Naomi Couriel

Naomi Couriel se sienta con la mesa. Estudia ingeniería en inteligencia artificial en UdeSA, labura Data & AI en Ualá y baja papers a tierra en Instagram. La ronda pasa por Córdoba, Mar del Plata, Rosario y la Builder House. Huevo manda un video desde España. Al final, J-space, tokens y el lanzamiento de la comunidad de WhatsApp.

La mesa

— Mesa: Buenas, buenas. ¿Cómo andamos? ¿Cómo está la banda? Un pecado, obviamente. A plena, a plena. Un tremendo episodio se viene hoy. Muchas novedades en la semana, muchas cositas pasando. La verdad es que se dieron cosas, así que ya arrancamos con el check-in de cada semana. ¿Cómo están? Arrancamos como siempre. El que está arriba a la izquierda en el cuadro.

— Mesa: Me toca romper el hielo este programa. Super bien. No sé si puedo contar mucho de lo que estamos haciendo también, tipo lo nuestro de Builders OFF the Record. Pero bueno, ya muchas cosas vieron por X: contenido, landing, partido de básquet, muchas cosas. Software interno también estamos haciendo, para automatizar y poner un poco la impronta del nombre del programa a lo que hacemos en el día a día. Full con Builders OFF the Record. Y bueno, también laburando en las startups que me dan de comer por ahora.

— Mesa: Ahí va, importante.

— Mesa: Sí, fundamental.

— Mesa: Bueno, me toca. Muy bien, la verdad. Bastante contento: hice mi primer workshop de BNB, haciendo Agents on Chain. Estuvo muy bueno, se movió Córdoba. La verdad que fue bastante gente, la pasamos muy bien, y saludo ahí a Stefano y a Mati. Y bueno, también fecha confirmada de hackathon Córdoba, 28 de agosto, un viernes, 24 horitas full building. Ya hay bastante gente inscripta. Las oficinas grandes, así que bueno, vamos a romper todo.

— Mesa: Tremendo. Bueno, acá en Mardel este viernes tenemos un meetup de vacaciones para todos los que se quedaron acá buildeando mientras estaban viajando. Va a ser mañana en Hops. Está sponsorizado por Bitget, así que vamos a estar regalando stickers para todos los que vengan. El próximo, después, todo lo que vamos a Buenos Aires: vamos con la Builder House, y luego corriendo para Mar del Plata de vuelta, con el curso y el hackathon que vamos a hacer.

— Mesa: Yo quiero hacer un comentario. Yo quisiera saber si ustedes hacen due diligence respecto de los nombres de las cosas que crean, porque justo el espacio que nos dejaron para hacer el curso y el hackathon se llama espacio Goat, y goat en inglés es chivo. Entonces: espacio chivo. Quedó medio raro el nombre. Pensamiento para el futuro. Esa es mi idea del día.

— Mesa: Bien. Capaz si te tenés que poner a buscar todos los idiomas igual hacés un kilómetro por ahí. Estás capaz hasta mañana. Pero también te van con lo que vos querés investigar: latín, griego, lo que pinte.

— Mesa: Yo bien. Como saben, también organicé el café Cursor. Tuvimos más de 150 inscriptos y la verdad no sé muy cuántos vinieron, porque marqué varios QR, pero estaba dando charlas y haciendo un montón de cosas, así que a la mitad o más no la marqué. Medio incógnita cuánta gente vino. Después, nada, muchos finales. Me comprometí también a organizar otras hackatones. Este sábado estamos en Shippear, acá en Rosario, en Tecnoteca: son más de 200 pibes. De hecho son algo de 300 y pico, hay waitlist, pero estamos complicados. Nada, muy manija por eso, sinceramente. Hay muy lindos tracks, hay muy buenos sponsors. Realmente, nada, muy copado. También muy manija, como dijeron, por las hackatones que estamos armando de Buenos Aires. Creo que lo que más manija me tiene, sinceramente.

— Mesa: Ahí estoy compartiendo un poco pantallas para que vean las automatizaciones que se mandó el Huevo y Gasti. Tremendo este laburo: lo que se automatizó, lo que se arregló en esta semana, increíble. Después ya mostramos un poco lo de Naranja, la hackathon en Córdoba, también la Builder House, que es una locura. A ver si llegamos a la foto de la Builder House, pero ya está confirmada esta pedazo de casa para mediados de agosto, para la época de release de Aleph Hackathon. Así que se vienen asados builders, se viene seguramente de la Builder House. Impresionante todo lo que shipeó la banda esta semana. Es para aplaudirlos a todos porque se hizo un laburo enorme y creo que creció mucho el programa esta semana. Súper contento. Y después en general también lo mismo: laburando, haciendo lo que da de comer, y sigo con el triatlón a full. Se viene la media maratón de Buenos Aires también, después de la Builder House, así que vamos a intentar sostener vida sana en Baires a pesar de que va a haber mucho hackeo y streaming y actividades IRL. Seguramente organizamos algún running, algún básquet, el que mencionaban ahí, que va a estar bueno. Estoy mega manija. La verdad que no sé cómo contener la manija que tengo. Verdaderamente fue el día más manija de mi vida: recién vengo de dar clase de UdeSA en el programa de negocios digitales, muy flayero, y bueno, ahora tenemos un episodio increíble. Con mucha manija también de recibir a nuestra invitada de hoy. ¿Qué les parece si le hacemos pasar al escenario?

— Mesa: Pero por favor, venga. Ahí va. Bueno, vamos a darles una gran bienvenida a Naomi Couriel. ¿Cómo estás, Naomi? ¿Todo bien?

— Naomi: ¡Buenas! Hola chicos, ¿cómo están?

— Mesa: ¡Todo bien!

— Naomi: Gracias por invitarme.

— Mesa: ¿Estás tomando mate?

— Naomi: Sí, pésimo, porque son las 9 de la noche, pero para estar una hora hablando necesito lo preciso. Hay una relación de dependencia entre el mate y yo.

— Mesa: Ahí va. Les limpio el score y se nos va a ir a todos a la mierda, pero vale la pena.

— Naomi: No, recontra, recontra. Además me parece que está súper copado lo que están haciendo y nada, muy contenta de sumarme. Creo que va a estar divertido.

— Mesa: Buenísimo. Siempre dejamos para el final el video que manda nuestro gran amigo Huevo, que ahora está en España, pero creo que tiene una pregunta muy interesante para romper el hielo, para arrancar esta entrevista. Así que la vamos a pasar primero. Y mientras tanto también saludamos a Yaveja, Luciano, que van mandando saludos por el chat. Pasamos a ver el video de Huevo.

El video de Huevo

— Mesa: Bueno, hola a todos los builders que están viendo esto. Gracias a Nao por estar acá. También nos encanta traer perfiles como el tuyo. Acá me pregunta: a qué aspirás con todo lo que venís estudiando y también el crecimiento que estás haciendo con redes. No sé qué objetivos te ponés a largo plazo. Quizás soñando en grande: terminar en San Francisco, armar algo por tu cuenta, de una, completamente de una. Bueno, eso. Y también me encantaría saber qué onda, qué es lo que te empujó a empezar a meterla a las redes y un poco cómo te organizaste. Sin ampliarlo mucho más, eso es todo. Gracias Nao por aparecer y por acercarte y por estar acá. Y a toda la gente que nos ve y toda la linda comunidad que se está armando. Espero que ya hayan dado las noticias del día, y si no, serán muy grandes. Estamos a full laburando con los chicos. Y bueno, Nao, te dejo dos.

— Naomi: Bueno, gracias por la pregunta. Muy linda pregunta, ambas preguntas. Voy a ir en partes. Primero lo primero: voy a ir por la primera pregunta. Yo creo que un poco… yo creo que hoy igual es difícil pensar a largo plazo, por lo rápido que está cambiando el mundo. O sea, qué es largo plazo hoy en día, no sabría decirlo. Pero aún incluso a mediano plazo, me encantaría formar parte de alguna manera de la investigación de frontera que existe en el mundo, en torno a una AI buena para la humanidad, y una AI que sea realmente eso: que pueda aportar, que pueda traer valor y ayudar a la gente. Un poco abstractamente. Pero sí, me encantaría terminar en San Francisco cuando termine la carrera. Yo creo que es un lugar increíble. Tuve la suerte de estar por primera vez recientemente y te transmite esa sensación. La realidad es que yo creo que todos los que han ido, seguramente les haya pasado lo mismo, pero te transmite esa sensación de como: che, ¿ves? Cosas están pasando acá.

— Naomi: Y a mí me gusta mucho la investigación. Soy un poco académica, creo que se puede notar. Y la verdad es que siento que tengo mucho para aportar desde ese lado. Y yo creo que un objetivo que tengo es formar parte de esto. No en un lugar específico, no trabajando en un específico ni haciendo algo en concreto, pero más bien como un objetivo así, general: me gustaría aportar a esa AGI que va a haber. Yo creo que no a un largo plazo. Así que eso sería por un lado.

— Naomi: Y cómo empecé en las redes. Bueno, no sé si cuáles y quiénes están escuchando acá me siguen o saben. Hace un tiempo empecé una cuenta en Instagram para, creo que un poco, transmitir todo lo que yo estaba aprendiendo en mi carrera. Y no solamente quizás muchas cosas que se ven más del lado práctico, más del lado de herramienta, tool, etcétera, sino desde el lado técnico, desde el lado teórico, que creo que es lo que a mí me apasiona más. Porque yo veía en una clase y decía: no puede ser que lo que yo esté aprendiendo acá no se sepa. Esto lo tengo que compartir con el mundo y esto se tiene que saber. Y más por una vocación en la educación, que es algo que me encanta desde hace muchos años. Siempre me imaginé en algún punto de mi vida siendo docente. De hecho, he dado clases en mi universidad, etcétera. Me encantaría, no sé, cuando se termine… si me llego a dejar de trabajar en la industria en mi vida, incluso terminar siendo docente. Creo que es algo súper lindo. Y un poco nació por ahí.

