Por Ignacio Uman
Melanie Sclar es Licenciada en Ciencias de la Computación de Exactas-UBA, egresada en 2017. Actualmente es Lead Machine Learning Engineer en ASAPP. Anteriormente fue Data Scientist en BrightSector Algorithms. Realizó dos pasantías de ingeniería de software en Facebook (Estados Unidos) e integró el equipo campeón latinoamericano en la Competencia Mundial de Programación ICPC (2015).
Participó en la competencia “Google Codejam to I/O for Women”, resultando entre los primeros puestos del mundo de programadoras mujeres y ganando un viaje a Silicon Valley para asistir a Google I/O. También fue medalla de plata en la 21º Olimpiada Matemática del Cono Sur (Brasil 2010) y medalla de bronce en la 26º Olimpiada Iberoamericana de Matemática (Costa Rica 2011).
Resulta destacable su intensa tarea de divulgación en Matemática para estudiantes de la escuela media y organización de las Olimpiadas de matemática e informática. En esta entrevista con Conectados, Melanie habla de su pasión por resolver problemas algorítmicos de manera creativa y mejorar las técnicas existentes de aprendizaje automático para problemas que aún no tienen una solución completamente efectiva.
¿Qué es lo que más valorás de tu época de estudiante?
Me acerqué a la carrera de Computación a través de la Matemática. Aprendí a programar por mi cuenta recién en quinto año del secundario, cuando estaba participando en olimpiadas. Decidí anotarme en Matemática y en Computación para cursar las materias algorítmicas, y al final terminé decidiéndome por computación primero. Mi grupo de estudios coincidía con el grupo de olimpiadas y competencias de programación, destaco el grupo humano que recuerdo con mucho cariño. Creo que en Exactas siempre hubo un ambiente muy colaborativo, no competitivo, en la resolución de los trabajos prácticos. La idea fue ayudarnos entre nosotros para poder resolver cada consigna y socializar el conocimiento. Los grupos de docentes son bastante unidos, incluso lo digo por mi época de Ayudante en Algoritmos.
Si tuvieras que mencionar ideas que te inspiraron en esta etapa de formación, ¿cuáles serían?
La verdad que tuve dos etapas en la carrera. En la primera etapa quería sumergirme en los problemas algorítmicos y pasar de la demostración de un teorema a mostrar cómo uno puede hacer un procedimiento para lograr una tarea en forma eficiente y también creativa. La segunda etapa fue completamente distinta ya que me fui a Estados Unidos a hacer pasantías en Facebook y allí a comienzos de 2015 me empezó a resonar el término Aprendizaje Automático (Machine Learning). Además de los algoritmos comunes que podían ser más heurísticos para resolver problemas, Machine Learning podía ser una clave para explorar. En mi caso estaba investigando mucho, había realizado cursos online sobre ese tema y la pasantía se basaba en generar un algoritmo de recomendación para artículos y videos de Facebook. En la segunda pasantía, que fue al año siguiente, trabajamos puramente sobre video y pudimos presentar dos patentes sobre optimización de estabilizadores de video, que unos años después fueron aprobadas. En ese entonces pude darme cuenta que este tema relacionaba mucha matemática y computación, y además tiene gran impacto porque lo ves desarrollado tanto en una aplicación concreta de la vida cotidiana como en un resultado académico. Todo ello me “voló la cabeza” por así decirlo.
¿En qué consistía ese desarrollo de algoritmos de recomendación en Facebook?
Ese desarrollo hacía que se incremente la cantidad de usuarios que clickeaban en el video siguiente cuando estaban mirando un video en Facebook. Este comportamiento se logra a partir de un algoritmo que recomienda a los usuarios un contenido relacionado al que estaban viendo en ese momento, que posiblemente también encuentren interesante.
¿Los resultados obtenidos en las competencias de programación te abrieron la posibilidad de poder hacer las pasantías en Facebook?
Creo que facilitaron mucho las cosas. Hay candidatos que nunca fueron a competencias que llegaron igual a Facebook pero pasaron por un cierto proceso de selección más extenso. Pero no dejo de pensar que también fue gracias a la carrera. Algo que valoro de nuestra formación en Exactas, es la solidez en herramientas algorítmicas. En las entrevistas para Facebook se ven los temas prácticos que estudiamos en Algoritmos 2 y 3. Me encontré con chicos y chicas de otras universidades argentinas que me contaron que no habían visto esos temas prácticos y tuvieron que aprenderlos por su cuenta para poder entrevistarse.
Tuviste la posibilidad de quedarte trabajando en el exterior, incluso tenías un contrato firmado con Google pero finalmente elegiste Argentina y lideraste un equipo en BrightSector. ¿Cómo fue ese proceso?
