¿Los sismos no se pueden predecir?

Este es un tema polémico, pero me gusta lo que no está claro y que es incierto porque ese es exactamente mi trabajo como investigador y docente, aclarar lo que es oscuro. Este es el trabajo por el que recibo un pago de la sociedad mexicana mediante nuestros impuestos. Así que aquí me tienen abierto a la discusión civilizada sobre este tema, sin dogmas.

 

La cantaleta de moda “Los sismos no se pueden predecir”. Esta frase la he leído repetidamente en las redes sociales desde que los científicos del Sistema Sismológico Nacional han tenido que desmentir todos esos rumores sobre la posibilidad de un mega-terremoto o tonterías por el estilo. Entiendo y apoyo totalmente la posición de los profesionales e investigadores sismólogos que deban aclarar que es imposible predecir con total certeza cuándo, dónde y cuánta energía tendrá un sismo con la tecnología y el conocimiento actual.

 

Sin embargo, quiero aclarar que aunque no podemos predecir con total certeza, eso no quiere decir que no se pueda predecir algunas cosas bajo ciertas condiciones y con cierta confiabilidad probabilística. Es decir, no podemos hacer predicciones determinísticas, pero sí hay posibilidad de hacer predicciones probabilísticas. Hacer un predictor probabilístico de sismos con alta confiabilidad es un problema abierto de investigación. Les recomiendo leer con cuidado el articulo Earthquake Predictability, Brick by Brick sobre cómo el autor propone atacar de manera sistemática el problema de la predicción de los sismos.

 

Decir simplemente que no se puede hacer algo, bloquea mentalmente el desarrollo de la tecnología y del conocimiento sobre sismos que podría salvar vidas y la infraestructura de la sociedad mexicana. Para mostrar de que sí ha sido posible, voy hacer un recorrido sobre algunos trabajos científicos que han sido publicados en revistas especializadas confiables y que han sido revisados por expertos de la misma área. Recuerden que en la ciencia fáctica, no hay verdades eternas, eso sólo ocurre en el mundo fantasioso de las matemáticas y la lógica. Así que guarden cierto escepticismo en lo que van a leer.

 

1.- Tilt Precursors before Earthquakes on the San Andreas Fault, California. Este es un artículo publicado en Science en 1974 que reporta que los cambios de inclinación de la superficie terrestre cerca de la falla de San Andrés ocurren antes de que sismos moderados sucedan. Cito textualmente a los autores del trabajo: “During aseismic periods slow systematic tilting of up to a microradian per month generally occurs in a particular fixed direction. However, prior to local earthquakes this direction can change grossly, and, after the earthquake, systematic tilt again occurs, although in a new fixed direction. This effect has been seen now for more than ten single events or groups of earthquakes, and no similar effect has been seen yet without the occurrence of an earthquake”. Esto es evidencia experimental que muestra que es posible correlacionar los micro cambios de inclinación terrestre con la ocurrencia de los sismos por anticipado ¿Qué tan confiable es este precursor? El artículo no lo estudia de manera extensa y general en distintos partes de la Tierra.

 

2.- Earthquake prediction: 20 years of global experiment. Este artículo publicado en la revista Natural Hazards de Springer en 2012 reporta un estudio experimental donde se evalua el desempeño de dos algoritmos para predecir sismos de magnitudes mayores a 8.0 y 7.5. El experimento duró 20 años desde 1992 hasta el 2012 y fue aplicado en distintos lugares de la Tierra. Este fue un estudio más extenso y más general que el anterior artículo. Lamentablemente, no reporta el número de falsos positivos que tuvieron los algoritmos, sólo hace un análisis del número de predicciones y el número de sismos que sí ocurrieron, así como mencionar algunos casos particulares de falsas alarmas y fallas en la predicción. Tampoco da datos exactos de cuál es el tamaño del aŕea y el tamaño de la ventana de tiempo en que se hace la predicción.

 

3.- Statistical Evaluation of Efficiency and Possibility of Earthquake Predictions with Gravity Field Variation and its Analytic Signal in Western Chiestabana. Este artículo fue pubicado en “Pure and Applied Geophysics” en Springer. Los resultados experimentales indican que existe una relación entre la micro-variación de la gravedad y la ocurrencia de sismos. Cito a los autores del artículo: “The regional gravity change before the occurrence of earthquake is significant. Especially, for some large and moderate earthquakes which occur in the interior of active tectonic plate, the gravity precursors can be identified several years before the occurrence of the earthquake.” Y quizás en la última frase está la dificultad de usar los cambios de la gravedad como factor de riesgo porque se extienden en una ventana de tiempo muy larga.

 

Y así podemos seguir, citando más trabajos que invito al lector interesado a consultar:

 

4.- A nonlinear background removal method for seismo-ionospheric anomaly analysis under a complex solar activity scenario: A case study of the M9.0 Tohoku earthquake

5.- Hydrologic precursors to earthquakes: A review

6.- Medium–large earthquake magnitude prediction in Tokyo with artificial neural networks

Quiero aclarar algo. Es muy importante que logremos entender los mecanismos que producen los sismos, no sólo saber predecirlos. Este es el trabajo de los físicos, geofísicos, los científicos de sistemas complejos y sismólogos mexicanos, lograr un entendimiento profundo y claro de lo que ocurre antes,  durante y después de los sismos y cómo éstos interactúan en distintas escalas de tiempo y espacio. Entender ésto nos ayudará a predecirlos probabilísticamente con niveles de confiabilidad mayor, y mejor aún, nos permitirá mejorar nuestra tecnología ante los sismos. La invención de estos predictores es el trabajo de los científicos de computación, de la inteligencia artificial, del aprendizaje automático, de los estadísticos y de los matemáticos.

Los contribuyentes mexicanos, nuestra academia, nuestros empresarios y nuestros servidores públicos deben y debemos invertir dinero y recursos humanos para aumentar la prevención de los sismos, para mejorar la red de sensores que miden diversas cantidades físicas de la Tierra que sean importantes para su entendimiento y predicción probabilística, para colectar más datos y mejorar los modelos matemáticos de la geodinámica, para mejorar las alertas tempranas de sismos y para mejorar los predictores probabilísticos. Así podremos salvar más vidas a largo plazo, las vidas de los futuros mexicanos.