— Naomi: La verdad es que tuve mucho tiempo que no me animaba. No me animaba a compartir lo que había grabado. De hecho, lo grabé el año pasado: el primer video que tenía ganas de subir estuvo, creo que, cinco meses en mi galería. Los cinco meses en mi galería. Y fue como: no lo quería ni ver, creo. Pero internamente yo sabía que tenía las ganas de hacerlo. Tenía algo que me impulsaba: che, dale un poquito, ¿no te animás? ¿Qué es lo peor que puede pasar? Sé que es algo que me gusta, pero nunca lo había hecho así en público, en redes sociales. Y un día dije: no le voy a contar a nadie, me voy a mandar. Y de alguna forma terminé subiendo una noche. Me acuerdo que le mandé un mensajito a cinco amigos diciéndoles: empecé este proyecto personal que es algo que tengo que hacer hace tiempo, se los quería compartir, espero que puedan verlo y que les guste. Y mis amigos me salieron a apoyar como locos: reposteando, mandándoselo a todo el mundo. Yo como: no, pará, que mi familia no sabe. Hasta que, bueno, en un punto se volvió inevitable, y gente que yo conocía o que me cruzaba en espacios —universidad, oficina— se me acercaron. Me decían: che, está buenísimo. Recibí mucho apoyo por ese lado.

— Naomi: Yo siento que es algo… todo lo que comento es algo que realmente me apasiona aprender, y que es a lo que yo, como que aprendo y me doy vuelta y lo cuento. No es que lo aprendo para contarlo, sino que es a lo que yo ya estoy viviendo. Entonces yo creo que eso se siente y es muy bien recibido por la gente. De hecho, incluso hablo mucho con la gente que me escribe y le digo: che, ¿por qué me seguís? ¿Qué es lo que te gusta de mí? Y sus respuestas no son como “para crecer mi negocio”, quizás, sino que es para aprender más, porque me parece que es increíble que no haya mucha gente hablando de esta forma en español, por lo menos en mi idioma hispanohablante, de cómo funciona lo que hoy es tan importante. Y bueno, ya sí, llegué, y la verdad es que me estuvieron surgiendo un montón de oportunidades increíbles gracias a eso. Pero yo sigo estudiando, así que me falta un año para ser ingeniera en inteligencia artificial, efectivamente. Así que, bueno, obviamente invitaré a las 20.000 personas a mi graduación.

Quién es Naomi

— Mesa: Che, no, yo te quería hacer una pregunta, un poco porque creo que no lo hicimos: que hagas una presentación de vos. ¿Quién es Naomi? Más o menos, poniendo a esa pregunta. Ahí justo Kevin Ortega estaba preguntando qué estudió Naomi, si está estudiando. Estaría bueno que comente la formación y cómo le interesa la idea. Si podemos hacer como una introducción tuya, tu carrera, o cómo arrancaste, y esas cosas. Sería súper genial.

— Naomi: Vale, obvio. Bueno, yo arranqué en el mundo de la tecnología cuando tenía 14 años. Empecé a programar porque había hecho una orientación de tecnología en la secundaria. Cuando yo era chica quería ser científica. Cuando estaba en la secundaria tenía que elegir una especialización. No había algo tan de ciencias en la sede que iba yo, así que fue como: ¿a dónde voy? Creo que tecnología es lo que más se le parece. Bueno, me mando. No conocía absolutamente a nadie. De hecho todos mis amigos se iban a otra sede y decían: ¿o sea que te vas a ir sola? Éramos, creo que, cinco mujeres de 35 en mi curso. Y justo la pandemia encima: el primer año que yo hice tecnología en la secundaria. Entonces fue un conjunto de cosas que se dieron para que aprenda a programar. Aprendí a programar primero en C#. Creo que fue mi primer lenguaje de programación. Y me la pasé toda la pandemia aprendiendo gracias al colegio. Y así empecé a entrar en el mundo de software y también a conocer un poco el mundo de startups, el mundo emprendedor, y todo lo que era posible con la tecnología. Y yo creo que eso me voló la cabeza.

— Naomi: Ya uno hoy quizás ve eso: un montón de chicos, muy chicos, en Twitter de Estados Unidos, etcétera, que están haciendo cosas locas. Pero para mí en ese momento era como chequear lo que es posible. O sea, literalmente se pueden cambiar vidas por tres líneas de código. Y siendo que hoy se siente mucho más todavía, y en ese momento no se hablaba de la AI. Y la verdad es que ya una vez que sabía que estaba haciendo parte de eso, era como: no me puedo ir, no puedo dejar de hacer otra cosa.

— Naomi: Y conocer la carrera: había como una relación entre ORT, que es el colegio que yo fui, y la universidad en la que estoy ahora, que es la UdeSA. Y la carrera era nueva: ingeniería de inteligencia artificial. Recién estaba la primera camada cuando yo me estaba recibiendo de la secundaria. Y eso fue… en el 2022 que sale el ChatGPT, la carrera ya tenía unos meses. O sea, ya salió ese año. Y el año siguiente yo dije: acá es donde tiene que estar. Empecé en la carrera y así empecé a aprender sobre AI. Empecé a aprender sobre NLP, computer vision, reinforcement learning, machine learning, robótica: o sea, todo lo que involucra AI, no solamente el poder del lenguaje.

— Mesa: Viste, también existe un proyecto de blockchain antes, o sea, de meterte full en AI.

— Naomi: Sí. Cuando estaba en el colegio, algo increíble que había era que cada año podías hacer un proyecto, como un proyecto final, y muchos de esos, de hecho, han llegado a ser startups que son el día de hoy, que seguro varios conocen.

— Mesa: ¿Quiénes?

— Naomi: Bueno, están los chicos de Satellites on Fire, que han salido. Que son más grandes. Y ya han salido también de ORT. Es como que estaba esa vara. De hecho, esto puede ser una locura. Y en mi último año, bueno, yo desde cuarto —o sea, desde que estaba en cuarto— ya empezamos a tener como clases de web3, porque se movía mucho la especialización y era como: che, esta tecnología emergente que está surgiendo, vamos a ver eso. De hecho tuve alguna de ahí, como un Teachable Machine. Si alguna vez lo han usado: básicamente nada, simplemente subís unas imágenes a una página y le decís, no sé, esto es un mate, sacamos 200 fotos de esto, y después decís esto es una botella, 600 fotos, y es como que por atrás te dan una red neuronal que te la clasifica. Y hoy los mismos chicos, o sea, en la misma… una materia que yo recién empecé a hacer eso porque se le hablaba de AI, y en el momento… ahora los chicos que están en TIC, que es la especialización que hice yo, están armando clasificadores a mano con redes neuronales y es una locura. Pero en el momento ese fue como: es blockchain, y se hablaba de web3 por todas partes. Yo era fanática y me movía mucho por esa tecnología y ese mundo.

— Naomi: Y vino el director de la especialización del colegio y nos planteó a mí y a mis compañeros que estábamos haciendo el proyecto: tengo un problema. El problema que nos planteó fue que cuando estaba hireando, o sea a la hora de contratar, había mucha gente que metía en el CV y que no había forma de verificar eso en LinkedIn. Esto está hablando del 2021. Era como muy fácil mentir. ¿Qué dijimos nosotros? Listo: hacemos un LinkedIn en blockchain. Nadie había programado en Solidity ni nada, y nos mandamos a hacer ese proyecto que fue muy divertido, que aprendimos un montón y que duró un buen tiempo. Incluso después del colegio seguimos trabajando en ello. Y creo que eventualmente, como empezaron la universidad y cosas de la vida, nos llevó por distintos caminos. Pero la verdad que fue divertido. Y bueno, yo después terminé yendo al mundo de AI, pero me gusta que sigo teniendo relación con el ecosistema web3 de Buenos Aires, o incluso con el conocimiento que gané y la experiencia que tuve desde ese momento. Así que sí, fue un poco una trayectoria interesante por ese lado.

— Naomi: Ahora estoy en cuarto año de ingeniería en inteligencia artificial y es una carrera que es espectacular. Yo la verdad que estoy muy feliz y a veces no caigo de lo impresionante que es. Y se la recomendaría a cualquiera que esté escuchando: que la busque y que si realmente le interesa… pero aviso que es muy dura. O sea, es una ingeniería pesada como cualquier ingeniería. Pero creo que si te divierte, si ves un video de los que subo ahí en Instagram y te parece que te gustaría aprender más, yo la elegiría.

Infancia y autoexigencia

— Mesa: Primero, en qué paré esto, pero tengo una duda. El real primero empezó en la afirmación, y es: no puedo creer la edad que tenés. Haciéndome el paréntesis —no quiero decir que sea todo tu referencial, porque si no vamos a estar una hora en la que te pregunto “¿quién es Naomi?”—, pero me entra tipo tu infancia. Toda la vida, ¿cómo fue la visión de la gente con respecto a vos durante toda tu vida? Siempre me imagino que fuiste curiosa toda la vida, porque por la edad que tenés y lo que hiciste es imposible que haya sido de ayer. ¿Qué decían tus viejos de vos? ¿Qué decía la gente de vos? ¿La directora ha llamado a tus viejos? ¿Existían esas situaciones que imagino que a todos nos pasó? Pero en tu caso es una locura con lo que pasó. Sostengo: no lo puedo creer. Así que no sé si me expliqué bien.

