Llegamos a la última lección del curso. En 08-03 cartografiamos hacia dónde avanza el campo; toca ahora la otra mitad del mapa: lo que aún no funciona bien. Los desafíos abiertos del deep learning no son notas a pie de página: son la razón de que exista trabajo cualificado en este sector, porque donde hay problemas sin resolver hay profesionales necesarios. Veremos los desafíos técnicos que la investigación persigue, los desafíos —más mundanos pero más decisivos— de llevar modelos a producción en empresas reales, el mapa de salidas profesionales, y cómo convertir el portfolio TecnoMarket que has construido en un portfolio tuyo. Y cerraremos como se cierra un curso: recapitulando el viaje completo y marcando los siguientes pasos.

1. Desafíos técnicos abiertos del campo
2. Del prototipo al producto: los desafíos de adopción
3. El mapa de oportunidades profesionales
4. Cómo construir un portfolio real a partir de TecnoMarket
5. El viaje completo: recapitulación del curso
6. Próximos pasos: tres rutas de especialización
7. Despedida

Ninguno de estos problemas está resuelto; todos los has rozado ya en versión pequeña durante el curso. Esa es la buena noticia: los desafíos de frontera son versiones grandes de cosas que ya entiendes.

Los modelos aprenden la distribución de sus datos de entrenamiento y se degradan —a veces en silencio— cuando el mundo se sale de ella. Ya lo viviste en cotidiano: la deriva conceptual de 06-05 (los hábitos de compra cambian y el predictor de demanda envejece) es exactamente este problema a cámara lenta; las fotos caseras de 08-01 (el clasificador entrenado con fotos de estudio) son su versión instantánea. La investigación busca modelos que detecten "esto no se parece a lo que vi" y se abstengan o se adapten; hoy, la respuesta práctica sigue siendo la que construimos: monitorización de deriva, conjuntos de validación congelados y colas de revisión humana.

La frontera presume de datasets planetarios, pero la mayoría de los problemas reales tienen pocos datos etiquetados, y sucios. Las armas actuales las conoces: transfer learning (05-03), aumento de datos (05-04), auto-supervisado sobre datos sin etiquetar (08-03). El problema abierto: aprender de verdad con pocos ejemplos, como hace una persona a la que le basta ver una cafetera para reconocer todas.

Un modelo generativo produce salidas plausibles, no verdaderas. Lo viste nacer en tu propio generador de 07-02: inventaba características de productos con total fluidez, y por eso impusimos revisión humana obligatoria. En los LLMs (05-05, 08-03) el problema escala: texto seguro de sí mismo, gramaticalmente impecable y factualmente falso. Mitigaciones actuales: RAG (anclar la generación en documentos reales, 08-03), ajuste para que el modelo exprese incertidumbre, verificación posterior. Solución de fondo: no existe todavía — es quizá el problema abierto más caro del momento, porque limita el despliegue de generativos en todo lo que exige exactitud.

Los modelos son frágiles ante entradas diseñadas para engañarlos. A nivel conceptual, dos familias:

• Ataques de evasión: perturbaciones minúsculas e imperceptibles que cambian la predicción (la pegatina que hace que un clasificador vea otra cosa).
• Adversarios adaptativos: el caso TecnoMarket es el detector de fraude de 07-03 — los defraudadores no son estáticos: prueban, observan qué transacciones se bloquean y adaptan su comportamiento hasta parecer normales. Contra un adversario que aprende, un modelo entrenado con el fraude de ayer siempre va un paso por detrás. Por eso el antifraude real es un ciclo continuo (reentrenar con casos nuevos, revisar umbrales, mantener revisores humanos que detecten patrones inéditos), no un modelo que se entrena una vez.

En 08-01 vimos herramientas (saliencia, SHAP) y salvaguardas (revisión humana). Pero entender de verdad por qué una red de millones de parámetros decide lo que decide sigue abierto: las explicaciones actuales son aproximaciones útiles, no garantías. Mientras tanto, la norma profesional es la que adoptamos: cuanto mayor el impacto de la decisión, menor la autonomía del modelo.