“No podemos predecir con total certeza si va a llover o no, pero podemos usar paraguas y podemos estimar la probabilidad de que llueva basado en mediciones físicas y métodos matemáticos”

Dr. Erik Zamora

Profesor Instituto Politécnico Nacional - UPITTA
Líneas de Investigación: Robótica Autónoma y Redes Neuronales Artificiales
https://sites.google.com/site/proferikzamora1981/

4 Pasos Clave Durante la Aplicación para un Puesto de Profesor en USA

4 Pasos Clave Durante la Aplicación para un Puesto de Profesor en USA

Primero que nada hay que preguntarse, ¿en verdad quiero ser un profesor en una universidad?. Normalmente cuando hacemos nuestro doctorado es tentador querer seguir los pasos de nuestro director de tesis. Uno debe de entender que al estudiar un doctorado hay más caminos profesionales que la academia (por ejemplo la industria o centros de investigación). En mi punto de vista, uno suele confundir las posiciones de profesor con posiciones de investigación. Aunque la tarea primordial del profesor en el área de STEM es la investigación, la verdad es que la enseñanza es una parte esencial del trabajo y hay que aceptarlo si estás buscando un trabajo en esta área. Si a pesar de todo esto sigues interesado en convertirte en profesor, entonces sigue leyendo y acepta los hechos acerca de ello – aun así, recomiendo tener un plan B en caso necesario.

Es muy útil entender cómo funciona el ciclo de aplicaciones para posiciones de profesor y ver todo desde el punto de vista de las universidades para maximizar tu probabilidad de conseguir el trabajo. Primero, hay que entender que hay mucha competencia. Las universidades reciben cientos de aplicaciones para la posición. La primera ronda de selección se lleva acabo al seleccionar los mejores CVs y resúmenes de investigación de los candidatos – sólo alrededor del 10% de candidatos pasa esta ronda. La segunda ronda consiste en una entrevista telefónica de media hora donde tres o cuatro personas te preguntarán detalles de tu CV y resumen de investigación – alrededor del 5% sigue tras esta ronda. La última ronda es una entrevista en persona donde platicarás con cada uno de los profesores del departamento y presentarás tu investigación previa y planes futuros – sólo eligen a una o dos personas después de este paso.

Convertirse en profesor hoy en día es un juego de probabilidades. Actualmente, sólo entre el 0.5-16% de personas con doctorado (dependiendo de dónde vivas) pueden conseguir un trabajo como profesor en universidades. Aunque la suerte tiene algo que ver en llegar a tu meta, aquí te dejo cuatro etapas y consejos que podrían ayudarte a maximizar tu probabilidad de convertirte en profesor. El primer paso es el más importante y en mi opinión, debes de empezar por lo menos seis meses antes de mandar tus aplicaciones. 

Paso 1. Crear una aplicación que maximiza tu probabilidad de ser elegido en la primera ronda.

Antes que nada, lo más importante es crear una aplicación atractiva que no deje duda de tus habilidades. Yo te recomiendo empezar por lo menos seis meses con anticipación, ya que este es el paso más crítico e importante de todo el proceso. Una aplicación normalmente consiste en (por orden de prioridad):

  1. CV: Un currículum vitae fuerte es clave en ser seleccionado en la primera ronda. Recuerda que hay cientos de personas aplicando al mismo puesto que tú, por lo que quieres hacer tu CV atractivo y fácil de entender. Lo que más se debe que resaltar es tu educación, experiencia previa en investigación, cualquier tipo de financiamiento que hayas obtenido para tu investigación y publicaciones de artículos. Para la primera ronda, cantidad vale más que calidad en cuestión de publicaciones, recordando que se está compitiendo con personas que pueden llevar años de experiencia en postdoctorado.
  2. Resumen de Investigación: Tienes que diferenciarte de los demás. ¿Cómo convencer a la universidad de financiar tu línea de investigación?. Es aquí donde tienes que mostrar que has tenido un entrenamiento único en cuestión de investigación y que estás listo para ser un investigador independiente. Escribe de manera concisa y al punto, de una manera en la que personas afuera de tu área de investigación entiendan lo que propones.
  3. Carta de Presentación: Esta es la mejor manera de presentarse. Intenta mencionar puntos importantes como la investigación que propones, tus áreas de interés y número de publicaciones que tienes.
  4. Resumen de Enseñanza: Aunque normalmente no es considerado muy importante, este documento podría destacarte de entre los demás. Es importante mencionar actividades extracurriculares donde has tenido que enseñar. Recuerda agregar los cursos que te interesaría enseñar y que actualmente son impartidos en la universidad donde aplicas, además de mencionar las cursos relacionados a tu investigación que te gustaría agregar en su programa.

Yo recomiendo encontrar algún profesor que haya servido en algún comité de búsqueda para que lea tus documentos, pues ellos podrían ayudar mucho en mejorarlo. Otra recomendación es hacer una plantilla de tus documentos, donde tengas que cambiar lo mínimo entre aplicaciones a distintas universidades. Esto te ahorrará el tiempo cuando apliques a múltiples universidades y te ayudará a enfocarte en crear una sola aplicación competitiva. Revisa y edita tu aplicación por lo menos durante un mes.

Paso 2. Aplica a todas las universidades que buscan candidatos en tu área de investigación.

Una vez que tengas tus documentos listos, el siguiente paso es aplicar a todas las universidades que estén buscando a un candidato con tus calificaciones y experiencia. En mi experiencia (y en la experiencia de otros compañeros) solo el 10% de las universidades a donde aplicas te contactará para una entrevista. Entonces, por lo menos tienes que aplicar a 10 universidades si deseas que alguna de ellas te contacte. Es por esto que mi recomendación es de aplicar a la mayoría de universidades que puedas. Yo usé www.higheredjobs.com para buscar y estar actualizado en las aplicaciones disponibles. Un consejo personal: contacta por teléfono al jefe del comité de búsqueda para asegurarte que tu aplicación fue recibida, esto también dará una impresión que estas interesado en la universidad y te destacará del resto de los candidatos.

Paso 3. Prepara y practica tu entrevista telefónica.

El siguiente paso, después de que una universidad te ha contactado, es prepararte para la entrevista telefónica. Asegúrate de leer los documentos que enviaste antes de la entrevista e investiga más acerca de la universidad. La entrevista tiene lugar meses después de que hayas enviado tus documentos, y es por esto que hay que recordar lo que enviaste. Intenta tener lista una o dos preguntas acerca del programa y la universidad para hacer durante la entrevista. Da una buena impresión mostrar que te preparaste e investigaste acerca de la universidad. Sólo el 10% de aspirantes llegan a este punto!. 

Paso 4. Practica, practica y practica tu presentación de investigación.

Si llegaste a este paso, felicidades, estás entre los finalistas para ocupar la posición. Esta es tu oportunidad de impresionar en persona a los profesores de la universidad. En sí, lo que van a evaluar de tí es muy obvio: ellos quieren verificar que serás una persona agradable con quien trabajar, organizada y preparada. Prepara y practica tu presentación que habla de tu investigación con semanas de anticipación hasta que te sientas a gusto y relajado. Investiga a los profesores que te van a entrevistar – ten algunas preguntas listas para ellos. Crea un presupuesto de lo que costará financiar tu investigación con avance.