— Mesa: TEDx, TEDx, ganó la hackathon Quantum Jam, estás laburando como AI engineer, igual hacés divulgación científica de AI, también has hecho cositas con blockchain. Digo: como que ha pasado por prácticamente todas las ramas de tecnologías exponenciales, al menos desde un lugar como de tocar, y aún es tan temprana que es muy bueno saber dónde arrancó esa chispa.

— Naomi: Yo creo que, a ver, por un lado, hablando del presente y de toda la vida, e incluso hoy: yo siempre fui muy autoexigente. Pero realmente muy autoexigente. Creo que es algo que viene desde muy chica, y eso me ha llevado obviamente a hacer muchas cosas y también a seguir presionándome. Entonces está eso, ese constante “quiero hacer más”. Y también creo que hoy aprendí a disfrutarlo, después de los años y de crecer y un montón de cosas. Pero siempre me presioné mucho. Entonces quiero que se vea ese lado también: está buenísimo lo que se ve afuera, y tengo un síndrome del impostor impresionante también. Así que hay un poco de todo.

— Naomi: Yo desde que era muy chica siempre me encantaba la matemática. Y creo que un poco… la casa en la que crecí: mi madre no había hecho nada de… o sea, no había hecho ninguna ciencia, no había terminado la carrera, y creo que de una forma ella quiso que yo tenga mejores oportunidades que las que ella había tenido. Y siempre se tragó mucho para tener lo mejor, para que yo tenga lo mejor, o para que pueda un poco elegir, o para que pueda moverme en un mundo en el que si crezco con cierta cabeza pueda thrive, o pueda lograr saber que esas oportunidades existen, y después como que yo ir por ahí.

— Naomi: Y de alguna forma, de muy chica siempre fui muy curiosa. Mi bisabuela me compraba las revistas de ciencia, esas que se vendían en los kioscos. Y también otra cosa que creo que es importante, otro factor: es que yo no tengo hermanos. Entonces tenía mucho tiempo libre. Y a mí no me gustaba. De hecho se habla mucho que, bueno, hijo único, buenísimo. A mí no me gustaba: yo quería tener hermanos. Pero como no los tenía, tenía mucho tiempo para aprender, para leer, para pasármela descubriendo esos futuros. Y cuando me apasionó la ciencia y la matemática era como: quiero ir por acá. De alguna forma creo que terminé haciendo muchas cosas en la vida que me llevan ahí, pero constantemente siempre fue un “bueno, quiero ser consciente de las oportunidades que hay”. E incluso hoy yo creo que hoy me daría vuelta y le diría a mi yo de más chica que sea más ambiciosa todavía, porque yo creo que no somos conscientes de las posibilidades que hay en el mundo. Y es a lo que lo noté en mí una vez que, creo que hace poco, hizo clic, gracias a los lugares en los que terminé estando. Pero hoy me doy vuelta y lo noto en un montón de gente que tiene también potencial, y es más fácil verlo afuera que verlo desde adentro.

— Naomi: Y creo que es un mundo impresionante en el que estamos creciendo, y que hay tantas cosas para hacer, y que se pueden hacer tantas cosas buenas. Y creo que una vez que empecé a ser un poco más consciente de eso dije: yo quiero aportar desde la forma que sea. Y a todo me mandaba. Y siempre como: bueno, voy a empezar a preguntar, porque no pierdo nada. Y creo que esa mentalidad también la gané mucho gracias al colegio. Creo que haber hecho tecnología en el colegio fue una de las mejores decisiones que tomé en mi vida, y eso me cambió mucho. Pero siempre creo que fui de una forma una persona que se exigía mucho, y también que tenía muchas aspiraciones. No sabía cómo lo iba a hacer, pero soñaba en grande, gracias a la educación que tuve y a lo que se fue apeando un poco en mi casa desde ese lado.

— Naomi: Pero creo que también fui una persona que trabajó mucho siempre para todo lo que hice, todo lo que conseguí, desde muy chica. De hecho, cuando estaba en la secundaria empecé a dar clases a chicos más chicos para poder tener un ingreso y para poder hacer algo. Y siempre sentí que trabajé mucho por todo lo que hacía. No por eso significa que digo “me lo merezco”. Como a veces sigo diciendo: hay gente que quizás tiene que tener esas oportunidades, y porque a veces es como si algo bueno me pasa, ¿por qué a mí?, y si algo malo me pasa, bueno, tenés que seguir exigíéndote más. Entonces yo creo que desde ese punto soy muy exigente. No digo que sea algo bueno. Sí creo que es un poco necesario a veces. Pero bueno, sí, la realidad es esa: hoy tengo 21 años, pero sé que hay un montón de cosas para hacer y que tengo que hacer, y trato de todos los días educarme y seguir aprendiendo, y seguir abriendo mi cabeza, y viendo, escuchando charlas, escuchando gente hablar, escuchando gente que habla de la neuroplasticidad en el cerebro, en los jóvenes, y cómo uno puede hacer lo que quiera si confía en eso. Y trato de un poco consumirlo para creérmelo, ¿no? Como dejar un punto: es creérselo hasta que realmente te lo creés. Como hacer que lo creas, o como convencerte vos mismo de que algo esté de una forma hasta que lo creas genuinamente.

— Naomi: Y creo que si tuve la suerte… era esa: lo duro que trabajó mi familia y la autoexigencia que yo logré internamente, que pude conocer algunas cosas que eran posibles, y que eso me hizo dar cuenta de las oportunidades que existían y que yo quería formar parte de eso. Pero incluso hoy sé que hay mucha gente que no tiene ni la posibilidad de conocerlo todavía, y creo que desde algún punto trato de aportar mi parte a eso. Y creo que ustedes se han vendido acá también, así que creo que es muy lindo el espacio que se arma. Y en todas las conversaciones que tengo, siempre trato de fomentar eso.

Síndrome del impostor

— Mesa: Che, no. Vos sabés que me llamó mucho la atención lo que dijiste: que vos tenés premios, ganaste un montón de cosas, tenés un laburo, la gente te sigue, consume lo que hacés, y dijiste que tenés síndrome del impostor. Todos los que están en este mundo seguramente lo han tenido y lo tienen. ¿Cómo encarás esa parte, digamos, para seguirte mandando y decir “che, no me importa”? O sea, porque es falso, digamos. Es 100% falso lo que estás sintiendo, digamos. Pero lo sentís igual.

— Naomi: Y yo creo que es mucho trabajo interno. Siempre fui una persona muy autónoma, entonces es como muy independiente, y que puedo estar sola y trabajar mucho las cosas que me pasan, y pensarlo realmente, e inspirarlo como: che, ¿por qué me siento así? Y ser consciente de que no lo voy a cambiar convenciéndome a mí misma de algo, sino que lo voy a cambiar siguiendo: o sea, continuando haciendo esas cosas que me gustan, y aunque sea ir construyendo bloquecitos. Digo: bueno, esto no, pero esto tuve suerte porque justo me dijeron de hacer esto. No, pero es que seguro fue casualidad. Bueno, de alguna forma, aunque me haga esa sensación, a veces yo creo que si me creo que en algún momento voy a mirar para atrás y voy a haber llegado a cierto lugar, y mirar para atrás después de muchos años y decir: bueno, al final no era así. Al final quizás no fue suerte ni casualidad, sino que realmente trabajé mucho por eso. Entonces yo creo que es, por un lado, ser muy consciente y saber que quizás es algo que no se puede cambiar, pero ser consciente de eso. Y por el otro, creo que soy muy agradecida y valoro mucho la gente que me rodea. Llegué a un mundo en mi vida en el que me rodeo de gente que quiere lo mejor para mí, y eso no suele pasar siempre, o no le pasa a todo el mundo. Y yo creo que en la gran mayoría, el 100% de los amigos que tengo, me son muy supportive, y a veces me hacen ver esas cosas que yo no veo.

— Naomi: Es como, incluso el año pasado, cuando empecé a trabajar y estudiar al mismo tiempo —que cualquiera que lo haya hecho sabe lo difícil que es y lo poco que se duerme— y lo empecé a hacer en el semestre más difícil de toda mi carrera, que era más pesado específicamente, y terminó el semestre y los comentarios que yo recibí de mis amigos… o sea, yo me la haría llorar. La verdad es que siento que ese apoyo está ahí, como que puedo contar con gente que me quiere, y eso, yo soy súper agradecida por eso, la verdad, y lo siento muy así. Y eso bastante me da un: bueno, si esas personas creen en mí, tengo que creer más en mí.

El paper de J-space

— Mesa: Y bueno, no sos ninguna impostora, porque realmente el contenido que hacés baja a tierra unos papers que, o sea, llevarlo eso al pueblo en general es tremendo. Así que yo quiero aprovechar a ver si conseguimos una primicia hoy o algo así. ¿Hay algún paper que te voló la cabeza esta semana, o algo así que la estás cocinando, que podamos sacar lo primero acá en OFF the Record antes que aparezca en tu Instagram?

— Naomi: ¡Ah! No, pero es que ese es el contenido premium. No sé si se puede filtrar.

— Mesa: La buena chiste.

— Naomi: Sí, de hecho, con todo lo que… justo como les dije, acabo de volver de San Francisco, entonces fueron unas semanas súper intensas, y tengo que… de hecho no empecé como ni a planificarlo, pero sí hay cosas que tengo muchas ganas de hablar. Una es el reciente paper de interpretability que sacó Anthropic, el que hablaba del J-space, que fue mal llamado consciencia y que fue bastante viral, en el que mostraban cómo ciertas neuronas se activaban internamente de Claude, y usando el mecanismo que habían hecho hace poco, hace unos meses, para pasar de esas activaciones a texto de una forma bastante accurate, al reconstruir el texto después en las neuronas y ver que eso matcheaba. Y ahora dijeron: detectamos que hay cierto espacio vectorial que se está activando, que no es necesariamente relacionado a esto. Todavía no lo tengo que cranear mucho, pero leí el paper después de ver el video que habían subido y flashé. Interpretabilidad es un campo que me encanta y que creo que es el que más llama la atención, porque obviamente hay muchas cosas que sabemos: podemos conocer la arquitectura, podemos saber lo que es un embedding, podemos saber hasta cierto punto qué cosas pueden estar pasando. Hay un nivel más en el que no terminamos de comprender qué representación le está dando a la data, a la información, al lenguaje o a la imagen o al data point que tiene ahí. Y eso creo que es lo que más… eso es, creo, lo que a mí me divierte mucho hoy, y me gustaría hablar de eso. Estoy por cranear algo de eso, seguramente. Pero sí, seguro por interpretabilidad.

