Los estudiantes universitarios que usan ChatGPT para entender un tema tienden a sentirse más seguros de lo que realmente saben, y a la hora de explicarlo por escrito lo hacen peor que quienes leyeron la misma información sin conversar con el chatbot. Así lo muestra una investigación desarrollada en Chile por el Centro Nacional de Inteligencia Artificial (CENIA) y el Centro de Investigación Avanzada en Educación (CIAE) de la Universidad de Chile, liderada por Ivan Aslanov, investigador postdoctoral de CENIA y de la Universidad de Chile, junto a Ernesto Guerra, académico del Instituto de Estudios Avanzados en Educación (IE) e investigador del CIAE, y Patricio Felmer, investigador del CIAE y Premio Nacional de Ciencias Exactas 2011. El estudio se hizo con 102 estudiantes universitarios chilenos y aporta evidencia sobre un efecto que preocupa a la educación: tener una buena explicación a un clic de distancia no garantiza haberla aprendido.

El fenómeno que midieron los investigadores se llama “ilusión de profundidad explicativa” y es muy conocido en la psicología cognitiva. Consiste en creer que las personas entienden un tema mejor de lo que lo hacen en realidad, algo que suele quedar en evidencia al intentar explicárselo a otra persona. Aslanov lo ilustra con una pregunta simple, como por qué las plantas son verdes: casi todos sienten que lo saben, pero al intentar explicarlo con nuestras palabras descubrimos que sabemos menos de lo que pensábamos. La literatura científica ya había mostrado que este efecto se intensifica cuando buscamos información en internet, porque se nos hace difícil separar lo que sabemos nosotros de lo que está disponible en la pantalla. Lo que no se había comprobado con claridad era si ocurre también cuando la información llega a través de un chatbot de Inteligencia Artificial, y esa es la pregunta que respondió este trabajo.

Para averiguarlo, el equipo dividió a los 102 estudiantes en tres grupos y les pidió abordar cuatro preguntas sobre fenómenos cotidianos: por qué existen los años bisiestos, cómo se fabrica el vidrio, cómo funcionan los cierres y por qué la Luna tiene fases. Un grupo hizo las preguntas a una versión personalizada de ChatGPT, otro leyó exactamente los mismos textos generados por el chatbot, presentados como texto fijo en pantalla y sin que los participantes conocieran su procedencia, y el tercero no recibió ningún material de apoyo. Antes de escribir, cada participante calificó qué tan bien creía poder explicar cada fenómeno; luego redactó su explicación y, después de leerla, volvió a evaluarse. La ilusión se calculó como la distancia entre lo que los participantes creían que podían explicar y lo que efectivamente lograron hacer.

El grupo que conversó con ChatGPT mostró la mayor distancia entre su confianza y su desempeño. Además, sus explicaciones fueron de menor calidad: dos evaluadores independientes las calificaron en una escala de 1 a 4, y el grupo que usó el chatbot obtuvo en promedio 2,47 puntos, frente a 2,75 del grupo que solo leyó los textos y 1,8 del grupo que no recibió material. El análisis del lenguaje apuntó en la misma dirección: quienes usaron ChatGPT escribieron en promedio 43,8 palabras, con un vocabulario menos variado, mientras que quienes leyeron los textos escribieron 59,6 palabras y se acercaron más a la redacción del texto original. Como ambos grupos recibieron exactamente la misma información, la diferencia no se explica por la calidad del contenido, sino por la forma de acceder a él.

“Tener acceso a una buena explicación no significa necesariamente haber incorporado ese conocimiento. Una persona puede reconocer y seguir una explicación cuando la tiene delante, pero no necesariamente reconstruirla después por sí misma”, afirmó Ernesto Guerra. El investigador agregó que los resultados de PISA 2025 muestran que el uso de herramientas de Inteligencia Artificial para aprender está muy extendido entre los estudiantes chilenos de 15 años, lo que vuelve pertinente preguntarse no solo cuánto se usan, sino qué ocurre con la comprensión que se construye a partir de ellas.

Los autores aclaran que el estudio no demuestra que ChatGPT sea malo para aprender ni que la Inteligencia Artificial produzca siempre peores resultados. Lo que muestra es un efecto específico: al conversar con un chatbot, las personas pueden terminar con más confianza en su comprensión de la que justifica su desempeño posterior. El trabajo mide ese desajuste, pero no identifica por qué ocurre. Una hipótesis es que los usuarios se atribuyan a sí mismos parte de un conocimiento que en realidad está en la herramienta; otra, que una conversación fluida genere una sensación de comprensión mayor. Aslanov plantea además que podría influir la forma en que las respuestas aparecen palabra por palabra en pantalla, algo que no ocurre al leer un texto fijo. Ninguna de estas ideas está probada y requieren nuevos estudios. También hay límites que conviene tener presentes: se evaluó solo ChatGPT, con respuestas precargadas, y únicamente a estudiantes universitarios.

El equipo prevé replicar el estudio con una muestra más grande y diversa que los 102 participantes iniciales, y comparar dos formas de reducir la ilusión: enseñar a los estudiantes cómo funciona la Inteligencia Artificial y cuáles son sus límites, o entrenar habilidades de pensamiento crítico. También evaluarán si el efecto se repite en estudiantes escolares y en población general.

The post Universitarios que conversan con ChatGPT creen entender más de lo que logran explicar, según estudio de investigador CENIA appeared first on CENIA.

El Centro Nacional de Inteligencia Artificial (CENIA) es un centro dedicado a la investigación, desarrollo y transferencia tecnológica en inteligencia artificial, con el propósito de fortalecer el ecosistema científico y tecnológico del país.
CENIA busca poner la Inteligencia Artificial al servicio de las personas y contribuir a que Chile se consolide como un referente en el desarrollo científico y tecnológico de la IA en Latinoamérica y el mundo.

“Esta oferta laboral se enmarcen la Ley N° 21.015, promoviendo la inclusión de personas con discapacidad al mundo laboral. Somos una empresa comprometida con la igualdad de oportunidades, la diversidad y la no discriminación”.

Postula aquí

Descripción

Tus funciones a desempeñar serán las siguientes:

– Gestión de stakeholders: coordinar la relación con CONAF, municipios, empresas de telecomunicaciones, clientes privados y socios técnicos (reuniones, minutas, compromisos y seguimiento de convenios y pilotos).
– Pipeline comercial: identificar, registrar y calificar potenciales leads, apoyar la preparación de propuestas y mantener actualizado el embudo comercial en el CRM o base de datos del proyecto.
– Licitaciones: monitorear Mercado Público y otras fuentes, revisar bases y requisitos de admisibilidad, coordinar anexos y plazos, y apoyar la preparación de ofertas junto al equipo técnico y legal.
– Centralización de información: administrar las bases de datos del proyecto (torres, despliegues, documentos legales, stakeholders, tareas) y la documentación en Notion/Drive, y elaborar reportes e indicadores para ANID y la dirección.
– Gestionar el inventario de equipos e insumos (cámaras, dispositivos edge, gabinetes, paneles solares y repuestos), y sistematizar y automatizar el proceso de compras, desde la cotización y la orden de compra hasta la recepción, el control de stock y el respaldo para rendición
– Plataforma y mejora continua: levantar requerimientos de usuarios y clientes, apoyar la priorización del backlog con el equipo técnico y realizar mejoras acotadas (dashboards, automatizaciones, integraciones simples y consultas a datos).

