Terminaste el curso de Andrew Ng: adónde ir para no quedarte como junior eterno

Has cerrado la última semana del curso de Andrew Ng en Coursera, has conseguido el ansiado certificado digital y ahora te sientes el amo de los pesos y los sesgos. Es una sensación agradable, pero seamos honestos: en el mundo real, saber la fórmula de la regresión logística te reporta, como mucho, un cortés asentimiento. Andrew te dio unos cimientos magníficos, pero la industria exige un rascacielos, y a ser posible uno que no se derrumbe bajo carga el primer día. El problema es que la mayoría de los novatos se detiene justo aquí, atrapada en el «infierno de los tutoriales», donde un curso teórico sucede a otro y nunca se llega al código real en producción.

¿Por qué es crítico ahora mismo? El mercado está saturado de gente que conoce la teoría pero se bloquea ante un dataset «sucio» de la vida real, con un 40% de valores ausentes y sin un etiquetado coherente. Antes bastaba con importar la biblioteca Scikit-learn y ejecutar un par de líneas de código para considerarse especialista.

Hoy, en la era del dominio de los grandes modelos de lenguaje y de arquitecturas complejísimas, el listón está por las nubes. Si no entiendes cómo funciona por dentro el mecanismo de atención de los transformers, o por qué tu modelo empieza a «alucinar» ante el más mínimo cambio en los datos de entrada, corres el riesgo de quedarte fuera de una industria que cambia cada dos semanas.

Lo primero es admitir que la ingeniería de ML moderna es en un 80% trabajo con datos e infraestructura y solo en un 20% elección de la arquitectura del modelo. Tras el curso básico, el paso lógico es la Deep Learning Specialization del propio Ng. Es la base necesaria para quien quiera entender cómo se construyen las redes neuronales actuales.

Pero ni se te ocurra quedarte ahí. La verdadera magia empieza donde terminan los ejemplos didácticos limpios. Es vital dominar MLOps, la disciplina que enseña a hacer que un modelo funcione en la nube, se actualice sin intervención humana y no devore todo el presupuesto de servidores de la empresa.

Sin entender Docker, Kubernetes y los sistemas de versionado de datos, eres solo un matemático en el vacío, cuyo trabajo nunca llegará al usuario final.

Después llega la etapa de especialización. Intentar abarcarlo todo en 2024 no solo es difícil, sino absurdo. O te metes en LLM y dominas RAG (Retrieval-Augmented Generation), el ajuste fino de modelos y los métodos de cuantización, o te sumerges en la visión por computador para robótica o tecnología médica.

Las empresas ya no buscan «simples especialistas en ML»; quieren gente que entienda las particularidades de un ámbito concreto y sepa adaptar algoritmos generales a problemas de negocio. Tampoco hay que olvidar lo clásico: el álgebra lineal y la estadística no son solo aburridas clases universitarias, sino las herramientas que te ayudarán a entender por qué el gradiente de tu red «explotó» en la décima época de entrenamiento y cómo arreglarlo sin probar todos los parámetros al azar.

¿Qué significa todo esto para tu carrera a largo plazo? Hace falta pasar del consumo pasivo de contenido a la creación activa. La mejor forma de demostrar hoy tu aptitud profesional no es una colección de certificados, sino un proyecto vivo en GitHub que resuelva un problema real, aunque sea pequeño. Escribe tu propio parser, reúne un dataset único, entrena un modelo y, sobre todo, créale una interfaz o una API que funcione. Cuando descubras que tu modelo perfectamente entrenado pesa cinco gigabytes y se niega rotundamente a funcionar en un servidor estándar, entonces empezará tu verdadero aprendizaje. La industria necesita a quienes saben llevar las cosas hasta el final, no a quienes solo escucharon clases.

Lo esencial: el certificado es solo una entrada a la cola de entrevistas, no una garantía de oferta. Deja de coleccionar cursos y empieza a construir algo que puedas ejecutar y romper.