E95 - Gonzalo Ríos: Emprendimientos (Niuro) y Procesos Gaussianos

Resumen

En este episodio Gonzalo Ríos (ingeniero civil matemático, magíster en ciencia de la computación y doctor en modelación matemática de la Universidad de Chile) cuenta sus emprendimientos, en especial Niuro, y explica los procesos gaussianos. Niuro es una plataforma, "Team Hunter", que arma equipos de talento tecnológico latinoamericano para empresas de Estados Unidos, con apoyo de IA para levantar requerimientos y hacer el matching. Habla también de marca personal, habilidades blandas, networking y del inglés como requisito para trabajar con empresas estadounidenses. En la segunda parte presenta los procesos gaussianos paso a paso: desde el modelo lineal, el ruido y el enfoque bayesiano, hasta los modelos no lineales y los kernels. Concluye que un proceso gaussiano es la versión en dimensión infinita de la normal multivariada y que queda determinado por su kernel, que contiene la información a priori. Recomienda además investigar el enfoque bayesiano.

Capítulos

• 00:00
  IntroPresentación de Gonzalo Ríos y de su trayectoria: Golden Data (2007, modelos de IA para Codelco, Banco Santander y otros), la empresa familiar, una tienda de PlayStation y cinco años en el Centro de Modelamiento Matemático, en el grupo con Felipe Tobar donde conoció Python y los procesos gaussianos. Este año partió la agencia de marketing Agencia Más Uno y, desde abril, Niuro.
• 04:15
  De dónde sacas energía para tantos emprendimientos?Dice que heredó la energía de su padre, que a casi 75 años sigue trabajando, y que disfruta compartir conocimiento (fue profesor del ramo de Inteligencia Artificial del DCC en 2011). Explica que trabaja en la intersección de matemáticas y computación, que le gusta, así que no lo vive como trabajo.
• 08:30
  Márqueting, habilidades blandas y marca personalCuenta que hace un diplomado en marketing estratégico para complementar su formación matemática, que deja pocas habilidades blandas. Menciona una asesoría de neuroventas con la coach Natalia Valcarce para mejorar su LinkedIn y su sitio web, y da consejos para diferenciarse como consultor: presencia en redes, escuchar al cliente ("dos oídos y una boca"). También comenta el juego de mesa Twilight Imperium 4 como práctica de negociación.
• 15:04
  Qué es Niuro?Presenta Team Hunter: reclutamiento de equipos (no de personas) con IA, chatbots que levantan el Statement of Work de la empresa y el perfil del profesional, y un algoritmo de matching. El foco es talento latinoamericano técnico para empresas de EE. UU. con trabajo remoto y mejores salarios; el inglés es requisito (B2 basta si se puede entender y hablar en reuniones). Niuro contrata al talento, factura a la empresa estadounidense y paga en pesos al tipo de cambio de fin de mes. Es una consultora de contratación a plazo, no una plataforma freelance, y acepta perfiles junior. Usan ChatGPT como modelo, tras probar también Claude y Mistral, y firman NDA antes de compartir información.
• 37:16
  Cómo inscribirse para postular a trabajos de USA desde LatAm?Los interesados pueden registrarse como talento mediante un formulario de Google enlazado desde el sitio de Niuro, ya que la plataforma en línea con currículum aún no está disponible. La meta es tener una versión en línea en aproximadamente un mes.
• 40:05
  Dudas del públicoResponde sobre inducción y capacitación (comunicación, herramientas como Loom), captación de empresas, pretensiones de renta según estudios y experiencia, candidatos sin título, reasignación si termina un contrato y perfiles de transición hacia ciencia de datos. El enfoque es contratar talentos con sus habilidades y no cargos fijos.
• 50:45
  MemesRevisan memes sobre procesos gaussianos. Gonzalo explica brevemente que pasan de un número a una distribución normal, luego a una normal multivariada y al infinito, y que los procesos gaussianos permiten estimar rangos de error. Comenta los Sparse GP, que reducen el costo de invertir matrices (cercano a N³).
• 55:55