Requerimientos

Al momento de seleccionar a nuestr@s candidat@s, nos fijamos en su experiencia en:

– Excluyente: conocimientos de gestión de proyectos (planificación, seguimiento de hitos y control de riesgos), por formación o experiencia práctica.
– Excluyente: manejo avanzado de Excel/Google Sheets y herramientas colaborativas (Notion, Google Workspace).
– Deseable (altamente valorado): programación en Python y SQL a nivel intermedio, para automatizar procesos, manejar bases de datos y apoyar mejoras de la plataforma.
– Deseable: conocimiento de licitaciones públicas (Mercado Público, Ley N° 19.886) y de fondos públicos de I+D+i (ANID/CORFO).
– Deseable: Git/GitHub, APIs, herramientas de BI (Looker Studio / Power BI), nociones de IA o IoT.

Como son nuestros procesos de selección?

1.- Completa el formulario de postulación que te enviaremos y adjunta tu CV actualizado.

2.- Si cumples con los requisitos base, te contactaremos para levantar información en detalle de tu postulación.

3.- Si cumples con el perfil requerido, agendaremos una entrevista con nuestro Gestor de Talento.

4.- En caso de presentar la experiencia y competencias necesarias, coordinaremos una entrevista técnica con la jefatura correspondiente.

Valoramos mucho tu interés y las ganas de ser parte de una organización que impulsa la ciencia y la IA con propósito

Independiente del resultado, gracias por dar el paso y confiar en nosotr@s.

¡Seguimos construyendo futuro!

The post ¡Trabaja en CENIA! appeared first on CENIA.

¿Qué secretos esconden las figuras dibujadas sobre cerámica, pinturas rupestres y los enormes geoglifos del desierto de Atacama acerca de las comunidades que habitaron este territorio hace más de seiscientos años? Esta es una de las preguntas que busca responder el proyecto “Motifs Across Media: AI Analysis of Prehispanic Atacama Visual Systems”, una  investigación que combina arqueología e Inteligencia Artificial para estudiar las semejanzas entre distintas expresiones artísticas del norte de Chile prehispánico entre los años 1000 y 1400 d.C.

El proyecto será dirigido por Francisca Gil-Ureta, doctora en computación gráfica e investigadora del Centro Nacional de Inteligencia Artificial (CENIA) y tendrá una duración de dos años. El equipo trabajará con imágenes ya existentes de proyectos previos, entre ellas más de 800 vasijas digitalizadas, ortomosaicos de geoglifos y documentación de arte rupestre.

“Que una iniciativa desarrollada íntegramente en Chile haya sido seleccionada entre más de 500 propuestas de todo el mundo muestra que nuestro país puede hacer investigación de frontera, uniendo Inteligencia Artificial y humanidades a partir de su propio patrimonio”, destacó la directora.

Entre los resultados comprometidos, el proyecto realizará un conjunto de bases de datos de los motivos registrados, el primero de su tipo para Atacama, con acceso escalonado para proteger ubicaciones sensibles; herramientas computacionales de código abierto que incluyen embeddings entrenados, protocolos de anotación y métodos adaptables a otras regiones o materiales; nuevas interpretaciones arqueológicas sobre la transmisión y transformación de motivos; formación cruzada de estudiantes de doctorado en arqueología e ingeniería y un taller práctico para arqueólogos andinos.

“Este proyecto reúne a arqueólogos, antropólogos y especialistas en computación de cuatro instituciones. Esa colaboración es lo que nos permite hacernos preguntas nuevas sobre un patrimonio que conocemos hace décadas, pero que nunca habíamos podido mirar en conjunto”, afirmó Francisca Gil-Ureta.

El estudio será integrado por los coinvestigadores: Dra. Ana María Cabanas, directora de Investigación e Innovación de la Universidad de Tarapacá (UTA) y colaboradora asociada CENIA; Dr. Iván Sipiran, del Departamento de Ciencias de la Computación de la Universidad de Chile e investigador principal CENIA; Dr. Adrián Oyaneder, Dra. Ester Echenique, Dra. Daniela Valenzuela y Dra. Zaray Guerrero, del Departamento de Antropología UTA; y Mg. Víctor Méndez, de la Escuela de Antropología de la Pontificia Universidad Católica de Chile.

Motivos compartidos en el desierto de Atacama

Gracias a la extrema aridez del desierto, numerosos vestigios arqueológicos se han conservado durante siglos. Entre ellos destacan representaciones de figuras humanas, animales y formas geométricas que se repiten en los valles de Lluta, Azapa y Camarones, tanto en objetos de cerámica como en pinturas sobre rocas y grandes figuras trazadas sobre las laderas de los cerros.

Aunque estas semejanzas han sido reconocidas por la arqueología, determinar qué tan frecuentes son y qué relación podrían tener entre sí representa un desafío considerable. La enorme cantidad de piezas y la diversidad de materiales dificultan realizar comparaciones que permitan identificar patrones entre los distintos territorios.

“Durante siglos, las comunidades del Atacama dejaron su huella en la cerámica, en las rocas y en las laderas del desierto. Queremos entender si esas imágenes forman parte de un mismo lenguaje visual, y la Inteligencia Artificial nos permite compararlas a una escala que antes era imposible”, indicó Gil-Ureta.

Para abordar este problema, los investigadores desarrollarán nuevos modelos de Inteligencia Artificial y bases de conocimiento que permitan apoyar el trabajo arqueológico. A partir de los criterios establecidos por los especialistas, estas herramientas permitirán comparar miles de registros e identificar patrones que serían difíciles de detectar mediante una revisión tradicional.

El doctor en arqueología y académico de la UTA, Adrián Oyaneder, explicó que “la Inteligencia Artificial no reemplaza la mirada del arqueólogo, sino que la amplía. Nos ayuda a detectar patrones entre miles de figuras que están en soportes y lugares distintos, para que luego los especialistas puedan interpretarlos con su conocimiento del territorio”.