Espero que este post les sirva a las personas que están buscando una posición como profesor asistente en una universidad en Estados Unidos. No duden en contactarme a djvillarreal@smu.edu si tienen dudas o quieren más detalles acerca del proceso. ¡Buena suerte!

- Dr. Dario Villarreal
 http://dariovillarreal.com

Aprendizaje automático: ¿Una máquina puede aprender?

Aprendizaje automático: ¿Una máquina puede aprender?

Si esta pregunta se formula aleatoriamente a varios segmentos de la población mexicana, puedo apostar que el 80 o 90% diría un rotundo “NO, una máquina no puede aprender, sólo los animales y seres humanos tenemos esa habilidad”. Sin embargo, si se la hacen a un pequeño segmento de la comunidad científica mexicana (conformado por profesores y estudiantes de ciencias computacionales, inteligencia artificial, robótica, control automático, y áreas colindantes), entonces la respuesta sería un SÍ, más una frase precautoria “pero bajo ciertas condiciones y con ciertas limitaciones en comparación con los seres humanos”. Esta pequeña comunidad científica se esfuerza por ampliar las condiciones en que una máquina puede aprender y por reducir sus limitaciones. Dicho esfuerzo está inmerso en un concierto mundial de trabajos científicos dirigidos hacia esta gran meta de hacer que las máquinas aprendan de su experiencia con poca asistencia humana.

¿Cuáles son los logros tecnológicos más impresionantes? Aquí tres ejemplos que me gustan mucho:

1. AlphaGo es un programa computacional que es capaz de aprender a jugar el juego de mesa Go. En marzo 2016, derrotó al mejor jugador de la historia, al coreano Lee Sedol, quien ha ganado 18 títulos mundiales. En este año 2017, AlphaGo ha logrado entrar a la categoría de maestro después de derrotar consecutivamente a más 60 oponentes humanos de máximo nivel. Es importante aclarar qué es Go; es un juego donde cada uno de los dos oponentes tiene fichas de distinto color y el objetivo es capturar las fichas del adversario. Este juego es más complejo que el ajedrez debido a que el tablero Go permite 1E170 distintas configuraciones mientras que el ajedrez solo tiene alrededor 1E45 configuraciones. Esto implica más de 100 órdenes de magnitud de diferencia en número de configuraciones.  

AlphaGo aprende de la experiencia, las reglas para tomar las decisiones no fueron programadas por humanos, sino que AlphaGo va descubriendo por prueba y error cuáles son las mejores decisiones. Los métodos que usa para descubrir dichas reglas están basados en redes neuronales profundas, arboles de decisión y aprendizaje por reforzamiento. Para más información, diríjase a https://deepmind.com/research/alphago/

2.- La empresa estadounidense Nvidia ha implementado un sistema de navegación autónoma para automóviles basada en redes neuronales. Hay varios videos en internet muestran demos del desempeño del sistema, aquí un video https://youtu.be/fmVWLr0X1Sk. Este sistema computacional también aprende de la experiencia, es decir que las reglas de conducción no fueron programadas por humanos, sino que la máquina aprendió por su propia cuenta. Las redes neuronales toman las decisiones de conducción basadas en las imágenes que ve el vehículo a través de sus tres cámaras que miran hacia al frente del auto. Aunque el sistema no es confiable en todas las circunstancias actualmente, es muy interesante ver cómo el sistema conduce con eficacia en distintas condiciones de iluminación, en distintos tipos de terreno y hasta diferentes condiciones climáticas. 

3. Uno de los logros del aprendizaje automático, que revivió el interés por las redes neuronales, es el reconocimiento de imágenes. ImageNet es un banco de datos que tiene casi 15 millones de imágenes recolectadas a través de la Internet. Basados en este banco de datos, se organiza desde el 2010 una competencia anual llamada “Large Scale Visual Recognition Challenge” (el reto de reconocimiento visual a gran escala). Una de las tareas es crear métodos de aprendizaje automáticos capaces de reconocer y localizar 1,000 categorías distintas de objetos en 1.2 millones de imágenes. Las categorías de objetos son muebles, frutas, pájaros, comida, reptiles, deportes, herramientas, árboles, flores, etc. En este año 2017, el método computacional ganador obtuvo un error de apenas de 3.4% en el reconocimiento. Este desempeño es comparable con las capacidades humanas para reconocer objetos en 1.2 millones de imágenes. Lo mejor del asunto es que es las reglas para decidir a qué categoría pertenece cada parte de la imagen fueron aprendidas por el sistema computacional, no fueron programadas. 

Espero haberlos convencido de que las máquinas sí pueden aprender, tomando en cuenta estos tres casos de gran éxito. Debo aclarar que éstos no son los únicos éxitos tecnológicos, existen muchos más. Por ejemplo, en Estados Unidos muchas empresas startups están basadas en aplicaciones comerciales del aprendizaje automático https://www.forbes.com/sites/gilpress/2017/01/23/top-10-hot-artificial-intelligence-ai-technologies/#6728ec7e1928. Las grandes empresas tecnológicas como Google, Amazon, Facebook, entre otros, apuestan fuertemente a desarrollar tecnología basada en métodos de aprendizaje automático que les permita explotar mejor la información de sus clientes. 

La gran pregunta ahora es ¿Cómo es que una máquina puede aprender? ¿Cómo funcionan los métodos de aprendizaje automático? Contestaré estas preguntas en la siguiente entrega de esta a columna.

 

Dr. Erik Zamora
Profesor Instituto Politécnico Nacional - UPITTA

Líneas de Investigación: Robótica Autónoma y Redes Neuronales Artificiales
https://sites.google.com/site/proferikzamora1981/

 

La Creación del Startup Después del PhD

La Creación del Startup Después del PhD

Una de las dudas más grandes que tuve antes de embarcarme en el mundo del emprendimiento empresarial (startup), fue si el hecho de no tener formación formal de negocios en algún momento me cobraría factura. Al cabo de casi ya 3 años como CEO de Ares Materials (www.aresmaterials.com), estoy convencido que no es trascendental ni imprescindible, y que el beneficio que pueda tener (la educación en negocios) se puede suplementar de manera autodidacta con libros, blogs, mentores, y muchos otros recursos. Más aún, me he convencido que mi formación académica como investigador en el programa doctoral, me proveyó de habilidades que difícilmente algún otro entrenamiento puede dar. Durante los más de 5 años que pase formulando hipótesis, diseñando experimentos, presentando resultados y discutiendo ideas con mis colegas, construí algunas de las habilidades que me han parecido las más trascendentales durante mi corta carrera como emprendedor. Aquí algunos ejemplos:

“Todo mundo tiene un plan hasta que recibe el primer golpe” - Mike Tyson
Cuando empiezas un startup, sin importar su índole, la única cosa que tienes asegurada es que tu plan va a cambiar y es que nunca puedes saber con precisión qué es lo que va a pasar. Clientes, inversionistas, productos, empleados, tu familia, inclusive tú mismo, son factores que pueden cambiar en cualquier momento y tienes que saber adaptarte a ello y sobre todo poderte mantener enfocado. Cuando estás haciendo investigación, también tienes que ser capaz de planear en base a información ambigua o inexistente, y más aún el poder ajustar plan durante el “vuelo”.

