Mi primera prueba formal para un cargo de MLE – conociendo Workera

Desde que estaba en la universidad cursando asignaturas de ingeniería en mecatrónica y en telecomunicaciones, me encontré con temas relacionados con la inteligencia artificial y el machine learning que me interesaron. Me hubiera gustado sobremanera ahondar en ellos, pero el ajetreo de la vida universitaria, las entregas y las notas lo hicieron imposible.

El tiempo fue pasando, terminé los pregrados, y comencé una maestría en matemáticas aplicadas. Algo dentro de mi cabeza me decía que esta área tenía relación con los temas que años atrás me habían atraído, y afortunadamente tuve razón. No puedo decir que sea el camino más corto, pues las matemáticas aplicadas son mucho más amplias que el ML o la IA, pero me dieron bases y me acercaron nuevamente a la academia. Si alguien está interesado en el camino corto, lo mejor es hacer una maestría o una especialización directamente en esas áreas.

Cuando comencé la maestría también tenía una idea vaga de que en un futuro me gustaría hacer un doctorado y trabajar en la industria, ambos en temas relacionados con el ML y la IA. A finales de 2019 y principios de 2020 comencé a ver esto como una posibilidad real, no solo como un sueño o un objetivo académico. Tuve un par de entrevistas informales (correos, mensajes por LinkedIn, llamadas por whatsapp) pero en ninguna me sentí cómodo ni con la seguridad suficiente. Ya había tenido entrevistas para otras actividades (sobre todo de docencia) en las que sí me había sentido seguro, aunque lastimosamente en ninguna había resultado elegido.

El tiempo pasó, terminé la maestría (al menos las asignaturas), conseguí dictar clases en una universidad como profesor de cátedra, y a finales de 2020, luego de estudiar, leer y empaparme más del mundo del ML por mi cuenta, encontré una oportunidad para trabajar en esta área en una publicación que vi en Faceboook.

Me sentía algo inseguro, aún no me sentía preparado para asumir dicha responsabilidad, pero me dije que no perdía nada con intentarlo. Me dio confianza que la publicación diferenciaba entre ingenieros Junior, Medio y Senior, y me identifiqué inmediatamente con el perfil Junior.

• Ingeniero ML Junior: profesional en ingeniería, manejo de herramientas para procesamiento de datos y generación de modelos. Con 2 años o menos de experiencia y estudios afines al ML (especializaciones).
• Ingeniero ML Medio: profesional en ingeniería especializado en ML, con enfoque en generación y validación de modelos basados en datos usando una o varias plataformas informáticas. 2 o más años de experiencia y resultados satisfactorios en proyectos de ML. Cuenta con especializaciones avanzadas en los temas (Maestría).
• Experto ML Senior: profesional con amplio conocimiento en la creación, aplicación y mejora de modelos de ML para servicios web y desktop. Amplio manejo de varias plataformas de prototipado e instalación de modelos ML. Más de 5 años de experiencia en manejo e implementación de soluciones basadas en datos, con especializaciones avanzadas en los temas (Doctorado)

Envié mi hoja de vida, me confirmaron su recepción, y luego: silencio. Las semanas pasaron (como dos o tres) y ya casi me había olvidado de la oportunidad hasta que a principios de enero de 2021 recibí una llamada. Me pidieron que eligiera un día y hora para la prueba técnica, y que me la iban a enviar al correo.

Me emocioné un poco, sin hacerme ilusiones tampoco, pero decidí que en los días restantes para la prueba (como 2 o 3) iba a intensificar un poco más mi estudio: no me iba a volver experto en pocas horas, pero al menos iba a mantener frescos algunos conceptos. Así que me puse en la tarea de buscar recursos en internet, artículos tipo 10 preguntas que te hacen en tu prueba de ML o cosas similares, y luego de unos minutos di con un sitio web muy interesante, Workera. Resulta que es un sitio web que intenta diagnosticar tu nivel de conocimiento en ML y áreas relacionadas, y te indica cuándo estás preparado para postularte a un trabajo, dependiendo de lo que pide la industria. Además, luego de hacer el examen/es (porque hay varios de acuerdo al perfil que te interesa), te indica cuáles son tus puntos fuertes, tus puntos débiles y te sugiere artículos, videos o cursos para reforzar lo que no sabes.

Me pareció muy interesante también el hecho de que explica qué hace cada perfil (ML, SE, Deep Learning Engineer y muchos más), cómo se diferencian entre sí, cómo pueden ser las entrevistas para cada uno y las pruebas técnicas.

En estos momentos estoy siguiendo el plan de estudio que me sugieren, pero he tenido problemas con el ingreso a la plataforma, y he visto que no soy el único (entré a su espacio de Slack y encontré casos similares, espero que se resuelva pronto porque me interesa alcanzar las insignias de competencia para poder postularme a trabajos).

Bueno, cuando llegó el día de la prueba, recibí un correo con un PDF, muy claro y organizado, que tenía 3 secciones: dos eran «teóricas» (eran sobre metodologías de trabajo en equipo, autoaprendizaje y buenas prácticas) y una era práctica (programación en Python). Me gustó bastante que le dieran importancia a las habilidades blandas, porque me considero muy bueno en ello. Y en cuanto a la prueba práctica, era prácticamente igual a los trabajos finales que he colocado a mis estudiantes de Análisis de datos y de Big Data Marketing: les doy una base de datos y les pido un análisis exploratorio (gráficas, análisis estadísticos, relaciones entre variables, y cosas similares). Realmente me sentí bastante satisfecho con mi desempeño en la prueba, aunque con más tiempo quizá hubiera podido profundizar más en mis resultados (fueron 4 hora para las 3 preguntas, y gasté alrededor de hora y media en las teóricas, 2 horas en la práctica y media hora en asuntos logísticos como colocar los nombres correctos a los archivos y carpetas -había instrucciones par ello-, redactar el correo, buscar cosas que no sabía y actividades similares)

Envié el correo con los archivos adjuntos faltando 10 minutos para la hora límite, y ahora espero la respuesta para ver si continuo en el proceso. Sea cual sea el resultado, ya he aprendido en el camino.