Lo que dicen las personas que ya cursaron
Sin editar para que suenen bien. Con las cosas que funcionaron y las que costaron más de lo esperado.
← InicioDatos verificados · registros internos Tensor Malva · junio 2025
Testimonios
Opiniones de estudiantes de cohortes de abril a junio 2025
"El programa de papers me cambió cómo leo la literatura técnica. Antes saltaba directo a los experimentos; ahora entiendo por qué el abstract no es el lugar para buscar el aporte real. La reproducción fue lo más difícil y lo más útil al mismo tiempo. Mis números no coincidieron exactamente con el paper, y eso fue exactamente el punto."
"Hice el track de NLP después de años trabajando con ML clásico. Lo que me resultó valioso fue tener que diseñar mi propio conjunto de evaluación. Las sesiones de revisión individual cada dos semanas me ayudaron a no perder el hilo, aunque al principio me costó organizarme con las 14 horas semanales."
"El programa para equipos fue lo que necesitábamos. Teníamos un problema definido de forma vaga y el proceso de armarlo de forma medible tomó las primeras dos semanas. A partir de ahí todo se ordenó. La nota de arquitectura que produjimos juntos es el documento técnico más útil que tenemos hoy."
"Venía de un posgrado en estadística y los papers de DL me resultaban densos. El programa me enseñó dónde mirar primero y cómo separar el aporte del contexto. La devolución escrita sobre mi reproducción fue detallada y directa. Sin eufemismos sobre lo que estaba mal."
"El track de NLP me costó más de lo que esperaba en carga horaria, especialmente las semanas de transformer. Pero el harness de evaluación que armé para mi tarea de clasificación fue lo que me permitió comparar métodos de verdad. Ahora cuando pruebo algo, sé cómo medir si funcionó."
"Lo que más valoré del programa para equipos fue que el instructor no vino a demostrarnos cómo funciona la IA; vino a trabajar el problema nuestro con nosotros. El walkthrough de production-readiness al final puso en claro exactamente qué teníamos y qué faltaba antes de poner el sistema en producción."
Casos de cursada
Tres experiencias con detalle de contexto, proceso y lo que se produjo
Papers de atención que no entendía
Una estudiante de ingeniería de ML podía implementar transformers usando código de terceros pero no podía explicar qué resolvía exactamente el mecanismo de atención, ni por qué ciertos diseños de posición funcionaban mejor en textos largos.
Durante las 8 semanas del programa de papers reprodujo un resultado de un paper de atención eficiente en un corpus pequeño. Siguió el proceso de leer el método antes de ver el código, replicar la configuración experimental y documentar cada diferencia entre sus resultados y los reportados.
El reporte de reproducción documentó tres diferencias con el paper original, dos de las cuales eran esperables por diferencias en el dataset y una que reflejaba una ambigüedad en la descripción del método. Ese reporte se convirtió en referencia para su equipo.
Fine-tuning sin evaluación propia
Un desarrollador backend quería fine-tunear un modelo para clasificación de documentos internos pero no tenía claro cómo diseñar un conjunto de evaluación que reflejara el uso real, ni cómo saber si el fine-tuning era necesario o si un baseline más simple bastaba.
En el track de NLP (14 semanas) diseñó su conjunto de evaluación en las primeras sesiones, antes de tocar ningún modelo. Estableció un baseline con TF-IDF, midió, luego probó fine-tuning. Las revisiones individuales quincenales se enfocaron en las decisiones de evaluación, no en el código.
Produjo un sistema de clasificación con harness de evaluación documentado. El fine-tuning mejoró el F1 en 8 puntos sobre el baseline en su test set. La documentación del proceso le permitió explicar la decisión a su equipo con los datos de respaldo.
Equipo con un problema sin medir
Un equipo de 6 ingenieros quería incorporar un modelo de lenguaje a su proceso de triaje de soporte técnico. El problema estaba descrito de forma vaga, no tenían conjunto de evaluación y no sabían si necesitaban fine-tuning o si bastaba con RAG.
Las dos primeras semanas del programa para equipos se destinaron a enmarcar el problema de forma medible y construir el conjunto de evaluación con casos reales del equipo. Después probaron un baseline sin modelo, luego RAG, y solo entonces evaluaron si fine-tuning sumaba algo.
El equipo tiene un sistema en staging con monitoreo de latencia y costo configurado. La nota de arquitectura documenta las decisiones tomadas, los experimentos descartados y por qué. El walkthrough de production-readiness identificó dos puntos pendientes antes del deploy.
Contacto directo
¿Querés saber cuál programa se ajusta a tu contexto?
Escribinos con lo que sabés hoy y lo que querés aprender. Te respondemos con el programa adecuado y la tabla de alcance completa.
Enviar una consulta