La inteligencia artificial (IA) se está convirtiendo en una habilidad imprescindible tanto para empleadores como para financiadores de proyectos científicos. Datos recopilados por el portal de empleo Indeed muestran que, en Estados Unidos, las ofertas de trabajo en ciencia que mencionan la IA como habilidad requerida están aumentando considerablemente, mientras que el número total de empleos científicos ha disminuido (ver ‘IA en demanda’). Un ejemplo es el Instituto Quadram en Norwich, Reino Unido, especializado en ciencia de los alimentos y biología intestinal. A pesar de su enfoque central, los investigadores deben demostrar cierto conocimiento de aprendizaje automático e IA, según su director ejecutivo, Daniel Figeys. “Definitivamente deberían estar familiarizados con ello”, dice, añadiendo que gran parte del trabajo en el campo de Quadram implica aprendizaje automático y cribado de alto rendimiento, cuyos datos se analizan a menudo con herramientas de IA. “Si carecieran de todas esas habilidades, dependiendo del puesto, sería una señal de alerta”. Sin embargo, en lugar de preocuparse por que los sistemas de IA ocupen puestos de trabajo en ciencia, los investigadores pueden adelantarse utilizando e interpretando herramientas de IA para ampliar su comprensión. Y no necesitan saberlo todo. La informática Regina Barzilay dirige un curso especializado en el Instituto Tecnológico de Massachusetts (MIT) en Cambridge para enseñar habilidades de IA a científicos. Lo compara con cocinar: “No necesitas aprender todas las recetas del mundo para sentirte cómodo en la cocina… pero necesitas tener una comprensión muy básica”, dice, al igual que “no necesitas ser informático para usar una computadora”. Nature habló con nueve reclutadores e investigadores para preguntarles cuáles serán las habilidades más importantes para los científicos de todo tipo en la era de la IA.
Qué buscan los empleadores
Los reclutadores dijeron repetidamente a Nature que, más que habilidades técnicas específicas, buscan candidatos con curiosidad por aprender más sobre IA y que puedan demostrarlo en su currículum. “Es la voluntad de arremangarse y meterse en ello, ya sea con formación informal o dedicando horas a contenido educativo de código abierto”, explica Vijay Shah, decano de investigación de la Clínica Mayo en Rochester, Minnesota, que tenía casi 30 puestos de investigación abiertos en mayo. Esto es más importante que las habilidades específicas, dice, porque el campo avanza muy rápido. Si estableces una prueba de fuego que requiera que las personas sepan usar herramientas de IA como OpenClaw o AlphaGenome, por ejemplo, pronto quedará obsoleta, añade. Esta opinión es compartida por Christopher Walsh, director ejecutivo de TileBio, una startup en Glasgow, Reino Unido, que utiliza IA para analizar imágenes médicas. “En realidad es muy fácil aprender información nueva usando grandes modelos de lenguaje hoy en día, siempre que verifiques las fuentes. Así que recomendaría tener la curiosidad para hacerlo”, dice Walsh. “Sé abierto a aprender cosas nuevas, creo que ese es el primer paso”.
Cómo construir tu conocimiento en IA: lo que debes y no debes hacer
- Sí: Experimenta con tecnologías de IA en tu jornada laboral.
- Sí: Realiza un curso de IA y aprendizaje automático.
- Sí: Pide a la IA que escriba código para un proyecto, luego desarma el código y aprende cómo funciona.
- No: Propongas un proyecto que use herramientas de IA sin poder demostrar que tienes las habilidades para respaldarlo.
- No: Creas todo lo que obtengas de un chatbot.
- No: Intentes aprender todo de una vez.
La importancia de la formación continua
Muchas instituciones ofrecen formación en IA junto con su plan de estudios de ciencias, y también hay cursos en línea disponibles, ofrecidos por instituciones como el MIT y la Real Sociedad de Química en Londres. “Hay otras formas de acceder a ese tipo de formación” en lugar de depender de tu institución, dice Figeys. Un error común al usar herramientas de IA es confiar demasiado en los resultados que generan sin examinar los datos críticamente. “A menudo te da resultados que cree que quieres ver, basándose en algo que has dicho”, dice Walsh. “Es un complaciente”. Algo que necesita una verificación cuidadosa, según Barzilay, es cualquier porcentaje de probabilidad que dé la IA, porque podría no coincidir con la realidad observada. Por ejemplo, si un modelo de IA dice que hay un 80% de probabilidad de que una imagen de radiología muestre células cancerosas, “lo que necesitas hacer es decir: ‘¿puedo confiar en este 80%?'”.
