12.12.2019 |

Ingeniero en Machine Learning de Facebook visitó la UM

Los alumnos de la Facultad de Ingeniería participaron de una charla a cargo de Javier Rey

En el marco de la materia Ecosistema de Tecnología de la Información, dictada por los profesores Ing. Rafael Sotelo e Ing. Martín Machín, los estudiantes de la Facultad de Ingeniería de la UM recibieron la visita de Javier Rey, Machine Learning Engineer en el equipo de Ads Ranking en Facebook Londres.

Rey comenzó contando curiosidades e información general sobre el ambiente laboral dentro de las oficinas de Facebook. Luego, a partir de preguntas que le realizaron los alumnos, habló sobre aplicaciones de Machine Learning en la red social que, desde la clasificación de imágenes a la personalización de anuncios, usa miles de modelos para mejorar la experiencia de los usuarios. También explicó cómo se estructuran los proyectos y en qué consiste su trabajo.

¿Hace cuánto tiempo trabajás en Facebook? ¿Cómo lograste tu puesto como Machine Learning Engineer?

Trabajo en la empresa hace un año y cuatro meses. Apliqué a través de un amigo que está hace cinco años trabajando en Facebook. En enero 2018 me llamó un reclutador. Le comenté qué área me interesaba, cuáles eran mis objetivos y qué estaba haciendo en ese momento. Si les interesa tu perfil, luego tenés una entrevista técnica, de programación, a través de la computadora. Yo estaba acá en Uruguay y el entrevistador en Londres. Me fue re bien, estudié mucho durante tres semanas. Es importante tener una cabeza muy analítica. Después, me mandaron pasajes para ir a Londres y realizar las entrevistas on site. Fueron cinco entrevistas en un día, de 45 minutos cada una. También me preparé muchísimo. Luego de que quedé seleccionado, me dijeron la fecha de entrada y nos pagaron a mí y mi pareja los pasajes para ir a Londres, y algunos días de alojamiento.

¿Cómo son las pasantías?

En las pasantías te hacen trabajar a la par del resto. Sos evaluado igual que el resto y tenés los mismos beneficios. Todo el tiempo están contratando pasantes.

¿En qué consiste tu trabajo?

Soy Machine Learning Engineer y Ask ranking es el equipo en el que trabajo. Al día de hoy casi no programo. Tenemos que probar los modelos -puede incluir o no programación- y hacer experimentos. Entender qué está funcionando y qué no, y por qué. Por ejemplo, somos los responsables de que, cuando abrís el celular, te aparezca una publicidad, todo gracias al Machine Learning que encuentra a quién le interesa cada cosa con base en determinados modelos. A muchos usuarios no les gusta la publicidad, pero con los anuncios Facebook logró empoderar a empresas chicas, les dio la posibilidad de llegar a muchas personas que antes no podían. Antes necesitabas un gran presupuesto para pautar en radio o televisión, pero hoy con $100 podés hacer un anuncio en Facebook y llegarle a tu público objetivo.

Como hay tanta gente en la empresa, hay trabajos que son muy específicos. Por ejemplo, lo que yo hago impacta el 10%.

La cultura de la empresa es “hecho es mejor que perfecto”. O sea, es mejor terminar algo que esperar a que esté perfecto para hacerlo. En el proyecto que trabajo hoy tenemos una lista eterna de cosas que hicimos de manera no perfecta. Ahora estamos viendo cuáles son las más importantes para trabajarlas más.

¿Cómo es el ambiente laboral?

Facebook es un lugar para aprender, hay mucha gente muy capaz. Son 43 mil empleados en total. Hay gente de todo el mundo. Por ejemplo, en mi equipo hay gente de Rusia, Turquía, Inglaterra, China, Francia, Bélgica, India, Rumania y Argentina. Cuando entré esperaba esta cantidad de empleados porque antes trabajé en Mercado Libre, con tres mil ingenieros. De todas formas, ni ahí sos un número, es como si una empresa estuviera trabajando dentro de muchas empresas. Por ejemplo, con mi equipo de Ads Ranking trabajamos dentro de otro equipo. A veces se dan choques de intereses y hay que negociar, porque con tus decisiones podés perjudicar más a un equipo que a otro.

El personal va vestido con indumentaria informal, dependiendo de la oficina podés ver gente de pantuflas o descalza, de medias. Es que en Londres nada sobresale. El trabajo es de 9:00 a 17:00 h con una hora de almuerzo de lunes a viernes, pero podés irte al medio día, podés trabajar desde tu casa, nadie te va a decir nada. Si tenés que viajar, hablás con tu mánager, porque la licencia te la tomás, no la pedís, es cuestión de coordinarlo con tu equipo. Para comunicarnos, el mail se usa muy poco: usamos Workplace, una especie de Facebook para el trabajo, solo para los empleados. Cada vez que necesitamos algo posteamos en un grupo, como si fuera un foro. Por ejemplo, Mark Zuckerberg hace vivos todos los jueves por ahí.

Las oficinas más grandes están en Menlo Park al sur de San Francisco. La mitad del personal trabaja ahí, funciona como una ciudad. Hay quince datacenters. Hay Uber interno que se llama a través de una tablet para que te lleve de una oficina a otra. Hay bicicletas, dos gimnasios, como 40 restaurantes, muchos de cocina internacional. Todo gratis.

¿Quién administra la publicidad?

Las empresas administran su publicidad, segmentan sus anuncios por edad, país, género e intereses. Luego, Facebook trata de predecir cuál es la probabilidad de que este usuario haga lo que quiere este negocio, ya sea visitar la página o comprar. Y a esa probabilidad, con esos modelos con los que trabajo, que tratan de predecir lo que te interesa, le asignamos un precio. Dados todos los negocios que hacen publicidad y dados todos los precios que están dispuestos a pagar para que vos veas sus anuncios, se hace una subasta en tiempo real para definir cuánto se paga.

¿Cómo funcionan los modelos de Machine learning?

Es muy simple: tenemos un advertiser que dice cuánta plata está dispuesto a pagar por determinado evento, tenemos la probabilidad de ese evento, y después la cantidad de valor que le da o le quita el usuario. Entonces, con Machine Learning tratamos de predecir cuál va a ser el valor del usuario, por ejemplo, si quiere optimizar por clic.

¿Cómo ha cambiado Machine Learning en los últimos años?

Antes, cuando querías hacer algo lo programabas a mano, con un montón de limitaciones. ¿Se puede programar de otra forma que no sea a mano? ¿Un sistema puede aprender todas estas cosas? La respuesta es sí. Cambió mucho, en los últimos años, el tema de Deep Learning. Cambió en la posibilidad de escalar la capacidad de las cosas que podés aprender. Antes tenías algunos datos y tal vez podías acceder a la capacidad de cómputo en tu computadora, pero no podías hacer que aprendiera tantas cosas. Todo empezó con el tema de las imágenes. Para identificar si una imagen era una persona o un muñeco era muy difícil, pero con Deep Learning se encontró la manera de hacerlo funcionar. Hubo cambios significativos que hoy te permiten usar mejor los datos. Lo interesante es que son cosas recientes. Por ejemplo, entrenar robots es algo muy nuevo. En 2016 la inteligencia artificial AlphaGo logró ganarle al mejor jugador de la historia del Go. Y AlphaZero es de 2017. Todo esto está pasando ahora.