La foto con Karpathy

— Mesa: Yo tengo una pregunta de tu viaje a San Francisco, porque en Twitter había visto una foto con Karpathy, que para los que no lo conocen: fue fundador de OpenAI, el director de AI en Tesla, volvió después a OpenAI, hizo como un lapse de una startup educativa, y ahora volvió, ahora está en Anthropic. ¿Cómo surgió lo de la foto? ¿Cómo lo conociste? ¿Fuiste a una charla o fuiste a un evento y él estaba ahí? Quería hacer un poco la historia detrás de esa foto.

— Naomi: Bueno, es una historia con un final gracioso. Desde hace muchos años lo admiro mucho a Karpathy como referente, porque yo creo que él es, como se dice hoy, un role model. Es algo a lo que me encantaría apuntar, en el sentido de que ha combinado mucho research con producto y con cómo hacer algo que tenga impacto. Tiene una carrera espectacular y al mismo tiempo es una de las personas más importantes en educación de AI. Tiene, si no lo conocen, una playlist de YouTube muy conocida, llamada Zero to Hero, en donde muestra cómo armar un transformer y un tiny pre-training transformer, y una RNN de cero. Y a mí me encanta cómo lo hace. De hecho trato de apuntar un poco a eso.

— Naomi: Y la situación fue que yo no me lo esperaba cruzar para nada. Yo me hice amigos cuando llegué ahí, al programa en el que fui, y conozco a cierta gente. Uno de sus amigos trabaja en Model Welfare en Anthropic, y hacían como un after office un día, y yo le dije: por favor, quiero ir. Obvio, me dice, y me invita a la oficina de Anthropic. Yo toco la vida. Obviamente buscando cómo estará la AGI escondida, ganar una caja: no la encontré. Y realmente lo que pasó fue que subimos al piso donde se hacía esto, llegué ahí, hago dos pasos, lo veo sentado, lo veo sentado a Karpathy, y agarro a todos y les digo: chicos. Y me quedo como… “¿qué te pasa? ¿qué te pasa? Are you okay?”. ¿Están viendo lo que yo estoy viendo? ¿Quién? Ah, ¿cómo que…? Yo estaba relajada. Era como ver a Messi. Para mí era como ver a Messi. No soy de fanatismo, pero esto era justificado.

— Naomi: Entonces yo: lo tengo que hablar. Y todos me decían: dale. Bueno, dale. Justo se para, se para para irse, y como que camina para el lado en el que yo estaba caminando, y es como: me lo voy a chocar. Lo cruzo. Yo creo que, si no tartamudeé muy bien, fue de casualidad, porque lo rápido que hablé… yo sabía, yo decía: el tiempo de este hombre debe valer realmente mucho, y de sobra yo necesito decirle todo lo que tengo para decirle. Y fueron dos minutos que le dije quién era, lo que yo hacía, que lo admiraba mucho, y gracias por hacer todo lo que hace para la humanidad, básicamente. Y súper buena onda. La verdad es que se puso como que se quería quedar charlando, y en un momento alguien le dijo: che, nos tenemos que ir. Y fue como: bueno, perdón. Y le dije: ¿me podría sacar una foto con vos? Sí, obvio. Se sacó la gorra que tenía puesta y sonrió una sonrisa como que me daba que es realmente buena onda, que es como que es humilde, que yo creo que no es dimensional, no importa dónde es, y lo que ha sido para la industria. Y yo en ese momento fue como: wow, no lo puedo creer, esto lo tengo que colgar en mi cuarto. Le mando a unos amigos y se quedan flasheando. A lo que me dicen: para mí lo tenés que subir a Twitter, locura. Yo como: bueno, sí, dejame que me calme yo, saber que está todo bien. Dale, lo voy a subir. Lo subo a Twitter. Creo que pasaban unas horas y sí, bastante que explota, o creo que habían habido muchas visualizaciones, y me están preguntando cómo, che, me lo viste, etcétera. Y obviamente lo hice como por orgullo, porque estoy muy contenta de esto que pasó.

— Naomi: ¿Qué pasa a las horas? Me empieza a llamar este amigo, como tres llamadas perdidas encuentro, y me dice: me están hablando de security, que bajes el post. Yo… y le digo mil perdones, no sabía. Y me dice: no, no son renegues, te pido disculpas. Pasa que se ve un badge de algo de que ellos usan de seguridad —que bueno, no lo voy a aclarar a las dos—, pero se veía algo en la imagen de security, y que sabían que no había sido como con mala intención ni nada, pero que por las dudas necesitaban que lo baje. Y yo como: mil disculpas, por favor que no me pongan en la lista negra, porque yo fue simplemente por emoción. Me dijo: no te preocupes, son muy… como axes con ese tema, como muy realmente exigentes, que tiene todo el sentido del mundo. Después me dijeron: che, ¿pero por qué no le editaste esa parte? Pero en el momento no quería llevarle problemas a él ni nada, y dije bueno, lo bajaron. Pasa: yo tengo la foto al cío. No es que me la vine a inventar. Así que yo sé que fue real, y si alguien no me cree el día de mañana le voy a mostrar esa foto.

— Mesa: Yo la vi. Recién estaba buscando en Twitter para mostrar ahora en el stream y no la encontraba. Sí, estuvo buena la explicación.

Quantum Jam y el clasificador

— Mesa: También comentábamos que diste dos charlas TEDx, que has tenido cierta participación en medios. El año pasado me acuerdo particularmente de esta entrevista que te hicieron cuando ganaron la Quantum Jam, que ahora te vamos a preguntar un poco de eso, porque mencionaste también esa admiración por personas que combinan el lado builder con este lado más académico de research. Creo que lo hacés muy bien, porque competís en hackatones, vas a ganar en diferentes áreas. También estaba viendo una charla que diste justo en Naranja X —le mando un saludo al Benny de la jaca de Córdoba—. Hiciste un separador de residuos con inteligencia artificial. En el país de la locura. Voy a mostrar un videíto cortito de cómo funciona, pero digo: detecta el residuo y de acuerdo a qué tipo de residuo lo tira en diferentes cajitas. Qué locura. Me gustaría que me cuentes un poco más de ese costado builder, de aplicar todo ese conocimiento técnico. Que aparte, si no vieron, también la página de Nao está buenísima. Como entré a verla, estoy compartiendo. Tenés una página donde subís mucho tema de research académico, un poco de lo que trabajás en tus videos. Es como un costado mucho más de research, de investigación, pero al mismo tiempo, digo, estás hackeando, estás construyendo cosas. Uy, abrí Claude, nada que ver. ¿Querés contarnos un poco más sobre eso?

— Naomi: Daré oídos. Me quedó muy grabado, porque pensé que ya ibas a mostrar La Nación, cuando fuimos a la entrevista después de la Quantum Jam, que cuando me preguntaron mi nombre yo me puse nerviosa y dije Naomi como Campbell, y después se rió todo el país, y eso quedó como legado histórico. Porque, claro, es la razón por la que hay rumor. Te estaba escuchando todo el mundo, digamos. Me han escrito como madres de amigos o de amigas, y se llamó… en ese momento escuché que gritaban “Naomi como Campbell”, eso es una divina, y yo como estaba nerviosa.

— Naomi: Pero sí, la verdad, lo que vos decís: yo creo que siempre soy un poco inquieta, en el buen sentido. Entonces, como yo creo que a quienes están acá también les ha pasado —esa es una buena pregunta que ahora voy a responder también—, pero suelo moverme mucho porque es algo que me divierte. No lo hago con un fin en particular, como “voy a ganar esta hackathon para después estar en algún lugar”. Simplemente me muevo por sensación, y para donde siento que puedo hacer algo.

— Naomi: Justo había pasado, además, en la Quantum, que yo estuve a esto de bajarme antes de la hackathon, porque les dije a mis amigos: che, no llegué a terminar la última clase. Nos habían dado para ver ciertas clases que eran como collabs, como notebooks, para aprender cómo usar Qiskit, que es esta librería de IBM que se estaba tratando de mostrar, que es para simular entornos cuánticos, y un poco de matemática, etcétera. Ciertas clases que nos dio uno de los chicos de IBM, y que quedaban ahí los notebooks, y eran varias clases, y la última tenía para hacerles ciertas pruebas. Y yo, además, venía después de época de examen y todo, y a mí me faltaba terminar una parte de la última clase, y el día anterior les dije a mis amigos que se busquen a alguien más: yo no llegué a terminar esto, ya no sé qué. “No, no, venís, venís igual, no pasa nada”. Al final lo terminé, porque estaba manija, y dije: bueno, che, quieren que vaya, voy a ir. Y fueron locuras. No nos esperábamos ganar, pero fue súper divertido, honestamente.