La tensión de 08-02/08-03 como problema abierto: la frontera avanza a base de escala, y la escala cuesta dinero, energía y concentración de poder. Cada avance en eficiencia (cuantización, destilación) alivia el síntoma; la pregunta abierta es si habrá caminos hacia la capacidad sin la escala.

La estadística incómoda del sector: una gran parte de los proyectos de ML nunca llega a producción, y no por culpa de los modelos. El equipo de TecnoMarket lo sabe porque lo ha recorrido entero, y su experiencia resume los obstáculos reales:

• Los datos reales están sucios. Los datasets del curso (MNIST, CIFAR-10, Fashion-MNIST) venían limpios y etiquetados. El catálogo real de TecnoMarket tiene fotos giradas, categorías inconsistentes, reseñas con spam y transacciones con campos vacíos. En proyectos reales, la limpieza y preparación de datos consume la mayor parte del tiempo — y es donde los cursos suelen callar y los profesionales se ganan el sueldo.
• El modelo es el 20 %; la ingeniería, el 80 %. Mira lo que rodeó a cada modelo del curso: la API de despliegue y la validación congelada (06-05), la monitorización de deriva (06-05), la cola de revisión humana (03-04), los umbrales de negocio en euros (07-03), la auditoría ética (08-01). Todo eso es ingeniería y proceso, no model.fit(). El fichero del modelo es la pieza pequeña de un sistema grande.
• El mantenimiento no termina nunca. Un modelo desplegado es un compromiso permanente: deriva, reentrenos, auditorías, dependencias que se actualizan, personas que rotan. La "deuda técnica en ML" tiene formas propias y traicioneras: dependencias ocultas entre datos y modelo (cambias cómo se calcula una columna y el modelo se degrada sin avisar), pipelines de experimentos convertidos en producción sin refactorizar, umbrales mágicos que nadie recuerda por qué valen 0,7 (por eso documentamos el percentil de 07-03 y su matriz en euros: para que el porqué sobreviva al quién).
• El éxito se mide en negocio, no en accuracy. La lección de la matriz de confusión en euros de 07-03: un modelo "peor" en métricas puede ser mejor en dinero, y viceversa. Los proyectos que prosperan son los que traducen sus métricas al idioma de quien decide.

La consecuencia profesional es enorme: las empresas no necesitan solo gente que entrene modelos; necesitan sobre todo gente que sepa llevarlos y mantenerlos en producción. Eso reordena el mapa de salidas profesionales, que es el siguiente punto.

El sector se ha especializado. Los roles principales, qué hacen y qué parte del curso les corresponde:

Notas honestas sobre el mapa:

• Las fronteras son porosas: en un equipo pequeño como el de TecnoMarket, una persona cubre varios roles; en una grande, cada rol es un departamento.
• El rol con más demanda insatisfecha suele ser el del medio: perfiles que entienden el modelo y la ingeniería y el negocio. Este curso te ha entrenado deliberadamente en esa intersección.
• No hace falta ser investigador: la inmensa mayoría del empleo del sector está en aplicar bien lo que ya existe, no en inventar arquitecturas.

Tienes cinco proyectos funcionando (módulo 7). Tal cual, son ejercicios de curso; con trabajo dirigido, son un portfolio que abre entrevistas. La diferencia está en tres movimientos:

1. Hazlos tuyos cambiando los datos. Un entrevistador reconoce CIFAR-10 y Fashion-MNIST a diez metros. Sustitúyelos por datasets públicos reales de un dominio que te interese (repositorios de datos abiertos: portales de datos gubernamentales, Kaggle, Hugging Face Datasets, UCI). Ideas directas por proyecto:

2. Enséñalos como un profesional. Retoma los hábitos de entorno y herramientas de 06-04: un repositorio limpio por proyecto, con README que explique el problema, los datos, las decisiones (¡y los fracasos!), las métricas contra baseline, y cómo reproducirlo (dependencias fijadas, semillas, instrucciones). Un notebook desordenado sin README dice "estudiante"; un repo reproducible con decisiones justificadas dice "compañero de equipo".

3. Añade la capa que casi nadie añade. Elige uno o dos proyectos y llévalos hasta donde llegó TecnoMarket: API de inferencia (06-05), pequeña auditoría por subgrupos (08-01), análisis de coste de errores (07-03). Esa capa —sistema, no solo modelo— es exactamente lo que el apartado de adopción dice que escasea, y diferencia tu portfolio del 90 % restante.

