Bienvenido a la serie de entrevistas de HackerNoon Building with AI, donde aprendemos cómo los desarrolladores de todo el mundo están adoptando, modelando y experimentando con la IA en sus ecosistemas locales. Bienvenido a HackerNoon’s serie de entrevistas, donde aprendemos cómo los desarrolladores de todo el mundo están adoptando, modelando y experimentando con la IA en sus ecosistemas locales. Building with AI Hoy, estamos hablando con Val Garnaga, líder de la plataforma Suki ML y ingeniero de personal ML, que trabaja en la vanguardia de la IA en la Área de la Bahía y en el Valle del Silicon. Cuéntanos la historia detrás de tu viaje a la IA: ¿qué te atrajo primero, y qué inspiró al proyecto que estás construyendo actualmente? Responder con lo más detalle posible (al menos 3 - 5 frases) Responder con lo más detalle posible (al menos 3 - 5 frases) Mi viaje a la IA comenzó durante mi investigación de doctorado en 2000, donde desarrollé un modelo de predicción de red estadística y neural híbrido para predecir avalanchas de nieve. El trabajo combinó modelos estadísticos ARIMA con redes neuronales recurrentes que seleccionaron y optimizaron parámetros de forma autónoma. Esta investigación introdujo un nuevo método de formación de red neural parcialmente supervisada y codificación de parámetros categóricos, que puso las bases para mi interés a largo plazo en combinar la modelización estadística clásica con sistemas de IA adaptativos. Esta experiencia formó mi interés a largo plazo en combinar la modelización matemática con los sistemas de aprendizaje adaptativo. Hoy, dirijo la Plataforma de Aprendizaje de Máquinas en Suki AI, centrándome en sistemas de IA médicos a gran escala que aplican el aprendizaje profundo y la comprensión del lenguaje natural para ayudar a los médicos. En paralelo, he estado explorando las Redes Neurales Cuánticas (QNNs), donde se utilizan circuitos cuánticos para detectar patrones biomédicos sutiles. En uno de mis proyectos recientes, implementé un modelo híbrido cuántico-clásico para identificar la enfermedad de Parkinson de estadios tempranos a partir de datos de voz, logrando una precisión diagnóstica del 99%, superando a los modelos clásicos como Forests aleatorios y las redes neuronales ¿Cuáles son algunos de los mayores desafíos o limitaciones que ha enfrentado mientras construye con AI en su ecosistema local (y cómo está trabajando alrededor de ellos)? Responder con lo más detalle posible (al menos 3 - 5 frases) Responder con lo más detalle posible (al menos 3 - 5 frases) En la Área de la Bahía, los mayores desafíos incluyen equilibrar la escalabilidad, el coste y la precisión, al tiempo que se asegura que los sistemas de IA permanezcan seguros e interpretables. la IA de la salud agrega más complejidad, ya que los modelos deben mantener una estricta conformidad y fiabilidad bajo la variabilidad del mundo real. Para resolver estos desafíos, he diseñado tuberías modulares y tolerantes a fallos que monitorean automáticamente la calidad de los datos, retrayen los modelos según sea necesario y optimizan la ejecución.En la investigación paralela, estoy explorando arquitecturas híbridas inspiradas en cuánticos para dominios donde los platos de aprendizaje clásicos, aprovechando el poder expresivo y la robustez de las capas cuánticas para modelar datos biológicos y lingüísticos complejos. ¿Cómo describiría el ecosistema de IA en el que vive —en términos de talento, comunidad, educación o inversión? Dedicar al menos un párrafo a cada respuesta. Dedicar al menos un párrafo a cada respuesta. Desde mi perspectiva, lo que hace que la Área de la Bahía sea única es la rapidez con la que las ideas se mueven de los documentos de investigación a los prototipos y las startups. Las fundaciones educativas de Stanford y Berkeley alimentan un flujo constante de innovación, mientras que los programas comunitarios como las iniciativas de diseño de socios de IA de Google y las colaboraciones de investigación de OpenAI alentan la experimentación práctica. Los inversores se centran cada vez más en la eficiencia y la especialización, las soluciones de financiación como los LLM de atención médica adaptados al dominio y los sistemas de inferencia optimizados por el costo.Este entorno colaborativo continúa desafiando e inspirando mi propio trabajo, especialmente en la traducción de la investigación a los sistemas de inteligencia artificial de atención médica de grado de producción. ¿Qué herramientas, marcos o modelos han sido más útiles en su trabajo, y por qué se ajustan a su enfoque? Responder con lo más detalle posible (al menos 3 - 5 frases) Responder con lo más detalle posible (al menos 3 - 5 frases) Mi ecosistema central incluye TensorFlow, PyTorch y Google Vertex AI para orquestación, junto con aceleradores AI/ML de diferentes arquitecturas. Para tareas de habla y lenguaje, uso OpenAI Whisper y Google Gemini para construir tuberías escalables, multimodales. Más allá de los marcos ML clásicos, exploro arquitecturas cuánticas mejoradas destinadas a resolver problemas que requieren representaciones de orden superior, como la detección de patrones biomédicos. Integro modelos híbridos que combinan controladores neuronales clásicos con circuitos cuánticos capaces de aprender representaciones entrelazadas. La red de controladores aprende a preparar datos para la codificación cuántica, mientras que la capa cuántica extrae relaciones de alta dimensión que los modelos clásicos a menudo faltan. Mirando hacia adelante, ¿qué es lo que más te emociona sobre el futuro de la IA, y qué consejo le darías a los desarrolladores que están empezando su viaje? Responder con lo más detalle posible (al menos 3 - 5 frases) Responder con lo más detalle posible (al menos 3 - 5 frases) El futuro de la IA está en la fusión entre dominios, donde la computación cuántica, el razonamiento simbólico y la inteligencia generativa convergen.Estoy especialmente emocionado con el aprendizaje cuántico mejorado, una área que exploro a través de las redes neuronales cuánticas híbridas que pueden gestionar la incertidumbre, el ruido y las complejas correlaciones en los datos biomédicos.Estos sistemas podrían permitir nuevas herramientas de diagnóstico, asistentes adaptativos y modelos que razonan con las limitaciones físicas e informacionales. Desde mi experiencia liderando plataformas ML a gran escala, he descubierto que los desarrolladores que empiezan por dominar los fundamentos de las matemáticas, las estadísticas y las estructuras de datos construyen una intuición mucho más fuerte antes de usar marcos de alto nivel.