  Motivación para usar Procesos GaussianosPlantea el problema de regresión: como no se puede predecir con exactitud, se usan intervalos de confianza y distribuciones, y se pueden muestrear funciones posibles. Aclara qué es samplear y discute si el muestreo del modelo es "empírico". Menciona que escribe un libro en español sobre procesos estocásticos gaussianos.
• 01:00:33
  Distribución normal multivariadaPresenta la densidad de la normal multivariada y su propiedad de que cualquier subconjunto de dimensiones también es normal. Explica la cola de decaimiento rápido, la regla empírica 68-95-99,7 y la simetría, y que la normal es invariante bajo transformaciones lineales y cerrada bajo suma de normales independientes.
• 01:06:27
  Teorema del Límite CentralEnuncia el teorema para variables independientes e idénticamente distribuidas (i.i.d.). Explica la independencia con el ejemplo de monedas frente a peso y altura, y concluye que el promedio tiende a una normal.
• 01:07:25
  Distribución Gaussiana como punto fijo de la Transformada de FourierExplica la transformada de Fourier con el ejemplo del filtrado de ruido en una canción, y que la gaussiana es su punto fijo. Relaciona los puntos fijos con la optimización en machine learning y menciona que la gaussiana es solución de la ecuación del calor.
• 01:10:59
  Procesos Gaussianos como versión en dimensión infinita de una distribución normal multivariadaDefine el proceso gaussiano como un proceso estocástico en que cualquier colección finita de puntos sigue una distribución normal multivariada. Anuncia que lo construirá desde lo más simple.
• 01:12:16
  Modelo LinealPlantea el modelo lineal con parámetros W e interpolación exacta de los datos, donde estimar parámetros equivale a invertir una matriz (caso de rango completo).
• 01:15:50
  Modelo Lineal con ruidoAgrega ruido normal, estima los parámetros por máxima verosimilitud, aplicando logaritmo y minimizando el negativo. Obtiene los mismos parámetros que mínimos cuadrados (la pseudoinversa de Moore-Penrose) y la varianza como error cuadrático medio. Mínimos cuadrados.
• 01:18:50
  Modelo Lineal BayesianoIntroduce la idea de ser bayesiano con la intuición de partir de una creencia y actualizarla con la experiencia. Plantea el paso de estimar parámetros a darles una distribución.
• 01:20:37
  Cómo recordar el teorema de Bayes y qué es?Enuncia P(A|E) = P(E|A)·P(A)/P(E), con ejemplos de la moneda que se supone equilibrada y los datos que la contradicen. Distingue la creencia a priori, la verosimilitud y la constante de normalización, difícil de calcular.
• 01:24:18
  Agregamos información a priori al Modelo Lineal BayesianoPone una distribución a priori normal con correlación (ejemplo peso y altura), de modo que el posterior también es normal. La información a priori aparece como un término nuevo en la matriz a invertir y, si es cero, se recupera la fórmula anterior.
• 01:26:48
  Modelo No Lineal BayesianoAplica una transformación no lineal de características (feature space), por ejemplo polinomios, senos, cosenos o exponenciales, para pasar del modelo lineal al no lineal.
• 01:27:52
  Modelo No Lineal no Paramétrico BayesianoCon la fórmula de Woodbury (que el ASR transcribe como "Buy chelman and Morrison"), el modelo se reescribe en función de una matriz K construida con φ y Σ.
• 01:28:42
  Modelos de Kernel BayesianoRedefine todo en términos de una función kernel K, en lugar de φ y Σ. El kernel es una función del espacio de entrada × entrada que devuelve un valor.
• 01:29:35
  Procesos Gaussianos definidos a partir de sus kernelsMuestra que el kernel determina la forma de las funciones muestreadas (exponencial, rational quadratic, spectral mixture) sobre los mismos puntos, con un caso con datos reales. Contiene la información a priori y se puede componer sumando y multiplicando. Advierte que si la distribución no es normal ya no vale el intervalo ± desviación estándar.
• 01:31:53
  CierreGonzalo anima a no asustarse con los procesos gaussianos, que parten de una regresión lineal con ruido e información a priori, y recomienda estudiar los kernels. Promete compartir su presentación (examen de grado del doctorado) en el Discord, comparte su sitio grios.cl y cierra con su fe en el enfoque bayesiano y el recordatorio de registrarse en Niuro.

Palabras clave