— Naomi: Y yo creo que de la misma forma termino haciendo las cosas que hago un poco por eso, porque es como que trato de aprender de todos los dominios. Lo que mostraste del clasificador era un proyecto por una materia de computer vision. Lo gracioso fue que era una materia de computer vision y había que hacer algo de software, y otros… con mi amigo Toto dijimos: vamos a meter hardware, porque tenemos ganas de hacerlo. Y por suerte estaba el espacio en la universidad para agarrar los componentes. Nos ayudaron las diseñadoras a enterarnos: estaban las impresoras para imprimirlo. Y nos pusimos, obviamente, a adaptar la red de Google que usábamos para hacer el clasificador. Entonces lo que terminaba haciendo era: la camarita que estaba puesta arriba detectaba el objeto. Eso se hacía inferencia en el momento en la computadora, que en ese video justo no se ve. Y la computadora tenía un threshold que decía: si estoy un tanto por ciento seguro de que es esta clase, entonces ejecuta el actuador, que le mandaba una señal al Arduino, y eso hacía que se mueva la cantidad de grados que se tenía que mover para tirarlo en el cajoncito que iba. Eso era una analogía bastante simple, pero nos tomó un montón de tiempo hacerlo. Y yo creo que un poco la analogía de como: che, nos mandamos a hacer algo que no era lo que se esperaba y que era un scope distinto, pero solo porque tenía ganas. Y la usamos como hilo con Toto para esta charla que dimos en Naranja de cómo es ser estudiante de AI en un mundo donde recién ahora quizás se habla de AI en general, aunque es algo que existe hace muchos, muchos años.

— Naomi: Y yo creo que es un poco del espíritu, que de vuelta es un espíritu que fui adquiriendo. Siempre fui inquieta de chica. Me mandaba a actividades extracurriculares, olimpiadas de biología, olimpiadas de matemática, un poco así de todo. Pero cuando lo trasladé a la tecnología específicamente, yo creo que eso es, bueno, builder y educación, como esos pilares.

— Mesa: Ahí seguro que los chicos tienen otra pregunta, pero yo destaco mucho eso: que por ahí nosotros nos enfocamos demasiado en buildear y muchas veces no entendemos cómo funcionan las cosas. Y vos estás tipo metiéndote full deep en research, entender el detrás de la tecnología, y también meter esa habilidad. O sea, es como que realmente explotás los dos lados: entender los fundamentos y aparte estar en la cocina construyendo cosas. Me parece realmente una locura. Y nuevamente te felicito: 21 años y todo lo que estás construyendo es increíble. Es como para que realmente dejes el síndrome del impostor, a ver si te das cuenta del tremendo potencial que tenés y lo que ya estás logrando. Es muy loco lograr destacar en tantas tecnologías a una edad tan temprana, y todo lo que viene en un futuro. Ahí no sé quién quiere seguir con otra pregunta.

Cómo baja un paper a tierra

— Mesa: Bien, sí. Yo le iba a decir, en realidad, más que pregunta, darle la oportunidad de si nos quería contar algo que ella quiera corregir de lo que la gente por ahí más malinterpreta, o más entiende de manera errónea la idea. Porque hay un montón de complicaciones en el día a día de lo que sea, desde no sé, que ChatGPT es todo para la gente y ya está, y andá a explicar qué es un modelo, qué es una red neuronal, lo que quieras. Y como apagué la cámara y se me agarra…

— Mesa: No, no, bueno, disculpen. Nada, perdón, problema técnico. Te dejo de responder a eso, pero me voy a acabar. Fui completamente de tema. Alguien quiere.

— Mesa: Bien. Sí, bueno, ahí mientras Ale arregla. Vos sabés que a mí me intriga mucho, porque vos sos full AI native. O sea, literalmente estás en la facultad cuando el ChatGPT salió, ya estabas, digamos. A mí me intriga saber, por ejemplo, cómo bajas un paper a tierra, y si vos lo vas imponiendo con alguna AI, qué usás, cómo entendés vos las cosas y cómo hacés para entender, porque seguramente, si bien sabés un montón, hay muchas cosas técnicas todo el tiempo saliendo nuevas. Entonces cómo bajas los conceptos a la tierra y lo terminás adquiriendo en tu conocimiento propio.

— Naomi: Buenísimo. Yo creo que lo más importante para eso es que los fundamentos los aprendas. Estar en una clase, que obviamente es una oportunidad increíble y es algo que disfruto mucho. Y es complicado, quizás de cero, saber que todo lo que existe en internet y todo lo que se puede aprender: bueno, ¿en qué me enfoco? Y cómo hago, que me preguntan un montón: ¿cómo empiezo, o por dónde voy, o cómo creo que aprendo?

— Naomi: Yo encontré que me servían mucho canales de YouTube, como Andrej Karpathy, o como 3Blue1Brown, que seguramente varios lo conozcan, que incluso tienen videos de matemática y un montón de cosas, y que tiene visualizaciones, que creo que es algo bastante diferencial, que trato de incluir en el contenido. Porque al ser temas que, si no tenés una pizarra atrás y te dibujás la capa de la arquitectura, quizás es difícil imaginárselo. Entonces yo creo que eso es un gran diferencial que hace que se entienda un tema así o no. Y gracias a los fundamentos que yo he aprendido y todo lo que he tenido, yo creo que hoy por eso tengo una curva de aprendizaje en la que puedo leer un paper, que disfruto además de leerlo y de aprender y bajarlo a tierra.

— Naomi: Pero lo que suelo hacer bastante es ponerme a, o como agarrar una lapicera y escribir y buscar. Todavía armar como un esquema de lo que me imagino. Y uso bastante modelos de lenguaje para como: che, imponeme esto. Los modelos, bueno, como sabemos, en realidad son procesadores de embeddings. Son como: agarran y transforman la representación de un texto o de una frase en algo mucho más rico, que permite que después se pueda generar texto a partir de una buena representación de lo que ya hay. Esto es: son muy buenos en hacer estas transformaciones de embeddings. También son muy buenos en unir los conceptos similares, porque simplemente para lo que sería un concepto similar para una computadora son dos puntos en un espacio vectorial que están cerca matemáticamente. Entonces eso es muy fácil para un modelo de lenguaje, y eso hace que si vos le das el contexto suficiente y le das algo nuevo y le pedís que lo relacione con algo que ya sabés, sea muy bueno para eso.

— Naomi: Entonces, siempre todo para cranear como: che, no, se salió esta nueva arquitectura de Kimi y sé que hace algo nuevo con atención, pero no sé bien qué. O sé que agarró el transformer y le agregaron cinco expertos en esta parte. Y como hoy en día lo que tenés es que a cada arquitectura a veces se le pueden hacer tres cambios pequeños y te cambia absolutamente el output. Y eso es lo que está pasando hoy, por eso hay tantos papers. Y incluso si no llego a terminar de leer algo, pero quiero ya tener una idea antes de leerlo bien, suelo decir como: che, explícome qué es lo que cambia esto del transformer original, o qué es lo que cambia de algo que yo ya sé. Hago esas comparaciones y eso funciona muy bien, justamente por cómo es la arquitectura de un modelo de lenguaje, y que se van a hacer bien esas conexiones. Entonces siempre trato de hacer esas cosas: primero, hacer esas relaciones, ya teniendo esas bases y fundamentos como medio construidas. Y por otro lado, hacerlo muy visual, que creo que es clave. Entonces agarro, pimponeo. Ahora estoy usando mucho voice mode y tengo charlas. Como tengo así con ustedes, tengo charlas sobre arquitecturas de modelo de lenguaje y papers con GPT, con Claude. Hago mucho eso porque me sirve a mí también el hacer el lead de vuelta y el pimponear. Y a veces, incluso cuando lo decís en voz alta, te pasa eso: que vos te das cuenta de cosas que estás diciendo y de que si es entendible o no.

— Naomi: Y a la hora de llevar eso a un contenido, empecé diciéndoselo como a familiares o gente que no estaba ni cerca de la tecnología: che, ¿esto lo entendés? Hasta que mi abuela me decía: me encanta verte, pero no te entiendo nada. Yo como: ok, tengo que bajar todavía un poco. Y no es fácil bajarlo a tierra, obviamente, porque yo estoy hablando de exámenes de hacer backpropagation a mano que he tenido que hacer, a decir como: che, bueno, este es el concepto de esta analogía. Y de alguna forma, buscando bajar eso a tierra, terminé ganando muchas analogías yo, y ahora creo que tengo una capacidad un poco incrementada de poder hacer analogías simples. Y eso lo estoy todavía construyendo y mejorando, etcétera. Pero la realidad es que es algo que hago constantemente, y todo fía a que el feedback es recibido, y me encanta que me den feedback. Y la verdad es que, bueno, es algo que no es fácil de hacer, pero que yo creo que obviamente tiene una hora de entrada, que aunque se baje más, yo creo que si a alguien no le interesa aprender algo técnico de esta manera, simplemente no lo ve. Así que si alguien está mirando el video, seguro les interesa. Y seguro como dicen: che, quiero aprender sobre esto. Entonces eso ya me da como un aval de: bueno, esta persona, quien esté mirando atrás, le interesa, y de vuelta se transmite de la forma que lo transmito. Pero sí, el proceso creativo no tengo como una serie de pasos, sino que simplemente es pimponearlo.