“Me gusta la crítica. Me hace fuerte” - LeBron James
Una de las cosas que más recuerdo de mi primer año de doctorado, fue el ‘shock’ que tuve durante la primer junta de grupo donde tuve que presentar una revisión literaria. Aún recuerdo claramente el rostro inmutable de mi asesor para decirme qué tan mala era mi presentación, y sin pestañear, todos los errores que había cometido al prepararla. Nunca me habían sometido a una crítica tan dura en la que contara con cero argumentos para defender mi caso. Fue una experiencia poco placentera que me gustaría poder decir que no volvió a ocurrir… sin embargo, ocurrió varias veces mas. Sin importar cuánto tiempo y esfuerzo le dedicase, las críticas siempre fueron infalibles, una y otra vez. Me tomó un tiempo entenderlo, pero concluí que no es que mi trabajo no fuera lo suficientemente bueno, simplemente que la crítica es una parte inherente e ineludible del proceso investigativo. Es la esencia del método científico. Hoy que estoy en el ámbito de los emprendimientos, la habilidad de tolerar la crítica y sacar ventaja de ella me ha permitido mantenerme abierto a oportunidades de aprendizaje. Cada vez que presento una idea ante la mesa de directivos, inversionistas, mentores, la crítica también es latente, pero si la sabes aprovechar, te convertirá en un mejor emprendedor.

‘No es que sea muy inteligente, es que me quedo con el problema por más tiempo’ - Albert Einstein
Cuando estás tratando de generar valor, ya sea creando un producto o servicio, es importante iterar en base a la retroalimentación de tus clientes. Ahora bien, en muchas ocasiones, estas iteraciones pueden ser costosas y dolorosas. Estoy seguro que habiendo estado en el laboratorio podrás recordar por lo menos un puñado de ocasiones en las que ves cómo se desvanecen ante tus ojos horas y horas de trabajo en sólo segundos por un simple error con tu muestra, porque se descompuso el equipo que ibas a usar o cualquier otra razón que puedas imaginar. Como investigador tuviste que perseverar ante eso y volverlo a intentar. De la misma forma lo tienes que hacer en el startup, definitivamente cometerás errores y trabajaras en el producto equivocado o con la estrategia errónea, pero si lo sigues intentando, tienes muchas mayores oportunidades de generar el producto que te lleve al éxito.

No pretendo decir que todo investigador sea un buen emprendedor, sin embargo, creo que el doctorado o la investigación como tal te proveen de las herramientas más importantes cuando te aventuras al mundo del emprendimiento.

- Por David Arreaga
LinkedIn: David Arreaga
Twitter: @arreaga85 

 

La Mensajería Instantánea Como Herramienta Para Incrementar Productividad

Muchas veces la comunicación por correo electrónico, aunque directa, algunas veces resulta no ser la mas efectiva. Sobretodo cuando se necesita solamente una respuesta simple y rápida. Por ejemplo, existen situaciones en donde se necesita hacer una pregunta cuya respuesta consiste en solo un par de palabras como “si”, “no”, la hora, la fecha, una imagen, un documento, etc. En estas situaciones, la mensajería instantánea resulta una herramienta mas efectiva y eficiente para incrementar la productividad de grupos de trabajo.

Dentro de los diferentes tipos de servicios de mensajería instantánea existen plataformas básicas como Google Hangouts y WhatsApp, así como otros servicios mas sofisticados como Evernote, Quip y Slack.

Unknown-2.jpeg

En lo personal, Google Hangouts siempre ha sido una de mis plataformas preferidas para comunicarme por texto con familiares, amigos y colegas ya que es muy común que la gente tenga una cuenta de Gmail y, por lo tanto, acceso a Google Hangouts. Sin embargo, aunque parezca increíble, algunas veces aún me encuentro con gente que no tiene cuenta de Gmail, lo que representa que el nuevo usuario de Google Hangouts tiene que pasar por una rápida “Curva de Aprendizaje (descripción de la dificultad y tiempo que toma aprender una nueva tarea)". A medida que mas utilizaba Google Hangouts para cuestiones de trabajo (bajo mi cuenta personal de Gmail), mas complicado me resultaba separar mensajes personales y laborales. Por ejemplo, había ocasiones en que me encontraba conversando con algún colega de cuestiones laborales y las notificaciones de nuevos mensajes de familiares y amigos comenzaban a convertirse en un factor importante de distracción.  En consecuencia, me di a a la tarea de buscar otras plataformas mas sofisticadas que me permitieran dedicar canales exclusivos para mensajería personal y laboral. 

Como asiduo usuario de Evernote (plataforma para compartir información entre grupos de trabajo), me di a la tarea de “intentar” dar uso a la sección de mensajería instantánea embebida en el programa. Sin embargo, la "curva de aprendizaje" de Evernote es mucho mas complicada que la de Google Hangouts, lo que me hizo desistir. Una experiencia similar me sucedió al querer adoptar Quip, que es una excelente y moderna plataforma para compartir información, documentos, datos y que también cuenta con su propio servicio de mensajería instantánea. Al final entendí que para nadie es atractivo descargar y aprender una plataforma compleja de trabajo solo para mandar mensajes de texto.

Regresando a los servicios puramente de mensajería. En los últimos años WhatsApp ha sido adoptado por un gran número de usuarios y la "curva de aprendizaje" es casi nula. No obstante, aunque el número de usuarios se ha incrementado, en los Estados Unidos de América WhatsApp no es tan popular (increíble!!!!).  Por estas razones, hubo un tiempo en que adopté el uso de dos plataformas de mensajería instantánea y lidiar con sus respectivas limitantes: 1) Google Hangouts para cuestiones de trabajo y 2) WhatsApp para mi vida personal. 

