Recordamos una entrevista que se realizo el pasado 11 de Enero del 2021 a Laura Pérez Mayos.
Entrevista En Diferido: Volvemos con la entrevistas, la primera del año es a Laura Pérez Mayos programadora , organizadora de PyBCN y mas cosas, pero lo mejor es que se presente la entrevistada.
¿Te podrías presentar en una líneas?
Laura Pérez: ¡Hola! Mi nombre es Laura Pérez Mayos, nací en Barcelona y tengo 38 años. Soy la presidenta de PyBCN, la Asociación de Python de Barcelona, y una de las organizadoras de PyLadiesBCN, desde donde trabajamos para crear una comunidad Python diversa e inclusiva.
En la vertiente técnica, soy Ingeniera informática de formación, y me dediqué muchos años al desarrollo de aplicaciones web. Tras unos años, decidí cambiar de rumbo y tras dos masters en inteligencia artificial y visión por computador, actualmente estoy acabando un Doctorado en Lingüística Computacional en la UPF.
En la vertiente personal, soy una apasionada de la lectura, la montaña y el buceo con botella :)
Un placer compartir una semana con EntrevistasenDiferido, ¡gracias por invitarme!
EED: Para empezar , unas cuantas preguntas cortas para conocerte mejor a ti y a tu entorno tecnológico.
¿Qué ordenador utilizas habitualmente?
¿Sistema operativo utilizado?
¿Lenguaje de programación?
¿Qué herramientas utilizas más en tu trabajo?
¿Quė quieres aprender en el 2021(lenguajes y/o herramientas)?
LP: ¿Qué ordenador utilizas habitualmente? En casa utilizo un MacBook Air que ya tiene muchos años. En la universidad, un sobremesa bastante más potente.
¿Sistema operativo utilizado? Hace muchos años que soy fiel a Ubuntu, y en casa macOS. Los dos tienen sus ventajas :) Para trabajar en NLP necesito potencia, pero para el día a día Mac me resulta muy práctico. ¡Aunque luego mis dedos van locos tecleando comandos con las teclas incorrectas!
¿Lenguaje de programación? 95% Python, 5% lo que haga falta. Empecé, allá por 2003 o 2004, haciendo webs con ASP (!), para luego descubrir Python y acabar enamorada. También he hecho algunas cositas con Java y chapucillas con JavaScript.
¿Qué herramientas utilizas más en tu trabajo? A parte de las herramientas básicas de comunicación (mail, Slack...), mi setup SW básico de trabajo se compone de PyCharm, Chrome y un terminal. Utilizo muchas librerías de Deep Learning, y me gusta plasmar los resultados en Jupyter Notebooks porque me permite compartirlos con mis supervisores fácilmente de forma muy gráfica. A nivel HW no soy muy exigente, trabajo bien tanto en el portátil pequeño en mi silla del comedor como en el despacho, con mis dos pantallas y mi silla ergonómica.
¿Qué quieres aprender en el 2021(lenguajes y/o herramientas)? A corto plazo, estoy trabajando para dominar Plotly, una librería para crear gráficos que me ha resultado muy útil a lo largo de todo el doctorado. A medio plazo, tengo intención de aprender a explotar mejor Git y Docker. Son dos herramientas que uso habitualmente pero que he aprendido a utilizar sobre la marcha, y tengo la sensación de que podría sacarles mucho más provecho. A medio/largo plazo, tengo muchas ganas de hacer un curso de Machine Learning formal, para revisar conocimientos que aprendí en los master y que me gustaría afianzar.
EED: Una pregunta fija en todas las entrevistas, solo cambia el con texto en función de tu perfil. En tu caso, creo que esta claro el contexto.
¿Qué añadirías a Python?
¿Qué modificarías de Python?
¿Qué eliminarías de Python?
LP: ¿Qué añadirías a Python? Como ya se ha comentado en otras ocasiones aquí en el canal, añadiría soporte nativo para el uso de GPU. Sería ideal, porque Python se está consolidando como el mejor lenguaje para Machine Learning y Deep Learning por su facilidad de uso y su infinidad de librerías. ¡Es fantástico!
¿Qué modificarías de Python? Me gustaría ver una simplificación (y unificación) de las librerías para generar gráficos. Cada vez que las quiero usar he de invertir una cantidad considerable de tiempo leyendo documentación y ejemplos, y siempre me parece innecesariamente complejo: demasiadas formas de hacer lo mismo, con detalles que te fuerzan a usar un método u otro dependiendo de lo que necesites hacer (colores, sombreados para indicar varianzas, etc). Devil's in the details!
¿Qué eliminarías de Python? El PEP8 que limita la longitud de la línea a 80 caracteres :P Siguiendo la mayoría de buenas prácticas, pocas veces se necesitan más de 80 caracteres, y estoy de acuerdo en que mantener líneas cortas ayuda a la legibilidad, pero a veces es molesto tener que forzarlo. La verdad es que cuando estreno IDE, lo modifico para que dibuje la línea que marca los 80 caracteres, pero que no indique error.
EED: Como tu campo esta relacionado con la inteligencia artificial, hay una duda que tengo de ese campo y la pregunta va en relación.