Schmidt Sciences

Schmidt Sciences otorgó US$10 millones a 19 equipos interdisciplinares a través de su Instituto Virtual de Humanidades e Inteligencia Artificial (HAVI, por sus siglas en inglés). Los proyectos utilizarán la Inteligencia Artificial para avanzar en el estudio del arte, la danza, la historia, la música, la literatura y otras disciplinas a lo largo de miles de años de cultura mundial, al tiempo que ayudarán a los investigadores a desarrollar y poner a prueba nuevas capacidades de Inteligencia Artificial. 

En 2025, la primera versión del programa destinó US$11 millones a un máximo de 23 equipos, entre ellos grupos de la Universidad de Cambridge, Sorbonne Université y Dartmouth College. El proyecto chileno fue seleccionado en la convocatoria 2026, en la categoría destinada a colaboraciones en su fase inicial, convirtiéndose en uno de los primeros equipos del sur global en recibir este financiamiento.

Seleccionados entre 501 propuestas procedentes de 42 países, estos proyectos elevan el compromiso total de financiación de HAVI, en sus dos convocatorias, a más de US$21 millones. Los equipos compartirán abiertamente las herramientas y los recursos que desarrollen, incluyendo código, pesos de modelos y conjuntos de datos de referencia.

The post Schmidt Sciences otorga financiamiento a proyecto CENIA, UTA, UC y UChile que busca descifrar las figuras prehispánicas del desierto de Atacama  appeared first on CENIA.

• El proyecto Puelche desarrollará un sistema de agentes de Inteligencia Artificial que revisará la documentación de las ofertas, detectará propuestas inadmisibles y entregará puntajes preliminares a las comisiones evaluadoras, que conservarán la decisión final. La iniciativa, que recibirá $237 millones de ANID, se validará durante 24 meses en procesos reales de compra del Servicio de Vivienda y Urbanización de la Región Metropolitana.

El Centro Nacional de Inteligencia Artificial (CENIA) se adjudicó el proyecto “Puelche: Agent-Based AI for Public Procurement Evaluation” (IT26I0132), uno de los tres que obtuvo en el concurso FONDEF de Investigación Tecnológica (IT) 2026 de la Agencia Nacional de Investigación y Desarrollo (ANID) y con el que desarrollará un sistema de Inteligencia Artificial para apoyar la fase de evaluación de las licitaciones públicas en Chile. La iniciativa, dirigida por el investigador Felipe del Río, se ejecutará durante 24 meses con CENIA como beneficiaria principal y el Servicio de Vivienda y Urbanización de la Región Metropolitana (SERVIU RM) como entidad asociada, con un presupuesto total de $372 millones.

Su objetivo es hacer más eficientes los procesos de compras públicas sin comprometer la transparencia ni la confianza y en cumplimiento de la normativa vigente, mediante la detección automática de propuestas inadmisibles y la entrega de puntajes preliminares fundamentados durante la fase de evaluación. Las comisiones evaluadoras mantendrán la decisión final.

Según los datos reunidos por el equipo, las compras públicas representan el 14,3% del gasto del Estado chileno y en 2024 movilizaron US$17.640 millones a través de la plataforma Mercado Público, donde las licitaciones concentran el 71,3% del gasto y constituyen el mecanismo más complejo y demandante en recursos. Dentro de ellas, la evaluación, que incluye el filtro de admisibilidad y la asignación de puntajes técnicos y económicos, todavía depende de una revisión manual intensiva, pese a que el país cuenta con infraestructura digital avanzada, datos abiertos e interfaces de programación (APIs) en Mercado Público. 

Un proceso de compra dura en promedio 43,2 días y el 34,2% supera los plazos previstos, con retrasos promedio de 18,4 días, casos extremos de demoras de hasta 345 días y procesos que se extienden por 1.187 días; los sectores más afectados son obras públicas, con un 47,5% de procesos retrasados, y los municipios, con un 41,8%. A estas dificultades se suma la conflictividad asociada a etapas críticas del proceso: entre 2010 y 2024, la evaluación y adjudicación originaron el 62% de los litigios de compras públicas. La Organización para la Cooperación y el Desarrollo Económicos (OCDE) estima que las compras públicas equivalen a cerca del 12,7% del PIB y al 30% del gasto de los gobiernos de sus países miembros, y de acuerdo con el diagnóstico del proyecto, las aplicaciones de Inteligencia Artificial disponibles en este ámbito se enfocan en la automatización administrativa y no en la evaluación sustantiva de licitaciones complejas.

“Para SERVIU Metropolitano, esta alianza estratégica con CENIA para el desarrollo del Proyecto Puelche es una noticia que nos llena de alegría y entusiasmo. Nos permite abordar uno de los nudos más relevantes de la contratación pública: la evaluación de ofertas, avanzando hacia procesos más eficientes y transparentes. Creemos que este proyecto será un aporte significativo para el sector Vivienda y el sector público en general, entregando al funcionariado mayor apoyo tecnológico y eficacia, y a la ciudadanía procesos más rápidos y una mejor utilización de los recursos públicos”, comentó Maripaula Vila, encargada de la Sección de Contratación Pública de SERVIU Metropolitano.

Cómo funcionará Puelche

Puelche se basa en una arquitectura modular de múltiples agentes de Inteligencia Artificial que divide el análisis de una licitación en tareas especializadas, organizadas en seis módulos. El primero extrae la información de los documentos y la convierte en formatos estructurados legibles por máquinas; el segundo verifica los requisitos de admisibilidad de cada oferta a partir de las bases de licitación, de las que extrae las reglas con las que calcula puntajes de admisibilidad; y el tercero apoya la fase de evaluación, para lo cual identifica y estructura los criterios definidos en las bases, planifica la búsqueda y el análisis de evidencia y propone puntajes. Un cuarto módulo opera como biblioteca compartida de habilidades y herramientas de cumplimiento normativo para los demás agentes, y está concebido como base tecnológica reutilizable para futuros sistemas administrativos asistidos por Inteligencia Artificial. El quinto es una interfaz web segura en la que las comisiones validan, anotan y revisan los resultados, con trazabilidad completa hacia los documentos de origen y los registros de auditoría, y el sexto es un ciclo de optimización que mejora el comportamiento del sistema a partir de casos de licitación ya evaluados.

“Puelche se distingue porque está diseñado específicamente para los procedimientos de compra chilenos y los flujos de evaluación de sus instituciones, porque usa reglas de compra explícitas que hacen interpretable y auditable la lógica de evaluación y porque ese ciclo de optimización le permite superar a los sistemas estáticos basados en instrucciones (prompts) sin perder transparencia”, comentó el director del proyecto, Felipe del Río.

El concurso FONDEF IT financia proyectos de I+D aplicada con un fuerte componente científico que, en un plazo breve, obtengan resultados capaces de convertirse en nuevos productos, procesos o servicios con una probabilidad razonable de generar impactos productivos, económicos y sociales, y exige como requisito de postulación una prueba de concepto, modelo o prototipo validado a pequeña escala. 

