Cómo aprender inteligencia artificial: guía completa
Qué estudiar, en qué orden y cuánto tiempo lleva. Una guía sobre el método, no sobre la lista de materiales: eso está en el resto del sitio.
Casi todas las guías para aprender IA son listas de cursos. El problema es que la lista no es el cuello de botella: el material bueno está disponible y es mayoritariamente gratuito. Lo que hace abandonar a la mayoría no es la falta de recursos, es la falta de un orden y de un criterio para decidir qué ignorar. De eso trata esta guía.
1. Decidí primero qué querés poder hacer
"Aprender IA" describe cuatro objetivos muy distintos, y confundirlos es la causa número uno de frustración. Antes de elegir un curso, elegí cuál de estos es el tuyo:
- Usar herramientas de IA bien. No requiere programar. Requiere entender qué hace un modelo, por qué alucina y cómo escribir buenas instrucciones. Semanas, no meses.
- Construir productos con modelos existentes. Requiere programar. Es ingeniería de software alrededor de una API, más evaluaciones. Uno a tres meses si ya programás.
- Entender cómo funcionan los modelos por dentro. Requiere matemática y bastante código propio. Tres a doce meses.
- Investigar y producir conocimiento nuevo. Requiere lo anterior más tolerancia a que la mayoría de lo que intentes no funcione. Uno a dos años.
Las cuatro rutas de aprendizaje de este sitio corresponden exactamente a esos objetivos, con el material concreto de cada una.
2. El orden que funciona
Hay un patrón que se repite en la gente que efectivamente aprendió: intuición, después práctica, después formalismo. En ese orden y no en otro.
Empezar por el formalismo —un curso completo de álgebra lineal antes de tocar código— es la forma más confiable de abandonar en la semana cinco, porque no hay ninguna recompensa intermedia. Empezar por la intuición visual y entrenar algo chico enseguida genera preguntas concretas, y esas preguntas hacen que el formalismo se vuelva interesante en vez de una obligación abstracta.
La regla práctica más citada, y la más útil: por cada hora de consumo, una hora escribiendo código que rompe, se debuguea y funciona. Mirar videos y leer papers da una sensación de progreso que no siempre se corresponde con aprendizaje. Si nunca peleaste contra un error de dimensiones a las dos de la mañana, todavía no aprendiste el tema.
3. Qué matemática hace falta (y cuál no)
Menos de la que se teme, más que cero. Cuatro áreas, y ninguna a nivel licenciatura: álgebra lineal para entender tensores y dimensiones, cálculo hasta la regla de la cadena —que literalmente es backpropagation—, probabilidad porque un modelo generativo es una distribución, y optimización, que en la práctica es descenso por gradiente y sus variantes.
Lo que no hace falta: análisis real, topología, álgebra abstracta. Aparecen en papers específicos y se aprenden cuando ese paper aparece. La sección de matemática para IA tiene el material ordenado por nivel.
4. Cuánto tiempo lleva, en serio
Con unas diez horas semanales sostenidas —que es mucho menos de lo que suena y mucho más difícil de lo que parece—, los plazos realistas son: tres a seis meses para entender los fundamentos y entrenar modelos propios, cerca de un año para leer papers con comodidad, uno a dos años para contribuir con investigación.
La variable que más pesa no es la inteligencia ni la formación previa: es la constancia. Cuatro horas por semana durante un año rinden muchísimo más que veinte horas durante un mes y después nada.
5. ¿En español o en inglés?
En español al principio, para construir intuición y vocabulario más rápido; en inglés en cuanto necesites material actualizado. Forzarse al inglés desde el día uno agrega una dificultad que no aporta nada mientras todavía estás entendiendo los conceptos.
Dicho eso, en algún momento vas a leer papers en inglés y no hay atajo. La buena noticia es que el inglés técnico de los papers es limitado, repetitivo y mucho más accesible que el inglés conversacional: se destraba en semanas. La sección de recursos en español reúne lo mejor que hay en castellano.
6. Los cinco errores que hacen abandonar
- Estudiar por todos lados a la vez. Un curso de matemática, un tutorial de PyTorch, un video sobre transformers y tres newsletters la misma semana. Elegí una ruta, seguila en orden, dispersate después.