— Naomi: Otra cosa que hago bastante, no solamente con el proceso creativo, sino en general en mi vida, es agarrar y comparar outputs, que es algo que quizás suena bastante obvio, pero que muchas veces no se cuenta: que hay sesgos de preferencia en un modelo en específico por sus propios outputs. Entonces, si hay algo que el modelo es más propenso a generar, probablemente le guste más. Es como algo implícito, pero que se ha investigado y se ha testeado, aunque no se sabe con certeza. Y eso lo que genera es que si yo todo el tiempo hablo con Opus 5 y le digo: che, corregime esto, Opus 5, le va a gustar lo que Opus 5 dijo. Entonces, como pareciera una manera burda, el hacerlo: agarrar un output y pasárselo a otro modelo, a otro provider, etcétera, para que se comparen y para que hagan ciertos comentarios entre sí, suele enriquecer bastante el resultado. Y es algo que se nota más en generación. O sea, se nota más en generación de texto, en generación de contenido de esa forma. Porque es algo que creo que hasta el día de hoy, en los que ese sesgo se nota mucho. Pero también pasa para programación, también pasa para armar una página web, para diseño, para, o sea, todos los medios que se imaginen. Eso, que quizás es algo que no se habla mucho, pero el comparar outputs, o como agarrar a uno y que trate de roastear la respuesta del otro y la deje mejor, eso enriquece mucho el resultado. Y es como el consejo que más daría, porque tiene una justificación matemática y estadística de cómo funciona la naturaleza del modelo. Entonces tiene todo el sentido del mundo decir: che, le gusta lo que genera, pasáselo a otro y que opine sobre eso. Suena a lo que tiene sentido. Y eso es un aspecto.

Markdown, HTML y lo visual

— Mesa: También recién Juli de Angelis hizo un comentario —le mandamos un saludo grande—, tremendos artículos de divulgación, que es el tema de hacerlo visual. También pasa como estudiante de diseño, y creo que para mucha gente que le entra todo más por imágenes, que puedas agarrar contenido mega técnico y hacerlo menos abstracto a través de ilustraciones, dibujitos, de iconitos, de partir la cabeza: o sea, es como que es una manera mucho más gratificante de aprender. Así que nada, se valora muchísimo ese contenido.

— Naomi: No iba a decir que eso pasa en la academia también. O sea, de hecho te das cuenta que hoy un paper que no tiene ni un gráfico parece más monótono. Y eso empezó ahí, empezó en research, tratando de decir que necesitamos estar en el organismo visual, poniendo gráficos en papers, y eso se termina evolucionando a hoy en día que se puedan incluir animaciones, etcétera.

— Mesa: Ahí Julián te pregunta: ¿qué opinás de armar HTMLs visuales e infografías en vez de markdowns, que es por ahí el formato ahora tradicional que escupe la AI por defecto, no?, las listitas y todo esto.

— Naomi: No sé si la pregunta está orientada como contexto o para un producto, por ejemplo, etcétera. Porque siguen siendo, de alguna forma, unos formatos. Pero si quizás agarrar un markdown y tirárselo como contexto a un LLM, pues funcionan mejor quizás que pasar la página web y que la scrapee. Pero a un humano no le otorga nada. Entonces, ahí a lo que a veces no nos damos cuenta es que los LLMs no consumen igual que nosotros y no tienen la misma forma de leer la información, al ser una computadora. Entonces es muy probable que lo que a nosotros nos sea más apelativo, o nos llame más la atención…

— Mesa: ¡Ah, buenísimo, para humanos!

— Naomi: Bueno, exacto. Sí, yo prefiero mil veces algo visual, mil veces. De hecho, algo que me molestó mucho de cuando se empezaron a usar markdowns generados por el modelo de lenguaje es que yo usaba mucho Notion antes, desde hace años, y Notion nativamente, cuando exportamos una página, ya sea por tomar nota, lo que sea, bueno, es un markdown por atrás. Entonces te lo exporta en un formato que a mí me encantaba. Y después de los markdowns, cuando descargás un MD de Claude, es igual a como sea un Notion exportado, porque también es un markdown. Entonces me pasó de a veces querer mandar informes escritos a Notion y que me digan: no, pará, pero parece que lo hizo Claude. Y yo, en eso… y bueno, hay cosas que sí, que pasan eso. Pero yo soy recontra full por lo visual, o HTML.

— Naomi: Sí, yo creo que también depende muchísimo la aplicación, lo que estés haciendo, etcétera. Pero para lo que es el aprendizaje, a mí me gusta tener las cosas visuales. Gracias por eso. Pero sí.

Un año en fintech

— Mesa: Y hablamos de toda la parte de lo que era lo académico, hablamos de la parte de builder, pero vos estás hace más de un año en el mundo corpo también, y bueno, justo en tu área y justo en una de las industrias más picantes, decir, lo que es Argentina fintech ahora, y con uno de los sillones más mediáticos y más interesantes para estar trabajando, con una cultura bien definida. ¿Qué tanto te cambió en ese último año? Y si vos tuvieras que dar un consejo para alguien que está así en la parte más junior de su carrera, ¿qué es lo que aprendiste que puede aplicar?

— Naomi: Bueno, yo creo que empecé a hacer mucho producto gracias a tener una experiencia laboral de esa forma. Porque siempre está como esa creencia: bueno, hay una discrepancia entre lo que se aprende en la facultad y lo que después terminás haciendo en el mundo real. Y eso es cierto, no vamos a decir que no. Ni vamos a buscar desmitificar algo que no es. Y yo un poco, como ya lo que veníamos diciendo antes, soy una persona que tenía que hacer cosas. Como: che, quiero tener experiencia de lo que estoy aprendiendo, porque me encanta la academia, pero también quiero hacer algo que afecte, que pueda llegar a muchas personas. Y tuve la gran posibilidad de empezar en un contrato que me permitía mantener mis clases y todo, aunque obviamente no era fácil.

— Naomi: Y la verdad es que ha sido una gran experiencia. Yo creo que la curva de aprendizaje siempre al principio, laboralmente, es exponencial. Y me dio la posibilidad de no solamente aplicar cosas de ahí, en donde se armaba cierta sinergia entre clases que tenía y después lo que aplicaba en el trabajo, sino también lo que es el software engineering per se de toda la vida, y manejar diferentes stacks tecnológicos, y clouds, y ese tipo de cosas que yo creo que siguen siendo importantes a la hora de tomar una decisión, y que quizás no lo sean por muchos años, y quizás el paradigma cambie realmente, porque cuando se pueda resolver el problema del contexto… no sé si tengo dudas de que una AI pueda llegar a tomar una decisión con el mismo nivel de contexto que un humano. Hoy es como muy difícil pensarlo, incluso con todo lo que se le da. Pero la realidad es que no creo que estemos muy lejos de ese punto. Pero hasta hace poco tiempo uno decía: sigue siendo importante el criterio. Y yo estoy de acuerdo por ese lado. Yo creo que sigue siendo importante el juicio y el criterio que tiene uno, y yo quería construir ese criterio y construirlo desde la de un producto también.

— Naomi: Entonces yo creo que desde ahí a mí me salió la motivación de, bueno, tener la experiencia de trabajar en algo que tiene muchos clientes y algo que tiene una misión que me parece inspiradora, que me parece que tiene un lindo objetivo, y sentir que tengo ese impacto en un lugar que ya tiene ese dominio y abarca tantas personas. Y de esa forma, obviamente, todo lo que es aprender a manejarse en el mundo, con stakeholders, con charlas que hay que tener, y con cierto lenguaje, y con burocracia, y bueno, temas que a veces te forman mucho como persona, más allá de lo que uno termine haciendo en el futuro. Y ha sido una experiencia súper amena. Y también me ha dado la posibilidad de aplicar de esa manera todo lo que venía aprendiendo, pero de un lado mucho más… para el que quizás es lo que uno ve más en Twitter o en las redes, que es como lo más product related. Entonces como que terminé teniendo los dos mundos gracias a eso: el mundo académico y el mundo más producto, o de desarrollar agentes en producción, ayudando a un stakeholder o a un cliente que le puede mejorar algo de su vida. Y eso también me dio como el: bueno, quiero hacer otras cosas de este estilo. Y por eso también me termina… terminando un proyecto en una materia aprovechando, o terminaba haciendo una hackathon. Y creo que de alguna forma por eso me armé como una persona bastante medio well-rounded, y que tiene todos esos intereses, y que trata de hacer lo que le gusta todo el tiempo, y hacer muchas cosas. Que también es una realidad.

Computación cuántica

— Mesa: Genial. Te queda una pregunta, volviendo un poco a tu era de computación cuántica. No sé qué tan a la entrada estás en el tema, pero yo siento que, por ejemplo, quería… para hacer más que nada tu opinión, en realidad, sobre el desarrollo de la computación cuántica, modelos de lenguaje corriendo en computación cuántica, si es posible. Oye, eso es una barrera que podría llegar a desbloquear el caso de correr un modelo de lenguaje avanzado en un hardware tan de frontera, ¿no? ¿Qué ventaja nos daría esas cosas? No sé si la sabés o tenés una opinión formada. Sería genial que nos las puedas dar también.

— Naomi: Buenísimo. A ver, no me considero una experta en computación cuántica. Así, creo que soy como una aficionada, que creo que está, que me interesa mucho, y que definitivamente no tengo ninguna duda de que va a haber mucha confluencia con la inteligencia artificial. En términos simples, la computación cuántica lo que te permite es escalar mucho el tiempo que te toma realizar una tarea en una computadora normalmente, a nivel hardware. En lugar de bits que tenemos hoy en día, que tienen dos estados, 1 y 0, un qubit —que sería un bit cuántico— que por sus propiedades físicas te permite tener varios estados al mismo tiempo. Es decir, como que no tenías tanto ni en 0 ni en 1. Y obviamente hay un montón de física detrás y no me voy a meter en eso. Pero lo que eso permite en términos de aplicaciones es que se pueden hacer cosas mucho más rápido, básicamente. Entonces se pueden probar algoritmos que, si se pudieran correr en computadoras cuánticas, algo que puede dar años como resolver —como probar distintas combinaciones de una clave criptográfica— se puede hacer quizás en horas.