En el caso de Puelche, ese punto de partida es un prototipo en el nivel 4 de la escala TRL de madurez tecnológica (escala de 1 a 9 que mide el grado de desarrollo de una tecnología, desde una idea hasta su comercialización), desarrollado por el investigador de la Universidad Católica Mitchell Bosley, validado en un entorno controlado, que se concentra en la evaluación de equipos ejecutivos, una tarea de alta carga documental en la que el sistema extrae evidencia estructurada desde currículos, títulos, contratos y documentación de respaldo. El proyecto ampliará sus módulos hacia otras dimensiones de la evaluación con la meta de alcanzar el nivel TRL 7, es decir, un prototipo operacional apto para su despliegue en los SERVIU y en otras unidades de compras públicas.

La validación se organizará en cuatro fases: un diagnóstico inicial que establecerá la línea base de tiempos, cargas de trabajo y costos de transacción de las licitaciones del SERVIU RM a partir de datos de Mercado Público; una validación controlada con casos históricos, que medirá la concordancia del sistema con las evaluaciones humanas mediante indicadores como el Kappa de Cohen y el F1 Score; una etapa en “modo sombra”, en la que Puelche funcionará en paralelo a las comisiones sin incidir en las decisiones oficiales; y un piloto asistido, en el que las comisiones usarán los resultados del sistema como punto de partida para sus decisiones formales. Esta última fase medirá la precisión, la reducción de plazos y el ahorro administrativo neto por licitación, e incluirá una auditoría algorítmica, para verificar los resguardos contra sesgos y discriminación.

El equipo está conformado por Felipe del Río, director del proyecto, ingeniero industrial y doctor en Inteligencia Artificial; Rodrigo Durán, director alterno, ingeniero comercial y gerente de CENIA; Mitchell Bosley, profesor asistente de College UC e Instituto de Sociología UC; e Ismael Aguayo, asistente de investigación y sociólogo.

The post CENIA se adjudica proyecto FONDEF para apoyar con Inteligencia Artificial la evaluación de licitaciones públicas junto al SERVIU Metropolitano appeared first on CENIA.

• El uso irreflexivo de la Inteligencia Artificial Generativa en la educación profundiza dos brechas anteriores a esta tecnología, una pedagógica y otra de objetivos. Así lo advierten en un artículo científico Thomas Wachter, investigador del Centro Nacional de Inteligencia Artificial (CENIA), y los académicos de la Universidad de Sussex Laura Desirée Di Paolo y Andy Clark.

En el artículo Educating minds with generative AI, publicado en Communications Psychology, del grupo Nature Portfolio, Thomas Wachter, investigador de la línea de Inteligencia Artificial centrada en las personas (RL5) del Centro Nacional de Inteligencia Artificial (CENIA), y los académicos de la Universidad de Sussex (Reino Unido) Laura Desirée Di Paolo y Andy Clark plantean que la irrupción de la Inteligencia Artificial Generativa (IAGen) en las escuelas no debe resolverse con la adaptación de la tecnología a los sistemas educativos actuales, sino con el aprovechamiento de su llegada como oportunidad para rediseñarlos. El texto sostiene que el uso irreflexivo de IAGen para tareas de enseñanza y aprendizaje refuerza dos problemas que ya existían antes de esta tecnología.

Los autores llaman al primero “brecha pedagógica”: mientras que la evidencia muestra la importancia del movimiento, la interacción social y el contacto con materiales físicos para el aprendizaje, los sistemas de IAGen actuales están diseñados para la optimización del aprendizaje individual, basado principalmente en texto desplegado en pantallas.

Al segundo lo llaman “brecha de objetivos”: la IAGen tiende a reforzar la medición de resultados, la estandarización y la eficiencia, y deja en segundo plano otros fines de la educación, como la socialización y el desarrollo de la capacidad de decidir por uno mismo.

“La mayor parte de la discusión sobre IA en educación tiende a poner el foco en lo tecnológico: beneficios y riesgos de la tecnología o cómo implementarla”, comentó Wachter. Según argumentan en el artículo, este foco en lo tecnológico deja en segundo plano lo pedagógico. Por tanto, los autores proponen pasar de las preguntas sobre cómo incorporar la IAGen en la escuela tal y como existe hoy a preguntarse por cómo rediseñarla a partir de lo que se sabe sobre cómo piensan y aprenden las personas.

Para eso, los autores conversan con las ciencias cognitivas contemporáneas, que comprenden el aprendizaje no solo como transmisión de información entre cerebros, sino como un proceso relacional y corporizado que ocurre en entornos compartidos con otros y mediado por tecnologías. A esta visión, que mezcla ciencias cognitivas, IA y educación, la llaman “ecología cognitiva multitecnológica”: un modelo en que herramientas digitales, materiales simples y trabajo colaborativo se combinan según criterios pedagógicos, y no tan solo por lo que ofrece la tecnología. Para los autores, la pregunta sobre IA y educación tiene más que ver con educación que con IA.

Como caso paradigmático, el artículo menciona Alpha School, una institución que afirma reducir el currículo académico tradicional a unas pocas horas diarias mediante un uso intensivo de sistemas de IAGen. Según los autores, lo que este caso demuestra no es tanto la efectividad de la tecnología como el hecho de que algo en el sistema educativo no funciona bien. Ese sistema ha destinado gran parte de su tiempo a contenidos académicos sin reconocer que la escuela cumple funciones que las mediciones de rendimiento no siempre logran captar.

A lo pedagógico se suman lo ético y lo medioambiental. En el artículo se le da gran importancia al problema de los sesgos, que no solo reproducen las limitaciones de los datos de entrenamiento, sino también las decisiones que sus desarrolladores toman después, durante el despliegue y uso de estos sistemas. Estos sesgos, dicen los autores, tienen una relación directa con lo que se enseña y se aprende, ya que definen, muchas veces sin que se note, qué forma de conocimiento es válida y, al mismo tiempo, cuál no.

El artículo concluye que “la IA no es ni salvadora ni amenaza”, la describe como una prueba de estrés para la educación, que expone los límites de los modelos actuales y obliga a replantear sus objetivos, fundamentos y responsabilidades ecológicas. Por tanto, el artículo propone que la forma de responder a la IA en educación no es la adopción de una única tecnología, sino el diseño deliberado de ecologías tecnológicas plurales, las cuales solo en conjunto son capaces de sustentar el espectro completo del aprendizaje y las diferentes formas de desarrollo humano.

Communications Psychology es una revista especializada en psicología, con revisión por pares, que forma parte de Nature Portfolio, el conjunto de revistas científicas del grupo editorial Springer Nature. El artículo, de acceso abierto, corresponde al número 128 del volumen 4 (2026), con DOI 10.1038/s44271-026-00522-8.