A medida que seguía evaluando plataformas de mensajería instantánea para volver mas eficiente la comunicación con mis equipos de trabajo, en algún punto me encontré con Slack. Puedo afirmar con seguridad que Slack es actualmente mi plataforma preferida para mensajería instantánea orientada a grupos de trabajo ya que ofrece diversas opciones de colaboración como mensajes directos, mensajes grupales (canales), integración con otras aplicaciones, intercambio de archivos, recordatorios, creación de eventos en calendario, etc. En Slack tengo un canal dedicado específicamente para cada área de desarrollo en nuestros proyectos, en donde en cada canal participan exclusivamente ciertos miembros del equipo. Existen canales generales donde un mismo mensaje se le hace llegar a todo el equipo. Otra ventaja que he encontrado es que Slack tiene aplicaciones nativas para todas las plataformas incluyendo Windows, Mac, iOS, Android and Linux…..si, Linux. Debido a que es un servicio de mensajería de texto, la "curva de aprendizaje" es similar a la de Google Hangouts y WhatsApp. Si dentro de un canal quiero dirigirme a una persona en específico, puedo taggearlo como “@persona1”. Con Slack, todo el equipo esta al tanto incluso de lo que pasa en otras áreas del proyecto. Pero mas allá de todas estas ventajas para incrementar la productividad, Slack me permite crear diferentes “equipos”, es decir, puedo tener mas de dos proyectos dentro de la misma plataforma donde cada uno tiene sus propios canales y equipos de trabajo.

En resumen, Slack es una herramienta indispensable en mi vida laboral para comunicarme con mis equipos de trabajo (si, mas de uno) que nos ha ayudado a incrementar nuestra productividad. 

- Israel Mejia
linkedin.com/in/israel-mejía-30180336

 

Mi Pasión: "El Aprendizaje"

Uno de los placeres más grandes que he sentido en la vida ocurre cuando logró aprender algo nuevo que estaba fuera de mi "zona de comfort"; gracias a que después de esforzarme lo puedo asimilar con toda lucidez! Me hace sentir fuerte y con la capacidad de lograr cualquier cosa. Este sentimiento de plenitud y confianza creo que todos los seres humanos lo experimentamos en diferentes momentos de nuestra vida.  En mi caso particular, el proceso de entender el mundo que me rodea es el placer más grande que podría tener!!!

En mi opinión, esté sentimiento o forma de reaccionar ante el proceso de aprendizaje es clave para desarrollarse con plenitud en la sociedad. Impactó positivamente mi vida, fue lo que me impulsó a estudiar distintas áreas del conocimiento académico en diferentes etapas de mi vida juvenil, un poco de aquí, un poco de allá: "física, matemáticas, electrónica, física de estado sólido, control automático, sistemas dinámicos, psicología, economía, inteligencia artificial, robotica, redes neuronales, y recientemente, aprendizaje automático". La razón principal para llevar una vida profesional académica fue, es y será satisfacer está pasión, aun cuando el sistema politico y la naturaleza me imponga ciertas restricciones y me obligue a hacer otras actividades distractoras. 

Es importante notar que esta pasión por aprender es algo que se puede cultivar en las personas y se puede aplicar para cualquier situación, aparte del conocimiento académico. Cualquier persona podría usarlo para convertirse en deportista, en empresario, en comerciante, en politico, en lider, en filosofo, en escritor, en vendedor, en inversionista, etc. Me llevó a convertime en profesor e investigador profesional, pero ese no tiene que ser necesariamente el caso del lector. Esa es la parte importante, usar nuestra pasión para aprender lo que nos guste y convertir esa actividad en algo útil para la sociedad. 

Ha sido tanta mi fascinación por el aprendizaje en si mismo que ahora me dedico a la formación de capital humano altamente calificado y a desarrollar mejores algoritmos de aprendizaje automatico (así como sus aplicaciones en robotica y automatización). Es decir, por un lado, hago que las personas aprendan, y por el otro, que las computadoras aprendan. Estudio el aprendizaje humano en la práctica, día a día, interactuando con estudiantes de ingeniería y ciencias. Estudio el aprendizaje de maquina, día a día, mediante la exploración de nuevos modelos matemáticos, nuevos algoritmos de aprendizaje, emulaciones, simulaciones y analisis matemático. Estoy convencido que el futuro de nuestro país debe estar fincado en la educación de la sociedad y en la aplicación de los resultados más útiles del aprendizaje automático en la creación de nuevas empresas, así como, el fortalecimiento de las empresas consolidadas. Creo que después de explorar varias aréas del conocimiento, he finalmente descubierto a lo que me quiero dedicar durante el resto de mi vida productiva: al aprendizaje de personas y computadoras. 

 

Dr. Erik Zamora
Profesor Instituto Politécnico Nacional - UPITTA

Líneas de Investigación: Robótica Autónoma y Redes Neuronales Artificiales
https://sites.google.com/site/proferikzamora1981/

Regla De Los Dos Minutos Para Alcanzar: “Inbox Zero”

Recuerdo aquella pregunta que me hacían en Puebla al término de un seminario que impartía. Me preguntaban sobre cómo podía mantener mi trabajo hasta cierto punto, eficiente, en el aspecto de asesorar estudiantes, trabajar en diferentes proyectos a la vez, buscar fondos, buscar constantemente colegas en otras instituciones, impartir seminarios, etc. Mi respuesta fue que trato de apegarme a una regla muy simple: “si hay alguna tarea nueva que me tomará solo algunos cuantos minutos completarla, la hago en el instante”. Prticularmente, esta “regla” es un hábito que me ayuda a completar uno de los retos mas grandes que me enfrento día a día:  “Alcanzar el Inbox Zero”. Es decir, mantener la bandeja de entrada de mis correos electrónicos constantemente limpia, o casi limpia.

El mandar y recibir cotidianamente correos electrónicos puede tornarse en una actividad complicada, frustrante y sobre todo consumidora de tiempo debido al apilamiento continuo de correos nuevos día tras día y, por lo tanto, la acumulación de tareas pendientes a resolver. Es muy común ver como un par de correos sin resolver van generando incesantemente más correos en la medida que se deja pasar el tiempo. 
    
¿Cómo mantengo mi bandeja de entrada en “Inbox Zero”?

Simplemente mandando/respondiendo/redireccionando al instante correos electrónicos entrantes que me tomarían un par de minutos resolver. Por ejemplo, si recibo un correo y el elaborar la respuesta requiere de menos de un par de minutos, entonces en ese momento lo hago, sin importar que esté realizando otra tarea. Esto me ayuda a darle salida rápida a muchas tareas simples; sin embargo, si estos correos simples de resolver se dejan acumular, se necesitará invertir mas tiempo para resolverlos en el futuro. Esta misma “regla” me ha sido de utilidad para otras actividades.

Tiempo después, leyendo el libro “Getting Things Done” de David Allen, me encuentro que esta  “regla” es una metodología seguido por algunas personas para incrementar la productividad de trabajo, y se conoce como “La Regla De Los 2 Minutos” que estipula que si hay algún problema o alguna petición que se pueda resolver en menos de dos minutos, se hace al instante, sin dejarla pasar. Si dura más de dos minutos, entonces se archiva y se deja para su posterior solución, cuando se tiene ya el tiempo adecuado para hacerlo. 

Les recomiendo este libro que se encuentra en Amazon: “Getting Things Done” de David Allen. Encontrarán bastantes tips que les ayudarán a hacer su vida cotidiana más eficiente y alcanzar un “Inbox Zero”.

 

- Israel Mejia
University of Texas at Dallas

Maestría vs Doctorado: ¿Cuál es propósito de una maestría y un doctorado?

En mi práctica docente de un poco más de 9 años en la UPIITA-IPN, me he dado cuenta que la mayoría de los estudiantes de ingeniería desconocen cuál es el propósito de los dos niveles de posgrados: maestría y doctorado. Muchos asumen que una maestría es para formar investigadores y que un doctorado es una ultra especialización, mayor que en la maestría, y que ambos grados son para formar expertos. Como veremos, en mi opinión, estos no son los propósitos de cada grado. Recuerdo que yo tampoco lo sabía cuando me inscribí al programa de maestría en la SEES del CINVESTAV. Lo único que me impulso a estudiar una maestría fue mi pasión por conocer, descubrir y organizar conocimiento.

En ese entonces, ya me sentía científico aun cuando no tenía ningún grado. Y aún hoy creo que para ser científico no se necesita grado, se necesita una mentalidad y un comportamiento científico, el cual puede llegar a ser cultivado durante cualquier etapa temprana de tu vida en el medio social adecuado, o en su defecto, a través de los libros adecuados como fue en mi experiencia. Aunque tú no lo creas, hay maestros y doctores que no se comportan como científicos, y peor aún, hay programas de posgrado que no promueven la formación científica. Pero este será el tema para otro día. Regresemos a la pregunta original. 

Primero debemos aclarar que en el mundo existen al menos tres tipos de programas doctorales: doctorado en investigación, doctorado superior (habilitación) y doctorado profesional. Aquí vamos a enfocarnos en el doctorado en investigación solamente, debido a que es el más frecuente en México. De hecho, la habilitación no existe en México (que yo sepa).

De acuerdo con la historia de la estructura de grados en universidades británicas, el grado de maestro le otorgaba, a quien lo poseía, licencia para la práctica profesional manifestando un conocimiento avanzando en un campo especializado. En tanto, el grado de doctor le otorgaba licencia para enseñar en una universidad como miembro de una facultad. Esto último quiere decir que sin grado de doctor, no podía estar dando clases en una universidad. Aunque estos propósitos ya han cambiado en nuestros días, nos permite conocer su origen.

En la actualidad y en el contexto mexicano, el grado de maestro certifica que la persona posee conocimientos más avanzados y más especializados en una disciplina específica que un licenciado; como en control automático, física, biología molecular, computación, electrónica, mecatrónica, negocios, etc. Por otro lado, dota al maestro en ciencias de los conocimientos técnicos elementales para comprender lo que sucede en la frontera del conocimiento de su disciplina con el fin de prepararlo para un programa de doctorado. Esto no quiere decir que una maestría prepare a una persona para ser investigador profesional. Saber los conocimientos técnicos elementales, no implica ser capaz de llevar a cabo investigación profesionalmente.

Aquí la palabra clave es “profesionalización”. Todos los seres humanos podemos hacer investigación, hasta un bebé explora e investiga el mundo, tal vez hasta un animal puede explorar e investigar también. Sin embargo, solo los doctores en ciencias están certificados y formados para hacer investigación profesional (de preferencia, investigación científica profesional). Es decir, mientras que en la maestría se forman especialistas avanzados, en el doctorado se forman investigadores profesionales en una disciplina específica.  Quiero aclarar que ninguno de estos grados tiene el propósito de formar expertos, los expertos se forman con décadas de práctica profesional en el área, es decir, mediante la experiencia de muchos años acumulados.  Es infantil pensar que dos o máximo cincos años de estudios en maestría y/o doctorado sean suficientes para formar un verdadero experto. Un experto debe educarse continuamente y por mucho tiempo mediante teoría, y sobretodo, experiencia.

Si ustedes me lo permiten, y si aún no se han aburrido de leer este texto, quisiera ir más allá de la pregunta original con otra pregunta: ¿Qué significa ser investigador profesional? Para contestarla me apoyaré de las ideas de Estelle M. Phillips y Derek S. Pugh en su libro “How to get a PhD”. Si te interesa hacer un doctorado, por favor, consulta este excelente libro para orientarte y tomar una decisión informada.

Ser un investigador profesional significa que:

1.       Tienes algo que decir sobre las fronteras del conocimiento que tus colegas (otros investigadores profesionales) les interesa escuchar o leer, ya que tú eres él único que lo sabía hasta el momento.
2.       Estás al día de lo que sucede en tu campo de investigación, por tanto, eres capaz de evaluar lo que tus colegas están proponiendo, descubriendo o inventado.
3.       Tienes la astucia para descubrir en donde puedes hacer una contribución original al conocimiento.
4.       Conoces y respetas la ética de las disciplinas en que operas; actúas en consecuencia.
5.       Dominas los métodos, principios, reglas y conceptos que se usan en tu campo de investigación, y lo que es más importante, conoces sus limitaciones.
6.       Posees la habilidad para comunicar tus resultados de manera efectiva, escrita y oralmente.
7.       Todo lo anterior, lo ejecutas en un contexto internacional, es decir, que tu grupo de colegas con quien interactúas provienen de cualquier otro país del mundo, no solo de tu país.

Por último, quisiera añadir que un doctorado, incluyendo las estancias posdoctorales,  tienen el propósito de que la persona aprenda un paradigma científico que le permita saber escoger cuales son las preguntas y los problemas que deben y pueden ser resueltos con el conocimiento actual (entre otras cosas). El paradigma es necesario para guiar el desarrollo de la ciencia normal, como lo dijo Thomas Kuhn en su libro “Estructura de las revoluciones científicas”. La ciencia normal a su vez nos lleva, eventualmente, a la identificación de anomalías entre teoría y experiencia, lo que nos puede llevar a hacer descubrimientos científicos. Bueno, pero esto es un tema para otro día. Espero haber disipado sus dudas o confusiones respecto a los propósitos de una maestría y doctorado.

Recuerden que una maestría te especializará más que un licenciado en una disciplina, un doctorado te convertirá en investigador profesional, y ninguno de ellos te hará ser experto, eso déjaselo al tiempo y a tu esfuerzo constante.

Dr. Erik Zamora
Profesor Instituto Politécnico Nacional - UPITTA

Líneas de Investigación: Robótica Autónoma y Redes Neuronales Artificiales

https://sites.google.com/site/proferikzamora1981/

6 Etapas durante el proceso de publicación de un artículo científico

Muchas veces me he encontrado con la falta de información (principalmente en estudiantes que van comenzando con su maestría o doctorado) acerca del proceso por el que pasa un manuscrito antes de ser publicado en una revista de divulgación científica. Y aunque no existe un documento oficial (al menos no de manera directa) que describa este procedimiento, los editores y revisores de las revistas están muy familiarizados con este proceso.

Por lo tanto, he compilado estas 6 etapas que pueden ayudar a visualizar de manera general el proceso:

1) Manuscrito recibido por el editor: una vez que los autores someten su manuscrito a la revista, el documento es recibido por un editor que determina si se apega al reglamento, formato o interés de la revista. En ese momento el documento puede ser aceptado para la revisión técnica o rechazado directamente y regresado a los autores.

2) Manuscrito recibido por los revisores: el editor hace la invitación a los posibles "expertos en el tema" para ser parte del comité revisor y evaluador del documento. Los revisores pueden aceptar o rechazar la invitación. Usualmente los revisores pueden rechazar la invitación en caso de existir algún conflicto de interés o por falta de disponibilidad. En este caso se les invita a que propongan a algún colega o a otro experto que pueda evaluar el documento.

3) Manuscrito es revisado y evaluado: el revisor, debe entregar un reporte con los comentarios y observaciones del contenido técnico (principalmente) al editor en el tiempo acordado (desde una semana hasta un par de meses dependiendo de la revista). Aquí, los revisores determinan, de acuerdo a una serie de lineamientos definidos por la revista, si el manuscrito: a) cuenta con los elementos técnicos suficientes (novedoso, congruente, detallado, importante para el area, etc.) para ser publicado, b) es rechazado por falta de los elementos anteriores o c) tiene la posibilidad de ser publicado una vez que se realicen una serie de modificaciones pertinentes sugeridas por los revisores. Después, el editor recibe todos estos comentarios y determina si el manuscrito es apto para ser publicado y notifica a los autores la desición.

4) Autores reciben notificación: el editor comunica la desición a los autores. En el caso de que el manuscrito sea aceptado, se puede proceder de diferentes formas: a) el manuscrito se publica en el estado inicial (ningún cambio es necesario), b) el manuscrito puede ser publicado con algunas modificaciones menores, como consecuencia de las observaciones de los revisores o c) el manuscrito puede ser publicado pero hay una cantidad considerable de cambios o hay puntos muy importantes que se deben aclarar según los revisores. Por el contrario, si el manuscrito sea rechazado, el editor proporciona una serie de recomendaciones a los autores. Por ejemplo, si el manuscrito puede tener un impacto mayor si se publica en una revista diferente.\

5) Autores someten manuscrito revisado: en caso de que el manuscrito sea aceptado, los autores tienen que responder cada uno de los comentarios y de ser necesario realizar las modificaciones pertinentes en el escrito. Estos cambios son sometidos de nueva cuanta al editor y el documento pasa una vez más por el mismo ciclo hasta que cumpla con los requerimientos que garanticen su publicación. Usualmente, se puede pasar por dos o tres ciclos dependiendo de la revista/editor.

6) Autores y editor preparan la versión final: los autores tienen que someter una versión del documento que se pueda modificar (usualmente Word o LaTeX), en la cual el editor pueda hacer los cambios pertinentes al formato para que se adecúen a los requerimientos de la revista. Finalmente, el manuscrito es publicado en la revista.

 

- Israel Mejia
University of Texas at Dallas

[Columna] ¿Una máquina puede reconocer personas o vehículos en imágenes?

La respuesta es… ¡sí¡ Actualmente, ya se han desarrollado una multitud de métodos matemáticos para reconocer objetos dentro de imágenes. Los objetos pueden ser variados, los comunes son las personas, los vehículos, los perros, las bicicletas, las sillas, etc. 

Para muestra un botón, en este caso un clic ☺, visita el siguiente video http://ow.ly/wqeI30ay1tF e imágenes. Se usó un método propuesto (YOLO) por Joseph Redmon, que es una red neuronal artificial con cómputo paralelo y un procedimiento especial para localizar el objeto en la imagen, ¡funciona súper bien!

Para mostrarles el poder actual de las máquinas en el reconocimiento de objetos, les diré que existe una competencia llamada Large Scale Visual Recognition Challenge” que se realiza cada año en Estados Unidos. 

Uno de los retos es crear un algoritmo que aprenda a localizar 1000 diferentes objetos entre 1.35 millones de imágenes. Actualmente, el desempeño de los mejores algoritmos es equivalente al desempeño de un ser humano promedio. Lo cual es asombroso tomando en cuenta que son millones de imágenes en condiciones normales, es decir, no controladas en un laboratorio. 

A pesar de estos resultados fantásticos, el problema es que dichos métodos aún tienen sus limitaciones si los comparamos con la capacidad de un ser humano para reconocer objetos, por ejemplo:

1) Aún tienen falsos positivos y negativos de detección con nuevas imágenes, lo cual los hace poco confiables.
2) No razonan geométricamente, los métodos no saben que coche está enfrente y cual está atrás.
3) No razonan semánticamente, los métodos no rechazan detecciones que los humanos, razonando, las eliminaríamos. Por ejemplo, un semáforo no puede no estar en el suelo o un ser humano no puede tener hojas.
4) No crean un modelo interno de lo que ven, mientras que un ser humano cree firmemente que los coches no pueden desaparecer así como así, estos algoritmos ignoran la continuidad de la existencia del coche y de un frame a otro en un video, te puede decir que el coche desapareció o apareció repentinamente, lo cual es absurdo.
5) Se requiere cómputo algo costoso para procesar las imágenes, por ejemplo, un GPU 1080 (de Nvidia). 

En conclusión, hay que seguir "chambeando" con el fin de tener los métodos efectivos para comenzar a confiar más en las máquinas que en las personas para la detección de objetos en las imágenes. Con miras de crear asistentes vehiculares para evitar accidentes, asistentes para personas con debilidad visual o ceguera, o robots autónomos de servicio doméstico o profesional. Y muchas otras aplicaciones que sólo nuestra imaginación nos permitirá visualizar.  

Erik+Zamora.png

Dr. Erik Zamora
Profesor Instituto Politécnico Nacional - UPITTA

Líneas de Investigación: Robótica Autónoma y Redes Neuronales Artificiales

https://sites.google.com/site/proferikzamora1981/

[Columna] Sobre la anti-naturaleza de la lectura y la escritura

Desde que recuerdo, me ha encantado aprender, sobretodo de los libros.

Los animales pueden aprender mediante experimentos, por ejemplo, un caballo aprende a caminar mediante prueba y error, así como cualquier ave aprende a volar. Los animales también pueden aprender imitando a otros animales de su propia especie. Los chimpancés aprenden a acicalarse mutuamente por imitación.

A diferencia de los animales, el ser humano, además de usar estos mecanismos, puede aprender leyendo. ¡Qué cosa más extraña en la naturaleza! ¿No? Nunca he visto un gato frente un monto de símbolos tratando de descifrar su significado para aprender a cazar. ¿Ustedes sí? Y menos he visto que un gato disfrute interpretando símbolos que le provoquen felicidad por entender algo.

Lo anterior tiene quizá una explicación. Hasta antes de la creación del lenguaje oral y escrito, toda la información de las especies se transmitía únicamente por el ADN. Ahora, los seres humanos generamos, organizamos y transmitimos información mediante símbolos que tienen un significado por convención.

¿Por qué son importantes los libros? Porque es más rápido leer libros que leer el código genético, porque aún no podemos modificar nuestro código genético y sí podemos escribir libros para sintetizar información que puede ser valiosa para otros seres humanos en otro momento y en otro lugar. A pesar de estas ventajas contundentes, muchas personas prefieren no leer ni, mucho menos escribir. ¿Por qué? Creo que es porque leer es antinatural, el cuerpo humano biológicamente no está preparado para leer, y mucho menos, para escribir. Ambos requieren un entrenamiento intensivo.

Así que por favor, querido lector, deje de leer esta columna escrita por un antinatural que forzó su biología para escribir y mantener su concentración frente a una computadora, frente a una hoja de word.

¡Nunca más tome un libro! ni siquiera intente levantar un lápiz o teclear en su teléfono, dizque inteligente. Esto le hace daño, su cuerpo no fue evolucionado para soportar una lectura de una hora, ni de cinco minutos. Deje eso para la gente que va a dirigir su país. No trate de aprender nada que no sea por experimentación e imitación. Al fin, la mayoría de la gente cree que la naturaleza es sabia y nunca se equivoca. No aprenda de su historia, no aprenda a pensar de distintas formas. Si usted me hace caso, le aseguro una vida apegada a su naturaleza y al destino que se le designo al nacer. No traté de mejorar su vida leyendo basura como la que acabo de escribir. Ni mucho menos trate de entender el sarcasmo de esta nota. 


Dr. Erik Zamora
Profesor
Instituto Politécnico Nacional
UPITTA

"Profe Tubers" y la educación en Línea

En la actualidad ya no tienes que pagar por un libro o cursar materias de manera tradicional, requieres elegir y dedicarte a aprender principalmente lo que necesitas para alcanzar tus objetivos. Por lo tanto sería importante que las instituciones pertinentes facilitaran las acreditaciones necesarias sin la necesidad de atender la escuela, como usualmente lo hacemos.

Aquí te pesentamos una lista de los "ProfeTubers" (profesores que enseñan en YouTube) más populares en español:

- Profe Julio - Matemáticas y Física (127M views)
https://www.youtube.com/user/julioprofe

- math2me - Matemáticas (107M views)
https://www.youtube.com/user/asesoriasdematecom

- Educatina - Educación Básica General (80M views)
https://www.youtube.com/user/educatina

- CodigoFacilito - Java, VB.NET, Javascript, jQuery, C++, PHP, CodeIgniter HTML5, CSS, Xcode, Ruby, Rails, Python, Xcode y Arduino (23M views) 
https://www.youtube.com/user/codigofacilito

- AcademiaVazquez - Educación Básica General (17M views)
https://www.youtube.com/user/AcademiaVasquez

- Cesar Antonio - Física Básica (12M views)
https://www.youtube.com/user/IzquierdoCesar

- El Profe García - Robótica y Electrónica (18M views)
https://www.youtube.com/user/elprofegarcia

 

- Por Herick Zamora

4 Claves que me ayudaron a encontrar una posición de R&D en industria

Encontrar un trabajo teniendo un doctorado es sumamente difícil. El medio académico e industrial han cambiado; son bastante competitivos, hay muy buenos y bastantes candidatos, y no tantas "aparentes" ofertas de empleo.

Para encontrar un trabajo en el área de investigación y desarrollo (R&D) fue necesario ir mas allá de los protocolos estándar (aplicar en línea a grandes compañías conocidas o mediante contactos de mi asesor) para conseguir el trabajo que me satisface personal y profesionalmente de acuerdo a mis habilidades como Doctor en Ciencias.

1) Encontrar mi pasión.- Lo primero fue hacer un análisis consiente (y realista) de lo que me gustaría hacer profesionalmente (a veces esto es lo más difícil).

2) Identificar mis habilidades.- Después, buscar qué requerimientos tenían en esas posiciones y contrastarlos con mis habilidades y conocimientos. Supe que me faltaba experiencia en escritura, comunicación, y algunas cosas bastante técnicas para ciertas posiciones. Busque los medios para mejorar en esas áreas y me di un año para cubrirlas.

3) Crear mi Propia Marca.- Además me enfoqué en como diferenciarme del resto de los candidatos y hacer de mí mismo "una marca". Para esto, aprendí como hacer proyectos de ciencia basados en innovación (necesidades de un producto que generan ingreso económico), e invertí tiempo en crear una red (network) fuera de mi universidad y conocidos (al haber estudiado en México hacia que mi network en Estados Unidos fuera muy reducido). Para crear el network tomé parte activa en asociaciones profesionales (ACS y SACNAS) e invertí tiempo haciendo voluntariado con ellos y otras asociaciones, y conseguí mentores (sumamente importante).

4) Pulir mi curriculum.- Finalmente, para generar un curriculum de calidad, asistí a talleres que ayudaban a los candidatos a crear un documento con mejor contenido y presentación. Una vez creado, lo distribuí a colaboradores y amigos para una objetiva revisión. Aplique a los trabajos en los que estaba interesado (fuera de la academia) incluyendo pequeñas empresas y estuve dispuesto a cambiar de residencia (algo que para nosotros como mexicanos no es muy común). Fui entrevistado multiples veces y .........."rechazado". Lo que me llevó a hacer un análisis crítico acerca de los errores cometidos para tratar de mejorar y cubrir esos puntos en las entrevistas posteriores. Este largo proceso me convirtió en un  profesional en entrevistas y personalización de curriculums.

El mensaje mas importante es que el trabajo que tengo actualmente lo obtuve mediante la combinación de: tener los conocimientos necesarios para el trabajo, hacer un plan de desarrollo profesional, diferenciarme de otros competidores, ser profesional en mis aplicaciones, y por supuesto, utilizar la red de contactos.

                                                                                                          - Por Dr. Juan Carlos Ramos