- Consumir sin producir. Cincuenta horas de video sin una línea de código propio es cero aprendizaje consolidado, aunque se sienta distinto.
- Esperar a estar listo. Nadie se siente listo. Se empieza el proyecto sabiendo la mitad y se aprende la otra mitad haciéndolo.
- Perseguir lo último. El modelo que salió esta semana no cambia lo que tenés que estudiar. Los fundamentos de 2017 siguen siendo los fundamentos.
- Saltar la evaluación. Sin una forma de medir si algo mejoró, no hay ingeniería posible: hay intuición disfrazada de criterio. Vale tanto para tus modelos como para tu propio progreso.
7. Cómo practicar: proyectos por nivel
Ningún tema se consolida sin un proyecto. No hace falta que sea original ni impresionante: hace falta que sea tuyo y que llegue hasta el final. Estos son los que mejor funcionan en cada etapa, en orden de dificultad:
- Clasificar algo que te importe con datos que junciste vos. Un dataset propio, por chico y sucio que sea, enseña más sobre datos que diez competencias de Kaggle.
- Reimplementar micrograd sin mirar el código, después de haberlo visto. Es media tarde y es el momento exacto en que backpropagation deja de ser una palabra.
- Un buscador sobre tus propios documentos con recuperación de contexto: indexar, buscar, armar el prompt, medir si responde bien. Es el proyecto que más se parece a lo que se paga en el mercado.
- Entrenar un modelo de lenguaje chico con nanoGPT sobre un corpus que elijas. Cuesta decenas de dólares en GPUs alquiladas y cambia para siempre cómo mirás a los grandes.
- Reproducir un paper corto de punta a punta. Es el filtro real entre leer investigación y hacer investigación, y vas a descubrir cuánto de un paper no está escrito en el paper.
8. ¿Sirve para conseguir trabajo?
Sí, pero conviene ser preciso sobre en qué. Los puestos de investigación en laboratorios frontera son poquísimos y muy competitivos. Los puestos que sí están creciendo y se cubren con dificultad son otros: ingeniería alrededor de modelos —recuperación de contexto, agentes, evaluaciones— e ingeniería de inferencia, que es donde se define el costo real de un producto y donde falta gente en serio.
Para el mercado hispanohablante hay además una particularidad concreta: cada vez más productos necesitan funcionar bien en español, y la mayoría de las evaluaciones públicas están hechas en inglés. Saber construir y medir sistemas en castellano es una especialización real y poco cubierta.
Lo que efectivamente se mira en una entrevista, en este campo más que en otros, es el portafolio: proyectos propios, código público, algo que hayas escrito explicando lo que entendiste. Pesa más que el título, y bastante más que los certificados de cursos.
9. Cuatro mitos que conviene desarmar
- "Necesito un doctorado." Para investigación académica ayuda mucho. Para construir productos con modelos, casi nadie lo tiene. Y en interpretabilidad y alineamiento varias personas llegaron a posiciones de investigación por lo que publicaron en abierto.
- "Llegué tarde." Buena parte de lo que hoy define el estado del arte —modelos de razonamiento, agentes, interpretabilidad aplicada— tiene menos de tres años. Nadie tiene diez años de experiencia en algo que existe hace dos.
- "Necesito una GPU cara." No para aprender. Colab y Kaggle dan GPUs gratis que alcanzan para todo el recorrido, y alquilar por hora sale más barato que comprar si el uso es intermitente.
- "Primero la teoría completa, después la práctica." Es el camino más confiable al abandono. La secuencia que funciona es intuición, práctica y recién después formalismo, buscando cada pieza cuando la necesitás.
10. Cómo saber si estás avanzando
Tres señales concretas, en orden de aparición: podés explicarle a alguien qué hace backpropagation sin leer nada; podés tomar un modelo de Hugging Face y adaptarlo a un problema tuyo sin seguir un tutorial; podés leer el resumen de un paper y anticipar cuál va a ser el resultado antes de llegar a la sección de experimentos.
Si ninguna de las tres se cumple todavía, no significa que vayas mal: significa que estás en el camino. Todas llegan con horas de código, no con horas de video.