— Naomi: Y ese escalado exponencial es algo que uno diría: bueno, ¿cuál es probablemente un problema en el que nos vamos a enfrentar, y ya nos estamos enfrentando? Es la falta de cómputo que hay hoy en día, especialmente para la AI, porque sabemos que la AI necesita mucho cómputo. Entonces hay una diferencia entre lo que es el prefill y lo que es el decode. Y en términos de hardware, lo que pasa es que el prefill, que es la parte de leer el prompt, eso se puede paralelizar: lo que uno le da, como el contexto que uno le da inicialmente. Y ahí eso se puede paralelizar, paralelizar en términos de hardware. Es decir, se puede mandar a distintas computadoras físicas, en distintos data centers, ese procesamiento, porque lo que se computa, que es la atención, no tiene un orden. Entonces lo que se hace es se computa de cada palabra a todas las otras palabras al mismo tiempo. Eso se hace por varias cabezas. Me estoy yendo muy técnico, pero eso se puede paralelizar, para hacer un resumen. Ahora, generar respuesta a nivel inferencia no se puede paralelizar, porque eso es palabra por palabra. Sí o sí, la segunda palabra va a venir después de la primera y la tercera va a venir después de la segunda. Porque necesitamos haber generado la primera y la segunda para tener el contexto y que eso pueda volver a usarse en prefill para analizarse, para computar la atención y para generar la tercera.

— Naomi: Entonces eso lo que hace es que, bueno, por eso hoy se está poniendo tanto en inferencia, y como: che, nos cuesta tanto la parte de prefill, y incluso la parte de entrenamiento, que necesitamos que los modelos sean mejores en inferencia. Pero pensando en computación cuántica y en todas las posibilidades que se pueden hacer —que hoy en día, de hecho, existen pocas computadoras cuánticas en el mundo, y también hay un tema que es que no hay tantos qubits estables, que esas son propiedades de la física para poder hacer el procesamiento que se necesitaría, por ejemplo, para romper los algoritmos criptográficos que encriptan hoy todas tus contraseñas, el banco, la web, etcétera—. Aunque, de hecho, ya en la web se están acusando de algoritmos post-cuánticos o post-criptográficos, como asumiendo que eso ya va a pasar. Pero la realidad es que, al permitir hacer tantas cosas al mismo tiempo, se puede paralelizar incluso más esto y hacer más rápido, y eso que nos cuesta hoy tanto cómputo podría, yo creo, ser una solución súper interesante de aprovechar, que yo creo que hoy no se le está dedicando tanto simplemente porque hay prioridades, como la AGI, en las distintas empresas de frontera y startups que están avanzando tan rápido.

— Naomi: Pero una posible aplicación podría ser tranquilamente esa: cómo agarrar y hacer el prefill en una computadora cuántica. Y sería una locura imaginar qué es lo que puede pasar, y sería una locura lo rápido que puede ir, y lo bien que puede andar, y lo bajo que puede ser el costo, que es a lo que hoy es bastante alto. Y lo mismo con el decode. Yo creo que todo eso se podría explorar una vez que haya avanzado más el campo. Y con todo el capital que se está poniendo hoy, etcétera, es algo obviamente para investigar. Y no solamente en la aplicación de software, sino en aplicaciones de medicina, de probar muchas combinaciones químicas para encontrar un fármaco, de probar muchos estados de una materia para poder hacer mejor el campo en un montón de industrias. Que la realidad es que el hacer esto más rápido, como lo que permitiría la computación cuántica, y paralelizar este trabajo del momento de inferencia de la inteligencia artificial, yo creo que puede traer un montón de beneficios que todavía no nos imaginamos, y que no hay mucha gente trabajando. La realidad es hoy en día porque es como apuntarle a la AI cuando no existía GPT. Creo que tiene un poco esa sensación.

— Mesa: Están llegando un montón de comentarios en el chat, Nao. Ahí Oscar te dice si tiene sentido una compu cuántica en Argentina, si conocés de esto cuántico en Patagonia.

— Naomi: Sí, sí, lo conozco. Yo no sé si soy la persona para responder “una compu cuántica en Argentina”, para decirlo si sí o no. Yo creo que sería una locura. Y yo creo que tenemos unas condiciones meteorológicas, físicas, que nos permiten hacer eso. O sea, nos permiten tener quizás las condiciones necesarias para que estos qubits sean estables. Y obviamente sería una locura, porque nos posicionaría muy bien en el mundo, en ese ámbito. Hace no mucho, en Crecimiento, hablando con Fagu —que creo que vos, Art, te acordás—, que también formaba parte de esa industria, y hablar con eso te das cuenta que es súper importante y que lo importante es que haya gente en Argentina apostando por eso.

— Mesa: Sí, sí, deberíamos traerlo a algún episodio. Creo que serías una gran mentora para el hackathon que está haciendo Paisanos de hardware. Lo había pensado. Si no hackeás, tenés que ir a mentorear, porque has hecho cosas muy copadas.

— Naomi: Yo quiero ir, no sé cómo, pero voy a ir. Yo estoy buscando equipo, así que si a alguien le faltan… hay dos, ahí nos faltan dos, estamos en el buen equipo.

— Mesa: Y después otra cosa que te iba a decir: me encantó porque tocaste temas de attention y softmax, del paper ese, que también era re abstracto, y creo que lo bajaste de manera súper simple. Así que está copado que despertaste interés en papers técnicos, ¿no?

— Naomi: Bueno, mi objetivo es que después me pidan el link a los papers en cualquier charla que dé. Hoy, de hecho, el otro día también le he hecho online en la empresa y hablaba de computer vision, y después alguien me dijo como: che, ¿tenés el link a los papers? Y fue como: con play me debés agarrar, me encantaría.

— Mesa: Ojo que esto también es un segmento mensual para builders, así que cuidado con comprometerte demasiado, porque te va a llamar la banda seguido.

— Naomi: Yo le dije ahora más temprano: a mí me encanta hablar de esto, así que me pueden tener horas hablando de atención, hablando de transformers, hablando de lo que sea que esté basado en un paper. Hablando de post-training, hablando de RL, hablando de reasoning agents. Me divierten muy bien.

Interpretability, scaling laws y post-training

— Mesa: No, y de todo lo que sabés, ¿qué es lo que te vuelve loca? O sea, si vos decís: esto, me quiero dedicar a esto, porque esto me vuela la cabeza.

— Naomi: Uy, qué pregunta. A ver, yo creo que hoy una de las cosas que me divierte mucho es mechanistic interpretability, que es lo que hablaba antes de interpretabilidad: que es tratar de entender un poco qué es esto que está pasando a nivel vectorial y en los hidden states, en los estados internos de los modelos. Yo creo que eso me parece súper divertido. Y por otro lado, en cuanto a entrenamiento, inferencia, etcétera, yo soy una creyente de las scaling laws. Las scaling laws es un paper que claima que el pre-training mejora con el escalado del cómputo, de la cantidad de datos y del tiempo de entrenamiento. Pero también soy creyente de que eso tiene un límite: es decir, que ahora no se está mejorando tanto la inteligencia de los modelos por pre-training —me pueden discutir acá lo que quieran, y quien me quiere escribir y discutir sobre esto, me encanta discutirlo—. Pero teniendo esa cuenta, como que shiftea todo a post-training, y tiene todo el sentido del mundo hoy trabajar en post-training. Y eso es inference-time compute, que es básicamente hacer los modelos más inteligentes y más baratos en inferencia. Y después, tener reinforcement learning. Y esos problemas que es como: bueno, ahora ya son inteligentes, ¿cómo hacemos que sean especialmente buenos en ciertos dominios? Se me parece súper divertido. Y bueno, hay problemas: hay cosas que son verificables y que se pueden medir con un número, hay cosas que no. Y es un problema súper interesante, porque seguramente eso termina siendo la diferencia entre una AGI, o algo que no tenemos muy claro qué es lo que es o cómo se vería, con un modelo medio que simplemente te da la respuesta más probable y que te cae en el output genérico, que sería la mediana de esa distribución.

Tokens y jagged capacities

— Mesa: O sea, que tengo una pregunta. Es justamente, lo hablamos temprano, pero me gustaría una respuesta más linda de acá en stream, que es: ¿por qué se da la divergencia entre… viste que nosotros medimos las capacidades de la AI y las juzgamos medio con nuestras capacidades humanas, y decimos por qué puede resolver un ejercicio de olimpíada matemática o lo que sea, y a la vez puede no saber cuántas erres tiene strawberry, o que si voy a lavar el auto no me olvide el auto en mi casa? ¿Por qué se dan esas clases de cosas? Y si es algo que tenemos que destrabar, o es simplemente… o sea, ¿cómo hacés para modelar? ¿Podés siempre decirle cuánto falta para la AI? No entiendo cómo modelás. Cuando no veo que sea ni lineal ni exponencial, ni ninguna razón de cambio que vos digas: puedo decir, en este tiempo pasa esto. Me parece totalmente… no sé si sirve aleatorio, o por qué no.

— Naomi: Sí, eso es una pregunta súper interesante. Y creo que hay varios temas que tratar al respecto. La primera es por qué los modelos son muy buenos en escribir un ensayo, pero no sé, encontrar letras en una palabra, o eso les costó mucho más. Como que es una característica que no nos imaginaríamos que tienen. Es que, por un lado, bueno, los modelos no ven letras, no palabras, sino que ven tokens. Eso creo que es algo que ya se sabe, que es recontra conocido. Y eso hace que, no sé, strawberry o ese tipo de cosas que se hicieron famosas en su momento, no sea, creo que son como 10 caracteres. No sean 10 caracteres, más o menos, para un modelo, sino que sea la cantidad de lo que se separan esos tokens. Y pedirle contar esas R es, para un modelo, como nosotros, como que nos pidan contar la cantidad de píxeles en una imagen. Como que no tiene ningún tipo de sentido, porque no hay una correlación: lo ve como si fueran cosas diferentes.