Mira ahora hacia atrás. Esto es lo que has recorrido, módulo a módulo, con TecnoMarket como hilo:

• Módulo 1 — Qué es el deep learning, su historia (de la neurona artificial al invierno de la IA y de ahí a los transformers), sus aplicaciones, y tu entorno de trabajo listo. TecnoMarket era solo una idea: una tienda con datos sin explotar.
• Módulo 2 — Los fundamentos de verdad: perceptrón, activaciones, propagación hacia delante y hacia atrás, pérdidas y optimizadores, y tu primera red completa reconociendo dígitos MNIST. Aprendiste el mecanismo que todo lo demás reutiliza.
• Módulo 3 — Las CNN: convoluciones, pooling, arquitecturas clásicas, y la primera decisión de ingeniería madura del curso: el umbral de confianza con cola de revisión humana, que nos acompañó hasta la checklist ética.
• Módulo 4 — Las RNN y LSTM: el sentimiento de las reseñas con enrutado y la predicción de demanda medida contra baselines honestos — la disciplina de "compárate con algo simple" que reapareció en cada proyecto.
• Módulo 5 — Las técnicas avanzadas: GAN (y la pregunta ética que dejamos sembrada), autoencoders y sus representaciones, transfer learning, regularización, y la atención y los transformers que cerraron el arco histórico abierto en 01-02.
• Módulo 6 — Del cuaderno al mundo: TensorFlow y PyTorch, entornos reproducibles, y el despliegue completo — API, validación sobre conjunto congelado, monitorización de deriva, checklist.
• Módulo 7 — Los cinco proyectos del portfolio: el clasificador CIFAR-10 (~82-85 %), el generador de descripciones con temperatura y revisión humana, el detector de fraude con su matriz de confusión en euros y su decisión a tres bandas, la DCGAN de Fashion-MNIST con su bucle de entrenamiento artesanal, y el fine-tuning de MobileNetV2 (~91 %) que batió a tu propia CNN y te enseñó la lección estratégica del transfer learning.
• Módulo 8 — La dimensión profesional completa: auditar sesgo y gobernar contenido sintético (08-01), entender el impacto en empleo, economía y ambiente (08-02), leer las tendencias con criterio (08-03), y este mapa final de desafíos y oportunidades.

Dicho de otro modo: empezaste sin saber qué era una neurona artificial y terminas sabiendo construir, evaluar, desplegar, auditar y defender ante un comité un sistema de deep learning completo. Eso no es "haber hecho un curso"; es una competencia profesional de partida.

A partir de aquí, el camino se bifurca según lo que más te haya gustado. Tres rutas claras, cada una con sus siguientes temas típicos:

Ruta 1: Visión por computador (si disfrutaste los módulos 3, 5 y los proyectos 07-01/07-04/07-05)

• Detección de objetos y segmentación (localizar y delimitar, no solo clasificar).
• Modelos de difusión en profundidad y visión con transformers.
• Edge AI: modelos en móvil y dispositivos (el arco MobileNet hasta el final).
• Cursos/temas típicos: visión por computador avanzada, procesamiento de imagen, despliegue en dispositivos.

Ruta 2: NLP y LLMs (si disfrutaste el módulo 4, 05-05 y el proyecto 07-02)

• Transformers en profundidad: tokenización, embeddings, fine-tuning de modelos de lenguaje abiertos.
• Ingeniería de aplicaciones con LLMs: RAG, agentes, evaluación de sistemas generativos.
• Los desafíos de esta lección en primera línea: alucinaciones y evaluación factual.
• Cursos/temas típicos: procesamiento del lenguaje natural, LLMs aplicados, recuperación de información.

Ruta 3: MLOps e ingeniería de ML (si disfrutaste el módulo 6 y el "80 % de ingeniería")

• Pipelines de datos y entrenamiento reproducibles; versionado de datos y modelos.
• Monitorización, testing de modelos, despliegue continuo y a escala.
• Infraestructura: contenedores, orquestación, optimización de inferencia.
• Cursos/temas típicos: MLOps, ingeniería de datos, arquitectura de sistemas en la nube.