Pensé bastante esa idea, sin embargo por temas personales me tuve que quedar en Argentina. Llegué a tener un contrato firmado para trabajar en el buscador de Google (la oferta de Facebook la rechacé en favor de la de Google). Eso no frenó mi trayecto profesional: en nuestro país si uno sabe buscar los ámbitos que le interesan para desarrollarse, no hay techo para crecer. A partir de 2018 estuve en BrightSector, una empresa que se dedica a desarrollo de algoritmos para buscadores a nivel mundial y tienen a su cargo el buscador que usa Mercado Libre. Me ofrecieron la oportunidad de hacer Data Science en un área que hasta ese momento no existía. Después con el tiempo se sumaron más personas y quedé como líder del equipo de Machine Learning y Data Science para resolver ciertos problemas que tenía el buscador de Mercado Libre. La empresa fue fundada por un alumno de la Facultad hace unos 10 años y tiene sus oficinas en Palermo.
¿Qué problemas tenían que resolver?
El equipo trabajó en las técnicas para detectar las características de las publicaciones claves de Mercado Libre y agrupar las publicaciones de distintos vendedores que venden el mismo producto, para así mejorar el algoritmo de búsqueda de ese producto. En definitiva, se trató de optimizar el buscador.
Y desde noviembre de 2019 formás parte del equipo de ASAPP.
Sí, es una empresa que tiene fuerte conexión con I+D, cuenta con un grupo de investigación muy numeroso en Estados Unidos y tengo la suerte de trabajar con el Dr. Clemens Rosenbaum, y más recientemente estar en contacto con el Dr. Kilian Weinberger, que además lidera un equipo de investigación en ASAPP Ithaca y es profesor en Cornell. La formación de doctorado suele ser muy valorada en la empresa. Lo que más me motiva del trabajo es que me da la posibilidad de discutir estos modelos de Machine Learning con gente con mucha trayectoria y conocimiento del área. No sólo podemos hacer Machine Learning con las técnicas que ya existen sino mejorar las que ya tenemos para problemas que todavía estamos entendiendo, que no tienen una solución 100% efectiva.
¿Podrías contarme un poco sobre los programas en los que están trabajando?
ASAPP desarrolla programas de servicios de atención al cliente para, utilizando Machine Learning, aumentar la capacidad de los agentes y que así puedan interactuar más eficientemente con los usuarios. Por ejemplo, un agente está tratando de resolver un problema que tuvo el cliente (se le cortó Internet o no se procesó su pago). Anteriormente si uno escribía por Chat esos agentes tenían que tipear todo. A través de Machine Learning, específicamente procesando el lenguaje natural, podemos detectar automáticamente lo que se puede responder en la consulta, no es un chatbot en el sentido de que responde automáticamente (todavía el estado del arte de este área no permite hacer chatbots excelentes). Entonces la persona que está del otro lado atendiendo hace el último click para aprobar el mensaje o modificar un detalle si hay contenido erróneo, pero no tiene que tipear todo. De ese modo puede estar atendiendo a varios clientes o usuarios al mismo tiempo, lo que se conoce como aumentación (augmentation). En mi caso estoy en el equipo de ese desarrollo para clientes del exterior, estoy muy abocada a procesamiento de lenguaje natural. En el equipo chico somos unas 5 personas, de las cuales 3 están en Estados Unidos. El proyecto apunta a cambiar la arquitectura de este modelo de Machine Learning, para que con los mismos datos se explote mejor la información. El uso no es sólo empresarial sino también nos interesa que se pueda publicar un paper sobre este resultado.
Por último, un detalle que llama la atención es que también estás haciendo la carrera de Matemática…
Melanie en Costa Rica durante la 26º Olimpiada Iberoamericana de Matemática.
Ya hice dos tercios de la carrera. Cursé Computación y Matemática al mismo tiempo. En 2019 retomé, voy un poco más lento en la cantidad de materias pero me queda un año y medio. Mi motivación esencial es aprender. De hecho algunos amigos cercanos me dicen que directamente empiece el doctorado y hace un tiempo que lo estoy pensando. Ahora bien, estamos hablando de disciplinas que cambian todo el tiempo. En realidad si tuviera que iniciar la carrera en este momento, por mi orientación cursaría la nueva carrera de Modelado y Ciencia de Datos.
Tu visión marca la importancia de no dejar de aprender nunca, aún siendo profesionales…
Considero que somos sujetos activos del aprendizaje (no sólo es cursar y aprobar). Es importante pensar qué nos gusta y nos interesa, en qué aspecto de la disciplina podemos intervenir y en esa dirección apuntan también las pasantías de investigación del DC, son oportunidades muy enriquecedoras para orientar nuestra formación y fortalecer ciertas habilidades de pensamiento computacional, que uno no imaginaba. Si tuviera que resumir lo del aprendizaje que comentás, creo que no debemos tener temor en buscar a personas que son referentes en ciertos temas (docentes o investigadores), a preguntarles y a utilizar esta experiencia a nuestro favor. Se trata de aprender a aprender.
