error critico

Los 3 errores más grandes que se deben evitar al contratar ingenieros de inteligencia artificial y aprendizaje automático

La demanda de contratación de expertos en inteligencia artificial, aprendizaje automático y aprendizaje profundo es alta y seguirá aumentando en los próximos años. Aquí le mostramos cómo asegurarse de obtener lo mejor de lo mejor.

Si es una startup tecnológica en el espacio de la IA, necesitará contratar un equipo de expertos técnicos para desarrollar su producto. Para muchos, esto incluirá obtener inteligencia artificial de primer nivel, aprendizaje automático e ingenieros de aprendizaje profundo. La demanda de estos expertos técnicos está creciendo rápidamente. Estados Unidos citó una tasa de crecimiento del 344 % para los ingenieros de aprendizaje automático en 2019. En general, se prevé que los empleos en informática y tecnología de la información crezcan un 22 % en los próximos diez años, muy por encima del promedio nacional.

A pesar de este crecimiento exponencial en el campo, contratar talento tecnológico no es sencillo. Hemos visto que las empresas emergentes cometen numerosos errores de contratación una y otra vez, lo que lleva a proyectos estancados, crecimiento lento y disminución de las ganancias. Estos son los tres errores más grandes que vemos que cometen las empresas emergentes al contratar ingenieros de inteligencia artificial, aprendizaje automático y aprendizaje profundo  , y cómo evitarlos.

Los 3 errores más grandes que cometen las startups al contratar ingenieros de inteligencia artificial, aprendizaje automático y aprendizaje profundo

  1. No buscar talento a nivel mundial.
  2. Contratación basada únicamente en las credenciales.
  3. No probar habilidades de programación.

Leer más: InInteligencia artificial versus aprendizaje automático versus aprendizaje profundo: ¿cuál es la diferencia?

1. No buscar talento a nivel mundial

A pesar de la gran demanda, actualmente hay escasez de talento para ingenieros con experiencia en aprendizaje automático. En los Estados Unidos, especialmente en puntos de alta tecnología como el Área de la Bahía de California, las grandes empresas tecnológicas como Google y Microsoft tienden a contratar a la mayoría del talento local disponible, lo que dificulta que las nuevas empresas más pequeñas contraten de manera tan competitiva.

Para competir, las startups necesitan cambiar su perspectiva: ¿Qué pasaría si pensáramos globalmente, en lugar de localmente, sobre el reclutamiento?

El entorno de trabajo remoto de hoy hace que el talento de origen global esté listo para ser considerado. Covid-19 cambió a muchos empleados de empresas de tecnología a tareas permanentes de trabajo desde casa. El trabajo remoto no solo es más productivo , sino que al permitirlo abre su empresa a un nivel superior de talento global al que de otra manera no podría acceder.

Además, en algunos lugares del mundo, es posible que los ingenieros de aprendizaje profundo no tengan las oportunidades laborales accesibles en los Estados Unidos, a pesar de sus habilidades técnicas avanzadas. Estos prospectos pueden empezar a trabajar en una startup con un ángulo interesante o un problema que resolver, aportando un valor sustancial a su equipo. 

2. Contratación basada únicamente en las credenciales

Hoy en día, muchas empresas filtran automáticamente a los solicitantes de empleo antes de contratar personal, incluso antes de mirar un currículum. Los solicitantes son rechazados en función de los requisitos de educación superior, el nombre de la universidad, los años de experiencia y más. Debido a esto, no es de extrañar que el 50 por ciento de los solicitantes mientan en sus currículos.

Y, en los campos de AI y ML, un Ph.D. de Stanford no siempre es el mejor predictor del rendimiento futuro. De hecho, a menudo no lo es.

¿Por qué no? Los estudiantes de doctorado están capacitados para investigar un problema, publicar sus hallazgos y repetir. Hay muy poca aplicación técnica a los problemas del mundo real. En el mundo de las startups, en realidad no necesitas que tus empleados realicen la mayor parte de la investigación internamente. En cambio, necesita a alguien que pueda leer artículos académicos, comprender los conceptos, obtener información relevante y aplicarlos al proyecto en el que está trabajando. Si contrata a un candidato sin habilidades técnicas aplicadas, puede arrepentirse rápidamente de su decisión.

Considere también:

  • Preferencia por el trabajo en equipo versus en solitario . La creación de un producto es un proceso mucho más colaborativo de lo que la mayoría pensaría. Asegúrese de que sus candidatos potenciales trabajen bien con un enfoque de equipo. 

  • Apetito por el aprendizaje continuo . Necesitará a alguien que se mantenga al tanto de las últimas tendencias e investigaciones, que están en constante evolución. Un candidato establecido en sus formas o en su zona de confort, que no está abierto a adoptar nuevos enfoques, no será alguien que desee en su equipo. 

Lea más: ¿Quieres una carrera en aprendizaje automático? Esto es lo que necesita saber.

3. No probar las habilidades de programación

Ha ampliado su selección de personal a nivel mundial y está investigando candidatos para obtener experiencia en habilidades aplicadas. ¿Que sigue? Poniendo a prueba esas habilidades.

Si bien la mayoría de los ingenieros de IA, ML y aprendizaje profundo deben tener el conocimiento teórico que necesita, no todos son buenos programadores también. Si va a enviar un producto competitivo al mercado y lo enviará rápidamente, necesita ingenieros que también puedan programar bien.

No contrataría a un nuevo redactor sin probar sus habilidades de escritura, ¿verdad? Esta misma escuela de pensamiento también debería ser estándar para los solicitantes de ingeniería de ML. A menudo, las empresas emergentes que entrevistan talento de ML, aprendizaje profundo o IA centran la entrevista en conceptos teóricos y nunca prueban las habilidades de codificación reales de los candidatos.

Las pruebas no tienen que ser complejas. Por ejemplo, puede asignar a un candidato un trabajo de investigación simple y pedirle que construya la red neuronal descrita utilizando una plataforma de aprendizaje automático de código abierto como PyTorch o TensorFlow. Esta es una excelente manera de (A) ver qué tan rápido pueden trabajar y (B) ver cómo pueden aplicar conceptos de investigación en un escenario del mundo real.

Mejores contrataciones, mejores productos

La conclusión es que si invierte tiempo y pensamiento de calidad en el proceso de reclutamiento, terminará con un producto más competitivo y comercializable. Esto asegurará que construya un equipo técnico sólido que pueda comprender la investigación de vanguardia y aplicar nuevos conceptos, lo que lo ayudará a construir una base para el éxito a largo plazo en el competitivo mercado de empresas emergentes.