Las tres rutas comparten un mismo consejo de método, que es el método de este curso: aprende construyendo un proyecto real de punta a punta, con baselines, métricas y despliegue, y súmalo al portfolio. Y sea cual sea la ruta, llévate contigo las tres disciplinas transversales que practicamos hasta el final: compárate siempre con un baseline, mantén a un humano en las decisiones de alto impacto, y pasa la checklist ética antes de desplegar.

• Confundir los desafíos abiertos con motivos de parálisis. Que la interpretabilidad o las alucinaciones no estén resueltas no impide desplegar con responsabilidad: significa desplegar con las salvaguardas que aprendiste (revisión humana, monitorización, umbrales por impacto).
• Presentarse a entrevistas con los datasets del curso tal cual. MNIST y CIFAR-10 demuestran que seguiste un curso; un dataset real con decisiones documentadas demuestra que sabes trabajar.
• Elegir especialización por salario en vez de por afinidad. Los tres caminos están bien pagados y lo seguirán estando; la constancia que exige especializarse solo sale de trabajar en lo que te gusta. Usa la tabla de roles: qué módulos disfrutaste es el mejor predictor.
• Dejar de estudiar al acabar el curso. Este campo se renueva cada pocos años (lo viste en 08-03). La rutina pequeña y sostenida —un par de horas semanales, un proyecto siempre entre manos— vale más que un atracón anual.
• Subestimar lo que ya sabes. El síndrome del impostor es endémico en este campo porque siempre hay algo nuevo que no conoces. Referencia objetiva: eres capaz de construir, desplegar y auditar los cinco sistemas del módulo 7. Muchos profesionales en activo no han hecho nunca las cinco cosas.
• Consejo final de método: cuando dudes entre estudiar algo nuevo o profundizar en lo que tienes, elige casi siempre profundizar. Un proyecto llevado hasta producción enseña más que tres empezados.

Seis meses después del despliegue, el recall del detector de fraude de 07-03 ha caído del 83 % al 61 % sin que ninguna alarma saltara: los defraudadores aprendieron a fraccionar compras grandes en varias pequeñas desde cuentas nuevas. Redacta un breve postmortem: (a) ¿qué desafío técnico de esta lección se materializó y por qué la monitorización de deriva de 06-05 no lo detectó a tiempo?; (b) propón tres medidas correctoras de naturaleza distinta (datos/modelo, proceso, personas); (c) ¿qué le dice este caso al equipo sobre la idea de "modelo terminado"?

Autoevaluación guiada, para hacer por escrito de verdad: (a) ordena los módulos del curso del que más disfrutaste al que menos; (b) con la tabla de roles y las tres rutas, identifica tu ruta y tu rol más probables; (c) define tu primer proyecto post-curso: qué proyecto TecnoMarket usarás de base, con qué dataset público real, y qué "capa profesional" (API, auditoría de subgrupos o análisis de coste) le añadirás; (d) fija un plazo realista en semanas.

Como cierre integrador: la dirección de TecnoMarket te pide un plan de ML para el próximo año en una página. Debe incluir: un proyecto nuevo justificado por tendencias maduras (08-03), el plan de mantenimiento de los cinco modelos existentes (esta lección: deriva, reentrenos, auditorías), los roles humanos necesarios (08-02) y las salvaguardas éticas (08-01). Redáctalo en 8-12 líneas: es el examen final no oficial del curso.

Solución 1. (a) Se materializó el desafío de robustez frente a un adversario adaptativo: los defraudadores observaron el comportamiento del sistema y modificaron su patrón hasta caer dentro de lo "normal". La monitorización de deriva de 06-05 vigila cambios en la distribución de entrada, pero el fraccionamiento produce transacciones individualmente normales (importes pequeños, cuentas nuevas: nada raro por separado) — la anomalía está en el patrón agregado entre transacciones, que ni el modelo ni el monitor miraban; además, el recall real solo se conoce cuando el fraude se confirma semanas después, así que la métrica llega siempre con retraso. (b) Datos/modelo: añadir variables agregadas por cliente y por tarjeta en ventanas temporales (número de compras en 24 h, suma de importes, edad de la cuenta) para que el patrón fraccionado sea visible al modelo, y reentrenar con los casos nuevos etiquetados. Proceso: añadir a la monitorización métricas de negocio con retardo (fraude confirmado por semana, en euros — la matriz de 07-03 como serie temporal) con alarma propia, y un ciclo fijo de "red team" interno que intente burlar el modelo antes que los defraudadores. Personas: reforzar la franja de revisión humana para cuentas nuevas y garantizar un canal por el que los revisores escalen patrones inéditos (fueron humanos, no métricas, quienes podrían haberlo visto antes). (c) Que "modelo terminado" no existe contra un adversario que aprende: el antifraude es un ciclo permanente de medición, adaptación y vigilancia humana — la versión extrema de la lección general del mantenimiento.