The post Investigadores de CENIA y la Universidad de Sussex plantean en una revista de Nature Portfolio usar la IA Generativa como oportunidad para repensar el diseño de la escuela appeared first on CENIA.

• Junto a la empresa chilena Techvial, el Centro desarrollará una capa de software basada en Inteligencia Artificial que mejora la precisión con que las cámaras de fiscalización leen las placas patentes, sugiere completaciones cuando la lectura es parcial y habilita búsquedas avanzadas en grandes bases de datos de video. La iniciativa se enmarca en la implementación de la Ley CATI.

El Centro Nacional de Inteligencia Artificial (CENIA) se adjudicó un proyecto en el concurso FONDEF IDeA I+D 2026 de ANID, convocatoria que este año recibió 871 postulaciones y seleccionó 102 iniciativas a nivel nacional —cerca del 12% de las propuestas presentadas—, orientadas a desarrollar tecnologías con potencial de transferencia al sector productivo, público o social.

El proyecto adjudicado, “Plataforma Inteligente de Fiscalización Vial: Módulos de IA para Robustecer la Lectura y Búsqueda de Patentes Vehiculares”, será ejecutado por CENIA como entidad beneficiaria en colaboración con Techvial Chile SpA como entidad asociada, durante un plazo de 24 meses.

Un problema público: fiscalizar mejor para salvar vidas

Cerca del 30% de las víctimas fatales en siniestros viales en Chile se asocia a velocidad imprudente o pérdida de control, y hasta hace poco la fiscalización se realizaba de forma prácticamente manual, con una cobertura muy limitada. La Ley N°21.549, que crea el Centro Automatizado de Tratamiento de Infracciones (CATI), cambió ese escenario al habilitar la detección, notificación y tramitación electrónica de infracciones mediante dispositivos señalizados en los puntos de mayor riesgo.

Ese salto normativo trae consigo una exigencia técnica: la evidencia debe ser confiable y trazable. Y ahí persisten dos cuellos de botella. El primero es la precisión del reconocimiento automático de patentes vehiculares (ALPR) en condiciones reales: de noche, con lluvia, reflejos, ángulos oblicuos o placas sucias y deterioradas, los sistemas pueden producir errores que debilitan la validez probatoria de una infracción. El segundo es la capacidad de consulta: las plataformas actuales suelen permitir búsquedas solo por coincidencia exacta de patente, mientras que en la práctica las autoridades trabajan con información parcial: algunos caracteres, el color o la marca del vehículo, una ventana de tiempo y lugar.

“El dato base de todo el sistema es simple: que la patente esté bien leída. Si ese dato falla, falla la notificación, falla la evidencia y falla la confianza de la ciudadanía en el sistema. Nuestro aporte es una capa de Inteligencia Artificial que verifica, corrige y aprende de sus propios errores en condiciones reales chilenas”, explica Francesca Lucchini, directora del proyecto y líder tecnológica de CENIA.

Una capa de software, tres módulos

La propuesta no reemplaza el hardware ya instalado: trabaja sobre los mismos insumos que las cámaras ya generan —foto infrarroja de la placa, imágenes a color y video de contexto— y agrega sobre ellos una capa de software agnóstica de cámara, que se integrará en la plataforma web de movilidad de Techvial (www.techvial.cl). El desarrollo contempla tres módulos:

1. Verificación avanzada o “double-check”. Una segunda capa de verificación que combina distintos algoritmos de reconocimiento óptico de caracteres (OCR) y concilia sus resultados, bajo la hipótesis de que sus errores no están correlacionados. Incorpora además un flujo de etiquetado continuo con aprendizaje activo: los casos difíciles —lecturas de baja confianza o discrepancias entre motores— se priorizan para revisión y reentrenamiento, de modo que el sistema se adapte a las condiciones visuales del país en lugar de quedar congelado en una versión inicial.

2. Sugerencia inteligente para placas parciales. Cuando la lectura queda incompleta, este módulo propone completaciones plausibles combinando los caracteres disponibles con atributos visuales del vehículo (por ejemplo: marca, modelo, color, tipo), ordenadas por probabilidad.

3. Búsqueda avanzada en bases de video. Un índice unificado que permite consultar grandes volúmenes de datos mediante texto libre, atributos vehiculares, imágenes de referencia y filtros espacio-temporales, para localizar vehículos de interés aun con información incierta o fragmentaria.

Del laboratorio a la validación en entorno real: TRL 7

El proyecto parte de prototipos ya funcionales en laboratorio (TRL 4-5) y se propone llevar el sistema completo a TRL 7, es decir, validado en entorno operacional real. El plan de trabajo contempla una primera etapa de consolidación y validación en laboratorio con datasets nacionales, y una segunda de integración en la plataforma de Techvial y pilotos en terreno con al menos siete cámaras certificadas, lo que permitirá evaluar el desempeño de día y de noche y bajo condiciones meteorológicas adversas.

El desempeño se medirá con métricas verificables —por ejemplo, tasa de error por carácter (CER) y métricas TopK—, junto con un pipeline de datos con anonimización y control de calidad, alineado con los resguardos de privacidad que exige la normativa vigente.

Colaboración con Techvial

Techvial es una empresa chilena fundada en 2014, especializada en seguridad vial y en sistemas de gestión del proceso de fiscalización a partir de cámaras inteligentes, con experiencia en pilotos de fiscalización automatizada desarrollados junto al Ministerio de Transportes y Telecomunicaciones en distintas comunas del país.

En este proyecto, Techvial aporta la plataforma base, el entorno de integración y el acceso a escenarios operacionales reales, mientras CENIA lidera el desarrollo de los modelos de Inteligencia Artificial, el diseño experimental y la validación científica.

“Llevamos años trabajando en terreno con la operación real de la fiscalización automatizada. Sumar la capacidad científica de CENIA nos permite abordar los problemas más difíciles —los casos límite, las lecturas que hoy se pierden— con investigación aplicada de frontera y validación rigurosa”, señala Luis Cerda, Chief Executive Officer de Techvial.

Formación de capital humano y proyección

El proyecto contempla la incorporación de estudiantes que desarrollarán sus tesis en el marco de la iniciativa, en temas de mejora de precisión en OCR mediante ensambles y aprendizaje activo, y de recuperación multimodal de vehículos en video, con supervisión de CENIA y co-tutoría técnica del equipo de ingeniería de Techvial.

Al ser una solución agnóstica de hardware, la tecnología puede integrarse sobre infraestructura ya instalada, reduciendo costos de adopción y evitando la dependencia de un único proveedor. Su validación en el contexto chileno abre además una proyección regional, en países que enfrentan desafíos equivalentes de precisión y adaptación local en sus sistemas de fiscalización.