— Naomi: Y eso existe, bueno, justamente porque hay un tradeoff entre el tamaño del vocabulario y ahora la secuencia. Y eso hace que, si nosotros queremos crear un vocabulario que sea simplemente caracteres, que cada letra sea un token, te voy dando el teclado. Te pasa que, bueno, tenés un vocabulario muy chico porque sólo tiene la cantidad de letras, pero se vuelve súper largo cada cosa que querés armar, porque necesitarías muchos tokens. Y por otro lado, si tenés palabras enteras, y si yo digo que un token es una palabra per se, te pasa que cada vez que viene una palabra nueva se te rompe el vocabulario. Entonces el tradeoff es lo que llegó a hacer que haya un punto medio que se llaman subwords. Que por eso hoy hay diferentes tokenizadores, y cada modelo y cada empresa tiene su propio tokenizador. Y es justamente porque se necesita como un punto medio.

— Naomi: Y bueno, de hecho pasó, por ejemplo, que Llama a los números los quiso tokenizar dígito por dígito. Porque si decía que 2024 era un token, 2024 y 2025 no tenían correlación. Como que quedaban lejos. Y tenía que existir esa relación, porque eso es pues lo que terminó haciendo: que el embedding de ese token te dé la intención de qué significado es que tiene, y es la forma en la que lo entiende el modelo. Entonces ese tipo de razones aritméticas las tuvieron que hacer. Y de ahí, bueno, la pasó lo comercial: que te empezaron a cobrar por tokens, porque el token es la unidad de cómputo. Pero como eso, aclarándolo, que creo que es algo que está bueno mencionarlo, y el caso específico que es súper famoso.

— Naomi: Hace unos días Sam, en una entrevista, justo habló de las jagged capacities, que es como algo que no sé si es la definición literal, pero es como capacidades irregulares, en donde te pasa que los modelos hoy te resuelven cosas muy complejas —incluso hoy diría que matemática de posgrado, que hoy es un benchmark— de forma simple, pero algo que un nene de tres años sabe hacer no lo puede hacer. Es que no terminamos de saber dónde van a ir esas capacidades, justamente porque no conocemos bien qué es lo que pasa ahí y cómo se generan esas capacidades, porque no se generan de la misma forma que nosotros aprendemos, aunque se trate de imitar. Entonces lo que llama mucha atención es que, bueno, la frontera va a estar en algún lugar que no nos imaginemos. Y probablemente cuando avance esa frontera es que nos llame tanto la atención, porque hay esa diferencia y esa discrepancia.

— Naomi: Y la realidad es que ese aha moment… todavía hay cosas que los modelos no pueden hacer directamente, y que no sabemos todavía si se resuelven con escalar estos parámetros, cómputo y datos, o si se resuelven con mejores reglas en reinforcement learning, o cómo es que se resuelven. Es que hay un gap en que el modelo pueda aprender de forma continua y que siga modificando su conocimiento y como incorporando todo como memoria. Que hoy ese cuello de botella, que es el contexto, que es como lo más complejo de todos, que es darle todo el contexto: hoy es como un producto de ingeniería, darle buena memoria o dar una forma de transformar el contexto a los modelos. Eso debería ser intrínseco del modelo. Y ese es como el punto al que yo creo que vamos a creer que hay cierta AGI: en donde haya de una forma un entendimiento similar al que tenemos nosotros como humanos. Que es una locura, porque no nos damos cuenta, pero cada vez que hacemos algo, cada decisión que tomamos y cada cosa que hacemos está de una forma inferida y afectada por todo el contexto que tenemos nosotros, que es todos los años que has vivido y todas las decisiones que has tomado y todas las decisiones que has hecho en tu vida. Y si podemos transferir ese conocimiento y ese tipo de aprendizaje a una computadora, probablemente ese punto sea una singularidad, que sea como un aha moment en todos los dominios. Porque de una el mismo modelo va a poder agarrar y ejecutar una tarea física en un robot aunque nunca haya tenido experiencia en eso, y aprenderlo muy fácil.

— Naomi: Pero la realidad es que sigue siendo distinta la manera en la que aprende una AI y a la que aprendemos nosotros. Entonces, al momento de construir y al momento de avanzar en la frontera y la investigación, nos damos cuenta de en qué forma es diferente y cómo podemos potenciar eso y potenciarnos, justamente. Y yo creo que, bueno, por eso se sienten esas diferencias, y por eso es tan raro, y por eso también es como: bueno, no sabemos qué es lo que va a surgir y en qué lado. Porque quizás termina escalando, quizás el punto es aumentar un 2x la cantidad de parámetros que se usan en el entrenamiento hoy y quizás eso cambia absolutamente todo. O quizás agregarle una capa, o cambiar un parámetro de la capa del transformer, o hacer una amplificación pequeña en la arquitectura, cambia absolutamente todo. O quizás hay un punto en el que no se puede. Lo que tiene es que los modelos son muy buenos generalizando, y tratamos de harcodearlos lo menos posible, de una forma.

— Naomi: Entonces yo creo que esa Bitter Lesson, o no, ese paradigma en el que estamos hoy: como que cuando hay ciertas capacidades que no le salen del todo bien, o que le sale bien pero creemos que sean muy buenas, se terminan como harcodeando de una forma, o como rebordeando. Cuando sea natural del modelo y de su forma de hacer inferencia, yo creo que ahí ya no se abre esa discrepancia entre lo que le sale bien al modelo y lo que no. O sea, y esa discrepancia entre el mundo, que también es una re diferencia: el mundo físico real, que el modelo no tiene idea de cómo se experimenta el mundo físico, a menos que tengas un world model, que es lo que se busca hacer. Y eso me parece una locura también. Vamos a seguir sintiendo eso. Vamos a seguir sintiendo como: bueno, está bien, habla de física, perfecto, pero nunca, nunca experimentó esto que es la gravedad. Y cuando esa línea se vuelva muy, muy fina y ya no tengamos la diferencia, yo creo que va a ser un momento en el que nos vamos a dar cuenta que esto no es una tecnología más, sino que es realmente lo que va a cambiar el rumbo del mundo. Yo me pongo muy filosófica cuando me dejan hablar. Solo quiero decir eso.

Cierre

— Mesa: A mí me encantó la explicación. Quería aprovechar también para recomendar tu charla TEDx, en donde hablás bastante sobre aprendizaje por refuerzo con feedback humano, algo que recién mencionaste, y acá lo explicás súper bien. En siete minutos es impresionante: en tan poco tiempo cómo explicás algo de vuelta complejo, de manera tan simple, muy atrapante. Así que los que se van con ganas de este episodio de escucharte más, escuchen las entrevistas que hay de Nao, porque son una locura. Hay varias entrevistas en YouTube que están muy buenas, así que nada, aprovechen. Llegamos a un millón de preguntas que no pudimos mostrar, lo quiero decir, porque nada, no nos da el tiempo. Literalmente nos quedaríamos tres horas escuchándote y aprendiendo, porque sos como una enciclopedia de AI. Lo haremos en otro episodio. Y acá simplemente agradecerte por tu tiempo, por la claridad, por sentarte a charlar con nosotros. Yo me quedé re manija. Leí un comentario de: ahora arranca el rabbit hole de quedarse toda la noche manijeando cosas. Creo que nos vamos a ir así. Así que vamos a agarrar un paper de Claude y quedarnos a la noche leyéndolo. Re nerd era, pero…

— Mesa: Mirá, yo me perdí la boquita por esto. O sea, literalmente que estoy muy enganchado con la charla. Va a ser a las 10 igual, tranquila.

— Mesa: Pero sí, mira, lo que estaría bueno es que después nos pases links de papers que nos recomendarías como para arrancar, y nosotros también poder ponerlo en nuestro Twitter de Builders OFF the Record, como para poder decir: bueno, quieren entender lo que decimos, o de lo que hablamos, más allá de la explicación que nos dé, pueden empezar por acá.

— Mesa: Una luz importante, conectado a eso, es que estamos lanzando hoy nuestra comunidad de WhatsApp de Builders OFF the Record, para que la audiencia tenga un canal de contacto más directo con nosotros, con invitados que quieran sumar. Estás más que invitada, Nao, a sumarte, y sigamos la conversación por ahí. Así, bueno, lo vamos a publicar en breve en Twitter: el link, el QR para que se puedan sumar. Lo podemos dejar fijado unos días, así que lo tienen ahí a mano. Así que bueno, nada, mil gracias por estar, y gran episodio hoy. No sé, ¿quieren una ronda de despedidas, decir algo, palabras de cierre?

— Mesa: Yo ninguna despedida. Yo la comprometo en vivo, en directo, lo que quieran, a que vengas de nuevo. Y si no, la vamos a encontrar en un hackathon. Así que en un momento la vamos a interrogar, quieras o no, lamentablemente. Y en la Builder House te esperamos, en alguna saga, algo que organicemos. Más que invitada también a darte una vuelta.

— Naomi: Sí, lo vi, lo vi justo hoy. Espero que me inviten a tomar mate de día y que no sea a las 9 de la noche, porque si no no duermo por un mes a este punto. Pero me encanta, y seguro tenemos que cruzarnos en los hackathones. Y nada, mil gracias realmente por la invitación. Me divertí mucho. Como dije, yo haría esto infinitamente, así que más allá de este espacio, ustedes por los que los conozco, y quien esté escuchando: si en un momento como quiere charlar sobre algo, soy una persona que hace muchas cosas, pero que siempre se hace un poquito para discusiones intelectuales y técnicas, y creo que está buenísimo, y es colaborar de esa manera. Y nada, me encantó la invitación, me divertí un montón. Muchas gracias. Espero volver a charlar, próximamente.

— Mesa: Oye, oye, oye. No van a faltar oportunidades, pienso.

— Mesa: Tal cual.

— Mesa: Siempre se llama. Bueno, cerramos acá entonces.

— Mesa: Bueno, lo vemos. Cerramos, che.