Solución 2. No hay solución única: es tu autoevaluación. Criterios de corrección para ti mismo: la ruta elegida debe ser coherente con tus módulos favoritos (si tu top fue el módulo 6 y eliges visión "porque suena mejor", revisa el tercer error común); el proyecto definido debe caber en el plazo (un clasificador afinado con auditoría de subgrupos son 2-4 semanas realistas de tiempo parcial; "construir un LLM" no es un primer proyecto); y el resultado debe terminar en un repositorio público reproducible, porque el objetivo del ejercicio es el primer ladrillo del portfolio propio, no un plan que se quede en papel.

Solución 3. Un plan sólido debería parecerse a esto (una versión, no la única): "Proyecto nuevo: búsqueda visual del catálogo (multimodalidad, tendencia madura según nuestro radar de 08-03), en piloto interno el primer semestre, construida sobre embeddings de un modelo preentrenado — nuestra vía contrastada de transfer learning. Mantenimiento: los cinco modelos actuales quedan bajo monitorización de deriva más métricas de negocio con retardo; reentrenos disparados por umbral (política B de 08-02) con revalidación sobre conjuntos congelados y re-auditoría de sesgo por subgrupos en cada ciclo; presupuesto explícito de un 60 % del tiempo del equipo para mantenimiento — asumimos que el modelo es el 20 % del sistema. Personas: se consolidan los roles de revisor de cola humana y editor de contenido IA con formación interna; se incorpora un perfil MLOps. Salvaguardas: ninguna decisión de alto impacto sin franja de revisión humana; todo contenido generado, marcado y revisado; checklist ética de 08-01 obligatoria en cada despliegue, con revisión de compliance/legal — este plan no constituye asesoramiento legal y su encaje regulatorio será validado por profesionales." Si tu versión contiene estos cuatro bloques con decisiones concretas y justificadas, has integrado el curso entero en una página.

Fin del trayecto. Empezaste este curso preguntándote qué es el deep learning; lo terminas sabiendo qué hace por dentro una red neuronal (módulos 1-2), cómo ven las CNN (módulo 3), cómo procesan secuencias las RNN y LSTM (módulo 4), cómo generan las GAN, comprimen los autoencoders y atienden los transformers (módulo 5), cómo se entrena, guarda y despliega todo eso con herramientas profesionales (módulo 6), y lo demostraste construyendo cinco sistemas reales para TecnoMarket (módulo 7) que luego aprendiste a auditar, contextualizar y proyectar hacia el futuro (módulo 8). El equipo de datos de TecnoMarket que imaginamos en la primera lección existe ya: eres tú.

Quedan desafíos abiertos —modelos que fallan fuera de su mundo, generativos que inventan, adversarios que se adaptan, cajas negras a medio abrir— y eso es exactamente lo que debe alegrarte: un campo resuelto no necesitaría a nadie nuevo. Tu siguiente movimiento está definido: elige tu ruta (visión, NLP/LLMs o MLOps), convierte un proyecto TecnoMarket en un proyecto tuyo con datos reales y capa profesional, y mantén la rutina pequeña de seguir aprendiendo. Lleva contigo las tres disciplinas del curso —baselines honestos, humanos en las decisiones importantes, ética antes de desplegar— y tendrás algo más valioso que cualquier técnica concreta: criterio.

Ha sido un largo viaje desde aquella primera neurona. Gracias por recorrerlo hasta el final. Ahora deja de leer y ve a entrenar algo. El campo te está esperando.