El equipo del proyecto está conformado por Francesca Lucchini, directora del proyecto y líder tecnológica de CENIA, y Hans Lobel, investigador de CENIA y académico de la Pontificia Universidad Católica de Chile. Por parte de Techvial participan Luis Cerda y Gabriel Barreto. El equipo se completa con profesionales de investigación e ingeniería de Machine Learning de CENIA.

Sitio web de Techvial: https://www.techvial.cl/

The post CENIA se adjudica proyecto FONDEF IDeA I+D 2026 para robustecer con IA la lectura de patentes en la fiscalización vial appeared first on CENIA.

• Ambas iniciativas se desarrollarán en alianza con empresas —Techvial y CMPC Pulp— y buscan llevar la investigación en Inteligencia Artificial a entornos operacionales reales: la lectura confiable de placas patentes en la fiscalización de tránsito y la mejora automatizada de la calidad de los datos en industrias intensivas en activos.

El Centro Nacional de Inteligencia Artificial (CENIA) se adjudicó dos proyectos en el concurso FONDEF IDeA I+D 2026 de ANID, convocatoria que este año recibió 871 postulaciones y seleccionó 102 iniciativas a nivel nacional (cerca del 12% de las propuestas presentadas), orientadas a desarrollar tecnologías con potencial de transferencia al sector productivo, público o social.

Los proyectos adjudicados tienen una duración de 24 meses y comparten el enfoque de desarrollar investigación aplicada junto a socios industriales y validar los resultados en condiciones reales de operación.

Inteligencia Artificial para una fiscalización vial más confiable

El proyecto “Plataforma Inteligente de Fiscalización Vial: Módulos de IA para Robustecer la Lectura y Búsqueda de Patentes Vehiculares”, dirigido por la tech lead de CENIA, Francesca Lucchini, se desarrollará junto a la empresa chilena Techvial como entidad asociada.

La Ley N°21.549, que crea el Centro Automatizado de Tratamiento de Infracciones (CATI), permitió pasar de una fiscalización prácticamente manual a la detección y notificación electrónica de infracciones. Ese salto trae una exigencia técnica: la evidencia debe ser confiable. Sin embargo, de noche, con lluvia, reflejos o placas deterioradas, los sistemas de reconocimiento automático de patentes todavía cometen errores que debilitan la validez de una infracción. A ello se suma que las plataformas actuales solo permiten buscar por coincidencia exacta, mientras las autoridades suelen trabajar con información parcial.

La iniciativa desarrollará una capa de software que trabaja sobre las imágenes que las cámaras ya generan, con tres módulos: verificación avanzada, que combina distintos algoritmos de reconocimiento óptico y aprende de sus errores; sugerencia inteligente de patentes cuando la lectura es parcial, apoyándose en atributos visuales del vehículo; y búsqueda avanzada en grandes bases de video mediante texto, imágenes y filtros de tiempo y lugar. El objetivo es llevar la tecnología desde prototipos de laboratorio hasta su validación en entorno operacional real (TRL 7), con pilotos en al menos siete cámaras certificadas.

Calidad de datos para que la IA funcione en la industria

El segundo proyecto es DAQU (Data Quality Improvement Platform Through LLMs), dirigido por la investigadora Yamisleydi Salgueiro Sicilia y desarrollado junto a CMPC Pulp como entidad asociada.

En minería, celulosa, manufactura y energía, el volumen de datos ha crecido mucho más rápido que su calidad: millones de códigos de productos sin normalizar, registros duplicados de proveedores, errores sistemáticos de codificación y señales de sensores con vacíos y ruido. La consultora Gartner estima que los problemas de calidad de datos cuestan a las organizaciones cerca del 15% de sus ingresos anuales, y McKinsey reporta que más del 60% de las iniciativas de IA en manufactura fracasan principalmente por esta causa.

DAQU desarrollará una plataforma que usa modelos de lenguaje de gran escala (LLMs) para automatizar el ciclo completo de preparación de datos —normalización, deduplicación, validación, enriquecimiento y extracción de reglas—, con trazabilidad completa de cada transformación y manteniendo la validación de expertos en el proceso.

Investigación aplicada con socios industriales

Ambos proyectos contemplan la formación de capital humano avanzado, con estudiantes de pregrado y postgrado que desarrollarán sus tesis en el marco de las iniciativas, así como la publicación de resultados científicos y la formalización de acuerdos de transferencia tecnológica con las empresas asociadas.

The post CENIA se adjudica dos proyectos FONDEF IDeA I+D 2026 para avanzar en IA aplicada a la fiscalización vial y a la calidad de los datos industriales appeared first on CENIA.

• La plataforma DAQU usará modelos de lenguaje de gran escala (LLMs) para normalizar, depurar, validar y enriquecer los datos maestros y señales de sensores industriales, con trazabilidad completa. El proyecto se desarrollará junto a CMPC Pulp como entidad asociada y busca resolver el principal cuello de botella de la adopción de la IA en minería, celulosa, manufactura y energía: la baja calidad de los datos.

El Centro Nacional de Inteligencia Artificial (CENIA) se adjudicó un proyecto en el concurso FONDEF IDeA I+D 2026 de ANID, convocatoria que este año recibió 871 postulaciones y seleccionó 102 iniciativas a nivel nacional —cerca del 12% de las propuestas presentadas—, orientadas a desarrollar tecnologías con potencial de transferencia al sector productivo, público o social.

La iniciativa adjudicada es DAQU (Data Quality Improvement Platform Through LLMs), una plataforma de mejora de la calidad de datos industriales que CENIA desarrollará durante 24 meses en colaboración con CMPC Pulp como entidad asociada.

El problema: más datos, peores decisiones

La transformación digital de las industrias intensivas en activos —minería, celulosa y papel, manufactura, energía, petróleo y gas— ha multiplicado el volumen de datos disponibles, pero no su calidad. La consultora Gartner estima que los problemas de calidad de los datos cuestan a las organizaciones cerca del 15% de sus ingresos anuales, y McKinsey reporta que más del 60% de las iniciativas de IA en manufactura fracasan principalmente por esta causa.

En minería se estima que entre 10% y 20% de los ítems de bodega está duplicado o mal clasificado, y más de la mitad de las organizaciones reporta detenciones relevantes de mantenimiento originadas en problemas de datos de MRO. A ello se suman millones de SKU no normalizados, registros duplicados de proveedores, una criticidad de repuestos no definida y errores sistemáticos de codificación. En el plano de los sensores industriales, las brechas de disponibilidad, el ruido, los valores atípicos y la falta de trazabilidad degradan directamente los sistemas de mantenimiento predictivo y de control basados en IA.

La paradoja es conocida en la industria: mientras más datos se acumulan, menos confiables se vuelven los modelos que se alimentan de ellos.