Verificación de resultados: un caso real
Esto significa reconocer si la estimación de probabilidad ha sido calibrada con datos de prueba actuales para asegurar que sus estimaciones coincidan con las distribuciones reales. Por ejemplo, los modelos de detección de cáncer a menudo se comparan con casos históricos, por lo que cuando se usan para analizar nuevas poblaciones, los umbrales de riesgo en los que se basan podrían ya no coincidir con la realidad. En un trabajo no publicado, el especialista en IA Aziz Ayed y sus colegas del MIT encontraron que el modelo de IA MIRAI clasificaba erróneamente el riesgo de cáncer de mama en mujeres, poniendo potencialmente en peligro vidas al no señalar a algunas mujeres como elegibles para un cribado avanzado. La ingeniera Sydney Pham completó el curso de aprendizaje automático dirigido por Barzilay en 2024. Ahora trabaja en la empresa farmacéutica Moderna en Cambridge, Massachusetts, y utiliza IA para mejorar los procesos de fabricación determinando los parámetros más prometedores de un experimento e identificando áreas para una mayor investigación. “A veces los modelos pueden dar sentido a observaciones inesperadas, lo que puede guiar iteraciones posteriores de estudios”, dice Pham, pero advierte que siempre corrobora las recomendaciones de IA por otros medios. “Es útil entender cómo generan sus resultados los modelos”.
La IA en las propuestas de investigación
En la era de la IA, parece que la mayoría de las propuestas de investigación están llenas de ideas sobre cómo se puede utilizar la tecnología. Sin embargo, los redactores de propuestas a menudo no demuestran que su equipo tiene la experiencia para implementar sus ideas, dicen los gerentes de contratación. Escribir ‘usaremos IA para lograr nuestros objetivos’ no es especialmente creíble sin detalles y experiencia que lo respalden. La IA aparece en muchas de las propuestas que recibe el financiador de investigación Cancer Research UK (CRUK) en Londres, dice Talisia Quallo, jefa de investigación de prevención y detección temprana de la organización. Ella dice que los comités de financiación necesitan ver “que entiendes estos enfoques de IA y que detallas cómo los vas a usar, cómo funciona ese algoritmo y sus limitaciones”. Un ejemplo exitoso en CRUK es el grupo de investigación de Ke Yuan, llamado IA para la Investigación del Cáncer. Este equipo incluyó anteriormente a Walsh, quien hizo una licenciatura en informática antes de especializarse en cáncer para su doctorado. “Fui uno de los miembros que aportó conocimientos de informática”, dice Walsh. Todos tenían diferentes responsabilidades descritas en la subvención: su papel era “traducir ese conocimiento de patología y biología celular en código”. Quallo dice que la forma más sencilla y mejor de demostrar a los comités de evaluación que sabes usar técnicas de IA es tener publicaciones en el campo. Alternativamente, recomienda incluir en la propuesta de subvención a miembros del equipo del proyecto que tengan la experiencia relevante, aunque cada persona del equipo debería tener algún conocimiento de IA.
Consejos finales para destacar
Es realmente importante tener “un sentido de las capacidades del modelo, pero también desarrollar un sentido de lo que significa cuando se ejecuta en una máquina o cuando interactúa con conjuntos de datos”, dice Dominik Lukeš, consultor en el Centro de Competencia en IA de la Universidad de Oxford, Reino Unido. Debido a que algunas personas simplemente prueban un gran modelo de lenguaje y obtienen “respuestas un poco extrañas”, Lukeš cree que vale la pena invertir tiempo en tratar de entender cómo funciona la IA. “Hay personas que han pasado cientos de horas aprendiendo cómo aprovecharla, pensando en el proceso, repensando su proceso y de repente dirán que no pueden vivir sin ella y ‘oh, esto es un cambio de juego enorme'”.
Otros artículos relacionados:
