Entrevista a Iago Rodriguez – CEO & Co-Founder de LenioLabs_LLC and Coddde SP
Entrevista a Iago Rodriguez - CEO & Co-Founder de LenioLabs_LLC and Coddde SP
Iago Rodriguez
Ingeniero en Telemática | Doctor en Sistemas Distribuidos
En el competitivo mundo de la tecnología y el desarrollo empresarial, encontrar una empresa que destaque en el ámbito de la Data Quality e Inteligencia Artificial es un hallazgo excepcional. Hoy, tenemos el privilegio de entrevistar al visionario detrás de una de esas empresas líderes en el sector, LENIOLABS_LLC. Con más de 200 empleados y una reputación impecable, LENIOLABS_LLC se ha convertido en un faro de innovación y excelencia en la industria.
Iago Rodriguez, el CEO y CoFundador de LENIOLABS_LLC, es un referente en la comunidad empresarial no solo por su visión estratégica, sino también por su dedicación incansable a la excelencia técnica. Originario de España, Iago ha llevado a LENIOLABS_LLC a nuevas alturas en el mundo de la Data Quality e Inteligencia Artificial, estableciendo estándares inquebrantables de calidad y confiabilidad.
En esta entrevista exclusiva, exploraremos la trayectoria de Iago Rodriguez, su visión para el futuro de LENIOLABS_LLC y su perspectiva sobre los desafíos y oportunidades que enfrenta la industria. Además, desentrañaremos los secretos detrás del éxito de LENIOLABS_LLC y descubriremos cómo esta empresa ha logrado forjar su camino hacia la cima del mercado, brindando soluciones de vanguardia que impulsan a las empresas hacia un futuro más inteligente y eficiente.
1. ¿Quién es Iago Rodriguez?
Hola a todos, soy Iago Rodriguez, nacido y criado en España pero que he ejecutado casi toda mi carrera fuera, desde USA y Latam. Desde joven me incliné por el desarrollo y la tecnología, y estudié Ingeniería Telemática en la Universidad Carlos III de Madrid. Luego hice un doctorado en Sistemas Distribuidos y fundé junto a mi socio varios emprendimientos de sistemas, utilizando Ruby, JS, y Java, 15 años atrás. Años más tarde formamos la compañía de la cual hoy actúo como CEO: Leniolabs_, una software factory donde estamos 260 personas brindando servicios desde Latam hacia USA focalizado en data quality, analytics y AI. Hemos tenido la suerte de trabajar con clientes en USA como Paypal, Disney, Intercontinental Exchange entre otros en estas áreas.
2. ¿Cómo vinculáis el uso de la IA a los objetivos empresariales para garantizar que las implantaciones de la IA se ajustan a las expectativas?
Ahora mismo la gestión de expectativas es realmente complicada. Empezando por el principio, a día de hoy mencionar AI es hablar de LLMs en la cabeza de la mayor parte de las personas. Se conoce mucho sobre lo bonito y brillante de los nuevos modelos y, con suerte, el problema general de hallucination. Pero no se sabe mucho sobre todos los otros problemas, como falta de transparencia, el bias, la poca fiabilidad e integridad… Lidiamos con sistemas de caja negra y no-determinísticos, y que la industria ha simplificado como plug-and-play y cuasi determinísticos. Por tanto, la respuesta genérica es con comunicación. Poner mucho énfasis en explicar los problemas y cómo las arquitecturas les ponen límite es parte fundamental de la definición de cualquier proyecto de IA.
Eso en la aplicación directa de la AI, como segundo orden de problemas tienes los derivados de costes, escalabilidad, despliegue, tiempos de optimización y por supuesto, calidad de datos. Todos estos todavía es aún más complicados incluirlos en las conversaciones de definición de proyecto, y, sin embargo, antes o después, durante la ejecución van a suceder. Ya entrando en lo específico tres elementos fundamentales:
Trabajar en definición de Data Quality desde el principio. Trabajar sobre procesos maduros para que sea fácil medir progreso (o no) y Presentar todos los desarrollos como procesos iterativos, nunca como un one-shot.
3. ¿Cómo eliminar los sesgos en Machine Learning (ML)?
La respuesta rápida es Data Quality, mi obsesión de los últimos meses. La respuesta más larga es que hay toda una rama del Machine Learning que estudia el “bias mitigation” o mitigación del sesgo, e involucra métodos y enfoques muy técnicos que involucran mediciones de datos y feedback en todo el camino de procesamiento de los datos, pero no los voy a aburrir con una respuesta de manual. Es por ello que tener en el equipo personas dedicadas para revisar la calidad de datos con que se entrenan los modelos es fundamental, siempre teniendo la calidad de datos como el norte a seguir y considerando un proceso iterativo de mejora continua en las soluciones.
4. ¿Cómo se puede abordar las crecientes preocupaciones sobre la IA ética y responsable?
En la actualidad estamos viendo una carrera sin precedentes por desarrollar el asistente más completo, inteligente y versátil del mercado, para captar la mayor cantidad de usuarios a futuro. Esto por definición deja atrás a la ética, donde creo que ahora mismo es más retórica que una realidad. A día de hoy se desconoce a nivel general cuán privativo y cerrado se están convirtiendo los modelos y cada vez se da menos información sobre ellos (véase ChatGPT v3 vs v4). Detrás de todo el debate público hay una competencia feroz entre Google, Microsoft y ahora Amazon invirtiendo 4 Billones de Dolares en Anthropic. ¿Hay una mínima ventaja competitiva entre ellos? no que se sepa. Esto hace que el debate de ética se aleje de lo académico.
En el otro lado del río, tenemos los modelos open source. Llamados como el exponente de LLMs. ¿Puede realmente una startup invertir en ética cuando lucha por su supervivencia?
Creo que la única manera es que la solución venga de afuera: no se puede jugar el partido y ser árbitro. La sociedad debe ser la que exija mecanismos de control. Cuales, no lo sé honestamente. Tenemos la versión regulación gubernamental, la versión organismos internacionales tipo OIEA para energía nuclear, la versión ser objeto de demandas, …
5. ¿Cuáles son los mayores retos para las empresas respecto a la estructuración de datos en IA?
Data Quality, data quality, data quality. Perdón que soy muy pesado con esto. La inversión ahora mismo debe estar en tener calidad de datos. Si tienes calidad de datos puedes empezar a trabajar de forma iterativa, si no, no vas a tener buenos resultados. Definir qué dimensiones de calidad son las más relevantes y generar procesos de mejora continua donde las aplicaciones de IA se retroalimentan generando data de calidad.
Por supuesto, hay que tener en cuenta que abordar estos problemas puede ser complejo y puede requerir estrategias específicas adaptadas a las necesidades y objetivos de cada organización.
En Qaleon, estamos comprometidos con la excelencia en el desarrollo de soluciones de Inteligencia Artificial y la explotación de datos de calidad para impulsar a las empresas hacia un futuro de éxito en la era de la transformación digital. La entrevista con Iago Rodriguez, CEO y CoFundador de LenioLabs_LLC , ha sido una valiosa oportunidad para explorar los desafíos y oportunidades que enfrentan las organizaciones en este emocionante camino hacia la innovación y la competitividad.
Como líderes en el campo de la IA y la gestión de datos de calidad, en Qaleon compartimos la visión de Iago sobre la importancia de la transparencia, la ética y la calidad de los datos como pilares fundamentales en cualquier iniciativa de IA. Nuestra empresa se esfuerza por ofrecer soluciones a medida que permiten a las organizaciones abordar estos desafíos de manera efectiva.