“Hoy, el mayor obstáculo para que la Inteligencia Artificial funcione en la industria no está en los modelos, sino en los datos que los alimentan. DAQU ataca ese problema de raíz: automatiza la limpieza y el enriquecimiento con LLMs, pero mantiene al experto en el circuito y deja registrada la trazabilidad de cada transformación”, explica Yamisleydi Salgueiro, directora del proyecto e investigadora asociada de CENIA.

Qué es DAQU

DAQU es una plataforma que abarca todo el ciclo de preparación de datos: normalización, deduplicación, validación, enriquecimiento y extracción automática de reglas, tanto para datos maestros (SKU, proveedores, repuestos) como para flujos de datos de sensores industriales, manteniendo la trazabilidad completa de cada transformación.

Su arquitectura contempla dos modalidades de uso: SaaS, que se integra mediante APIs y conectores con sistemas ERP, MES, SCADA y data lakes existentes, permitiendo el procesamiento por lotes o en tiempo real, y DaaS, en la que la organización accede a datos ya procesados y enriquecidos mediante integraciones seguras. La plataforma está diseñada para tres perfiles de usuario: los equipos de mantenimiento y operaciones, que necesitan catálogos de repuestos confiables y señales de sensores sin brechas para sostener sus planes de mantenimiento; los equipos de compras y abastecimiento, que trabajan con SKU no normalizados, proveedores duplicados y una criticidad de repuestos no definida; y los equipos de ciencia de datos e IA, que hoy pasan la mayor parte de su tiempo preparando datos en vez de construir modelos.

Lo que distingue a DAQU de las herramientas comerciales de calidad de datos, basadas mayoritariamente en reglas configuradas manualmente, es la combinación de enriquecimiento semántico asistido por LLMs, generación automática de reglas, conocimiento específico del dominio industrial y validación humana experta, todo ello sobre una capa de trazabilidad auditable.

El proyecto contempla el desarrollo del MVP mediante co-creación con el socio industrial, pilotos en entornos productivos reales y un mecanismo de transferencia que permita escalar la solución a otras empresas del sector.

El punto de partida

El proyecto se apoya en trabajo previo desarrollado con CMPC Pulp sobre datos maestros industriales, que verificó la factibilidad de combinar modelos de lenguaje, fuentes web y documentación técnica para normalizar y enriquecer registros. De ahí surge una definición de diseño que atraviesa toda la plataforma: la validación del experto de dominio sobre las propuestas del sistema eleva la calidad del resultado sin sacrificar la escala de la automatización.

Colaboración con CMPC Pulp

CMPC Pulp participa como entidad asociada aportando experticia de dominio, conjuntos de datos históricos anonimizados (inventarios, SKU, sensores de proceso), criterios de validación basados en requerimientos operacionales y el alojamiento de los pilotos en sus instalaciones. CENIA lidera la dirección científica, el rigor metodológico y la validación experimental.

El modelo de trabajo es de co-creación continua: equipos mixtos de académicos, científicos de datos, ingenieros de software, expertos de dominio y personal de operaciones, con revisiones técnicas semanales y sesiones de alineamiento estratégico mensuales. Entre los resultados comprometidos están la formalización de un acuerdo específico de transferencia de conocimiento entre CENIA y CMPC Pulp, y la construcción de un marco de colaboración de largo plazo con una red ampliada de empresas intensivas en activos en Chile y América Latina.

“Trabajamos con millones de registros y miles de sensores; cada mejora en la confiabilidad de esos datos se traduce en mejores decisiones de mantenimiento, abastecimiento y planificación. Colaborar con CENIA nos permite abordar ese desafío mediante investigación aplicada y validación rigurosa en nuestras propias operaciones”, señala Salvador Flores, Head of AI & Advanced Analytics de CMPC.

Formación de capital humano y producción científica

El proyecto incorpora estudiantes que desarrollarán sus tesis en temas de pipelines de normalización y limpieza, prototipado de la interfaz de la plataforma, enriquecimiento semántico y ontologías para datos industriales, y evaluación de métodos de extracción de reglas basados en LLMs. Se suman ingenieros e ingenieras de Machine Learning que se especializarán en el diseño, implementación y validación de modelos avanzados de calidad de datos, bajo mentoría de investigadores senior y expertos de la industria.

La iniciativa se enmarca en la Estrategia Nacional de Inteligencia Artificial y en los objetivos de transformación digital del país.

El equipo del proyecto está conformado por Yamisleydi Salgueiro Sicilia, directora del proyecto e investigadora principal de CENIA; Diego Rios, director alterno y líder técnico; Gonzalo Nápoles, investigador y consultor internacional de la Universidad de Tilburg (Países Bajos); Cristián Tamblay y Patricio Espinoza, responsables de los componentes de IA y despliegue de la solución; Juan Ignacio Stark, a cargo de innovación y transferencia; Jorge Pedro Castillo Carrillo, encargado de desarrollo de negocios internacional, y Matías Sánchez Cabeza, asesor técnico en minería y gestión de activos.

The post CENIA se adjudica proyecto FONDEF IDeA I+D 2026 para mejorar con Inteligencia Artificial la calidad de los datos en industrias intensivas en activos appeared first on CENIA.

CENIA busca poner la Inteligencia Artificial al servicio de las personas y contribuir a que Chile se consolide como un referente en el desarrollo científico y tecnológico de la IA en Latinoamérica y el mundo.

“Esta oferta laboral se enmarca en la Ley N° 21.015, promoviendo la inclusión de personas con discapacidad al mundo laboral. Somos una empresa comprometida con la igualdad de oportunidades, la diversidad y la no discriminación”.

Descripción

Hoy estamos en busca de dos Ingenieros/as de Machine Learning (MLE) para integrarse al proyecto LatamGPT. Las personas seleccionadas participarán en la implementación, experimentación y mejora de procesos de pre-entrenamiento, entrenamiento continuo y post-training de modelos de lenguaje, con foco en su adaptación lingüística y cultural, alineación, calidad de datos y eficiencia computacional. Buscamos personas con buenos fundamentos técnicos, curiosidad, rigurosidad y motivación por aprender y desarrollarse en un proyecto de inteligencia artificial de gran escala, trabajando colaborativamente con equipos interdisciplinarios.

Tus funciones a desempeñar serán las siguientes:

• Implementar y ejecutar experimentos de pre-training, Continual Pre-Training (CPT) y post-training de modelos de lenguaje, siguiendo los lineamientos definidos por el equipo técnico.
• Apoyar la preparación, limpieza, análisis y validación de los conjuntos de datos utilizados en los procesos de entrenamiento.
• Participar en la implementación y prueba de técnicas de alineación, adaptación lingüística y optimización de modelos.
• Ejecutar cargas de entrenamiento y evaluación en ambientes con GPU, adquiriendo progresivamente experiencia en infraestructura distribuida y clústeres.
• Utilizar herramientas como Python, PyTorch y Hugging Face para el entrenamiento, ajuste, evaluación e inferencia de modelos.
• Analizar los resultados de los experimentos, identificar posibles problemas y proponer mejoras con el apoyo del equipo.
• Documentar configuraciones, código, resultados y aprendizajes, asegurando la trazabilidad y reproducibilidad del trabajo.
• Colaborar con los equipos de Datos, Benchmarks, Investigación e Ingeniería en las distintas etapas del desarrollo de LatamGPT.

