empresa Databricks (San Francisco).
¿Estamos en la cresta de la ola del machine learning?
Es un mercado que ha madurado mucho. Capaz que vender un proyecto de machine learning hace cuatro años era muy diferente a lo que es vender un proyecto hoy.
Hace unos años tenías que explicar y evangelizar en cuanto a lo que era la tecnología, lo que podía hacer, cuáles eran las posibilidades, había que bajar mucho más a tierra las expectativas también. Ahora, yéndonos al otro extremo, con ChatGPT, por ejemplo, se hizo mainstream el machine learning, algo que era súper de nicho hasta hace unos meses.
ChatGPT de repente puso en la cabeza de todos que hay algo que se viene, que en realidad es que está teniendo resultados, que es muy bueno en un montón de cosas y que capaz que me tengo que subir a esta ola porque si no me quedo afuera.
Creo que generó un factor “wow” en la gente. Eso ahora hay que pasarlo a un plano de negocios, a que genere impacto en las empresas, valor, que mejore los trabajos.
Capaz que una tarea que antes llevaba tres días buscando algo en un mar de documentos ahora la puedo hacer en unas horas chateando con una interfaz que me ayude a buscar inteligentemente.
¿Cómo impactó en ustedes esa “explosión” de interés?
Creo que en este momento estamos en un pico en cuanto al FOMO (miedo a perderse algo) de las empresas. Están viendo cómo usar machine learning, para qué tipo de cosas y demás. Entonces, de repente lo que había que explicar muchísimo más antes, ahora no hay que explicarlo tanto.
Hay que setear bien las expectativas, porque si todo el mundo quiere tener su propio ChatGPT hay que ver… porque OpenAI gastó US$ 50 millones en entrenar eso y en generarlo.
Hay que ver cuáles son las expectativas realistas y cuál es el caso de negocio, cuál es la ganancia que va a tener el cliente en todo esto, y que realmente sea algo que genere valor y no sea simplemente por salir a hacer algo con machine learning.
Nosotros también ponemos un montón de foco en ayudar a nuestros clientes en eso, en entender cómo le van a sacar provecho.
¿De dónde proviene principalmente el interés?
Un poco de todos lados. Hay industrias o algunos tipos de empresas que capaz que ya estaban muy metidas en machine learning o trabajando en ese tipo de soluciones. Sectores como retail, e-commerce, capaz que tienen tendencia, y también las empresas de base tecnológica.
Pero creo que hay también otro montón de industrias, como la legal, que estaban todavía un poquito por fuera y hoy ven que pueden tener una posibilidad de implementar algo que les mejora mucho su negocio.
Realmente es una tecnología que puede impactar en cualquier industria.
¿Qué desarrollos hechos por Marvik sobresalen?
Trabajamos con muchos proyectos de computer vision, con imágenes y videos. La parte de procesamiento del lenguaje natural, generando texto, analizando texto y haciendo insights, cuestiones de audio, de voz.
También en analítica predictiva, haciendo predicciones de variables, sistemas de recomendación. Y en ingeniería de datos, que nos permite organizar la información y los datos de una empresa. Somos bastante amplios dentro de machine learning en sí.
Un caso divertido en computer vision y AI generativo lo trabajamos con una empresa del rubro retail, para la venta online de indumentaria, de ropa.
En ese caso, estamos desarrollando una solución de probador virtual o virtual try-on. Uno de los dolores grandes de la venta online son las devoluciones de prendas.
Es un costo enorme en realidad para la industria en sí. Nosotros generamos la imagen falsa de cómo le quedaría esa remera a la persona. Lo hacemos en base a si te gusta usar la ropa más apretada, más suelta o cosas de ese estilo.
Contado así parece simple, pero en realidad implica resolver un montón de problemas.
Uno de los mayores desafíos para los desarrollos del machine learning son los sesgos algorítmicos. Se vio en ChatGPT que presentaba sesgos de género, discriminatorios y de todo tipo. ¿Cómo lo trabajan ustedes?
La principal problemática son los datos que usamos para entrenar estos algoritmos. Estos algoritmos aprenden de ver muchos ejemplos y contraejemplos, básicamente.
Entonces, si todos los ejemplos que nosotros tenemos son de un tipo de población en particular, por ejemplo, cuando venga alguien de otro lado, vamos a tener un problema.
Porque el algoritmo nunca vio esos ejemplos, entonces no sabe cómo comportarse. Esto parte de los datos y es responsabilidad de nosotros y de las personas que desarrollan este tipo de modelos asegurarse de que esas cosas estén resueltas. Sin dudas hay que estar atento.
¿Qué posibilidades te abrió pertenecer a la red Google Developer Experts?
El programa es una red global de personas expertas que usan tecnología de Google relacionadas con algún campo. Particularmente, fui seleccionada para el área de machine learning por mi trabajo. Integro esta red hace ya más de dos años.
De las cosas más interesantes y que más aportan es toda la red de contactos, la network de personas trabajando en cosas similares, que están también volcadas a diferentes tecnologías.
Todo este programa tiene una parte de generar comunidad, de poder distribuir conocimiento, fomentar que la gente pueda aprender de estas tecnologías.
Me contactaron porque daba unas cuantas charlas relacionadas a machine learning y por eso les llamé la atención. La red te permite acceder a novedades, eventos que organiza Google sobre novedades de la tecnología, a googlers para consultarles sobre nuevos lanzamientos, novedades de los productos. Te invitan a participar de testeos antes de lanzar al mercado.
Como mujer y líder de una empresa tecnológica, ¿tuviste que romper muchas barreras?
La postura que he tenido siempre con ese tipo de cosas es que he trabajado por esto, creo que puedo hacerlo igual, en algunas cosas mejor y en otras peor que mis pares hombres, en ese sentido tenemos que animarnos a ese tipo de cosas.
No achicarnos a nosotras mismas por inseguridades o por lo que se supone que podríamos hacer o no. Cómo vos te pares, te presentes y encares las situaciones da una pauta para el otro lado. Sentirse segura de lo que una está haciendo es super importante.
Las mujeres tendemos a tener más inseguridades y cuestionarnos más que los hombres. El primer paso es no ponernos nosotras mismas la barrera, que a veces pasa.
Mujeres en tecnología hay pocas y precisamos que haya más. Hay muchas oportunidades de crecimiento y realmente es una pena que no haya más mujeres que se acerquen a trabajar en esta industria.
FOTOS NICOLÁS GARRIDO
*Este artículo fue publicado en Forbes Uruguay del mes de Agosto de 2023