La renta a ofrecer es de $2.000.000 brutos mensuales.

Requerimientos

Al momento de seleccionar a nuestr@s candidat@s, nos fijamos en su experiencia en:

• Formación en Ingeniería Informática, Computación, Ciencia de Datos, Matemáticas o carreras afines.
• Conocimientos de Python, programación y fundamentos de Machine Learning y Deep Learning.
• Experiencia académica, personal o laboral utilizando PyTorch u otro framework similar.
• Conocimientos básicos de procesamiento de datos, evaluación de modelos, Git y ambientes Linux.
• Interés por desarrollarse en modelos de lenguaje y entrenamiento de modelos a gran escala.
• Capacidad para aprender nuevas herramientas, trabajar colaborativamente y solicitar apoyo oportunamente.
• Se valorará experiencia académica o práctica con NLP, Transformers, Hugging Face, ajuste fino, uso de GPU, cloud, Slurm, Ray, Weights & Biases, DuckDB o vLLM (deseable).

¿Cómo son nuestros procesos de selección?

1.- Completa el formulario de postulación que te enviaremos y adjunta tu CV actualizado.
2.- Si cumples con los requisitos base, te contactaremos para profundizar en tu experiencia y motivación por el proyecto LatamGPT.
3.- Si cumples con el perfil requerido, coordinaremos una entrevista técnica con el equipo del proyecto.
4.- En caso de avanzar, podrás participar en una segunda entrevista con la jefatura o liderazgo correspondiente.
5.- La terna final podrá pasar por una última entrevista con la contraparte que CENIA defina.

Valoramos mucho tu interés y las ganas de ser parte de una organización que impulsa la ciencia y la IA con propósito

Independiente del resultado, gracias por dar el paso y confiar en nosotr@s.

¡Seguimos construyendo futuro!

Postula aquí hasta el 20 de septiembre en https://cenia.buk.cl/s/v5c1osfwMFwwHf9G

The post ¡TRABAJA CON NOSOTROS! Ingenieros/as de Machine Learning LatamGPT appeared first on CENIA.

El Centro Nacional de Inteligencia Artificial (CENIA) es un centro dedicado a la investigación, desarrollo y transferencia tecnológica en inteligencia artificial, con el propósito de fortalecer el ecosistema científico y tecnológico del país.

CENIA busca poner la Inteligencia Artificial al servicio de las personas y contribuir a que Chile se consolide como un referente en el desarrollo científico y tecnológico de la IA en Latinoamérica y el mundo.

“Esta oferta laboral se enmarca en la Ley N° 21.015, promoviendo la inclusión de personas con discapacidad al mundo laboral. Somos una empresa comprometida con la igualdad de oportunidades, la diversidad y la no discriminación”.

Descripción

Buscamos a un/a Ingeniero/a Machine Learning Senior para nuestra área de Transferencia Tecnológica, que se encargará de diseñar, desarrollar y optimizar soluciones avanzadas de Machine Learning que respondan a desafíos complejos del negocio o de investigación, liderando técnicamente el desarrollo de modelos, asegurando la calidad y escalabilidad de las soluciones implementadas, y aportando guía técnica al equipo mediante buenas prácticas, revisión de trabajo y apoyo a ingenieros de menor experiencia.

Tus funciones a desempeñar serán las siguientes:

• Diseñar, desarrollar y optimizar modelos avanzados de Machine Learning para resolver problemas complejos de datos y apoyar los objetivos de los proyectos.
• Liderar técnicamente el diseño de soluciones de ML, definiendo arquitecturas, metodologías y enfoques de modelamiento adecuados.
• Implementar, entrenar y ajustar modelos complejos, asegurando su rendimiento, robustez y escalabilidad.
• Coordinar y ejecutar ciclos de experimentación, validación y mejora continua de modelos, utilizando métricas apropiadas de evaluación.
• Revisar código, modelos y metodologías desarrolladas por otros miembros del equipo, promoviendo buenas prácticas de desarrollo y ciencia de datos.
• Generar y mantener documentación técnica clara sobre modelos, experimentos, decisiones de diseño y resultados obtenidos.
• Participar activamente en revisiones técnicas, discusiones de arquitectura y toma de decisiones dentro de los proyectos.
• Presentar avances técnicos, resultados y recomendaciones al equipo del proyecto u otras áreas involucradas.
• Guiar y apoyar técnicamente a Machine Learning Engineers y trainees, facilitando su desarrollo y resolución de desafíos técnicos.
• Contribuir a la mejora continua de las prácticas del equipo, proponiendo nuevas metodologías, herramientas o enfoques basados en avances del área.

La renta a ofrecer va desde $2.600.000 hasta $3.800.000 brutos mensuales, según experiencia y perfil.

Requerimientos

Al momento de seleccionar a nuestr@s candidat@s, nos fijamos en su experiencia en:

• Licenciatura en Ciencias de la Computación, Matemáticas, Estadística, Ingeniería o un campo relacionado.
• Entre 3 y 4 años de experiencia en desarrollo avanzado de modelos de Machine Learning.
• Diseño de soluciones de Machine Learning e ingeniería de datos aplicada a ML.
• Evaluación, mejora, implementación y despliegue de modelos.
• Buenas prácticas de desarrollo y análisis y resolución de problemas complejos.
• Liderazgo técnico, autonomía en la toma de decisiones y experiencia mentoreando a otros profesionales (deseable).

¿Cómo son nuestros procesos de selección?

1.- Completa el formulario de postulación que te enviaremos y adjunta tu CV actualizado.
2.- Si cumples con los requisitos base, te contactaremos para levantar información en detalle de tu postulación.
3.- Si cumples con el perfil requerido, agendaremos una entrevista con nuestro Gestor de Talento.
4.- En caso de presentar la experiencia necesaria, coordinaremos una entrevista técnica con la jefatura correspondiente.
5.- La terna final podría pasar por una última entrevista con el/la Project Leader.

Valoramos mucho tu interés y las ganas de ser parte de una organización que impulsa la ciencia y la IA con propósito

Independiente del resultado, gracias por dar el paso y confiar en nosotr@s.

¡Seguimos construyendo futuro!

Postula aquí hasta el 20 de septiembre: https://cenia.buk.cl/s/3D3anbfLYauidu67

The post ¡TRABAJA CON NOSOTROS! Ingeniero/a Machine Learning Senior appeared first on CENIA.