La inteligencia artificial, creo que trata, de trasladar diversos aspectos del ser humano(razonamiento, visión, aprendizaje, lenguaje...) a una máquina para poder amplificarlo con el procesamiento computacional. Pero siempre que veo una demostración de esa inteligencia, detrás hay equipos con una gran capacidad de procesamiento, pero nuestro cerebro es bastante más limitado en capacidad de procesamiento pero es capaz de realizar tareas muy complejas. Mi duda es en relación a esa comparación de procesamiento y la inteligencia, si a la inteligencia artificial le quitas esa gran capacidad de procesamiento.
¿Cómo de "inteligente" es la inteligencia artificial?
LP: Efectivamente, la inteligencia artificial (IA) trata de emular la inteligencia humana en una máquina. No estoy segura de que podamos afirmar que nuestro cerebro es más limitado. De hecho, tiene una capacidad de cálculo fantástica, y no sólo almacena información sino que nos permite razonar y aprender sobre toda esta información. Por lo tanto, para emularla necesitamos también una gran capacidad de cálculo. Respondiendo a la pregunta, sin capacidad de cálculo la IA sería mucho más limitada (aunque no inexistente).
Para evaluar cómo de inteligente es la IA, no desde el aspecto filosófico sino práctico, podemos medir sus avances en las diversas áreas que forman la IA: visión, movimiento (robótica), lenguaje... ¡Y debo admitir que son asombrosos! Los sistemas de visión por computador son capaces de conducir un coche, reconocer personas y objetos, editar imágenes, etc igual o mejor que una persona. Los robots de Boston Dynamics ejecutan movimientos con una fluidez impensable (y dan realmente miedo), los sistemas de traducción automática cada vez afinan más, los sistemas de recomendación de películas, libros, etc son omnipresentes...
Entonces, ¿la IA no tiene margen de mejora? Por supuesto, ¡y mucho! Por ejemplo, en el área del lenguaje natural, es decir, el lenguaje que usamos las personas, hay muchísimas tareas que la IA aún no puede realizar, o no tan bien como nosotros: resumen automático de textos, inferencia de información, manejo de lenguas no mayoritarias, gestión de diálogos de ámbito abierto... ¡Queda mucho camino por recorrer!
¿Y tiene límites, o en un futuro más o menos cercano la IA será más inteligente que nosotros? Hay mucha literatura a este respecto, a caballo entre la técnica y la filosofía. Si bien es cierto que la IA realiza muchas tareas de manera más eficiente que nosotros, nuestra capacidad de razonamiento y creatividad está aún lejos de ser igualada.
Te gusta la entrevista , no olvides compartirla
EED: Dentro del campo de la IA , han una serie de conceptos que no tengo muy claros que significan , a continuación pondré una lista de conceptos relacionados con este ámbitos. ¿Podrias definirlos brevemente?
Machine Learning.
Deep Learning.
Redes neuronales.
Árbol de decisión.
Entrenar un modelo.
LP: ¡Es muy común que se confundan muchos de esos conceptos! veamos si podemos arrojar un poco de luz sobre el tema.
Un árbol de decisión es un modelo de predicción formado por nodos conectados entre sí, donde partiendo de un nodo inicial, en cada nodo se toma una decisión para decidir por qué rama seguir hasta llegar a un nodo terminal. No estoy muy familiarizada con ellos, pero se usan bastante en finanzas.
Machine learning es una rama de la IA dedicada al estudio de algoritmos capaces de aprender a partir de la experiencia. En la práctica, son algoritmos a los que damos un conjunto de datos de entrenamiento y a los que pedimos que hagan predicciones o tomen decisiones sin programarlos explícitamente para ello, es decir, sin indicarles reglas. Estos algoritmos pueden ser supervisados, cuando les damos datos y le decimos cuál es el resultado esperado (e.g. clasificación de datos: spam o no spam); no supervisados, cuando sólo le damos datos y dejamos que sea el algoritmo el que encuentre patrones en esos datos (e.g. agrupación de datos por similitud); o reforzados (reinforcement learning), cuando el algoritmo funciona como un agente que interactúa con un entorno y recibe estímulos positivos y negativos, intentando maximizar la recompensa (e.g. jugar un juego contra un oponente).
Una red neuronal es un modelo computacional formado por un conjunto de unidades interconectadas que transmiten señales, simulando (muy vagamente) lo que pasa en nuestro cerebro. Cada neurona multiplica el valor que recibe por un peso, y tiene una función de activación que decide si el valor se transmite o no a la siguiente neurona. Para que una red funcione, es necesario entrenarla. Para ello, dado un conjunto de datos de entrenamiento, se le van pasando a la red poco a poco, y ésta los va pasando por las neuronas hasta generar un valor final usado para hacer la predicción. Este valor se compara con el valor esperado, que lógicamente en los primeros pasos será muy incorrecto. Entonces, se modifican los pesos de las neuronas un poco para acercarnos a la solución correcta. Este proceso se llama back-propagation. Así, iremos entrenando la red: dándole datos, dejando que haga una predicción, y modificando sus valores para acercarse cada vez más a la predicción correcta.
Deep learning es un subcampo de machine learning en el que se usan redes neuronales profundas, es decir, con muchas capas de neuronas (y otros componentes y mecanismos). Son modelos matemáticos que permiten hacer transformaciones no lineales múltiples e iterativas de datos usando matrices multidimensionales (llamadas tensores). Los algoritmos de deep learning permiten resolver o aproximar problemas muy complejos, como por ejemplo detectar discurso de odio en un texto o detectar objetos en un video, pero requieren una cantidad enorme de datos para ser entrenados y una capacidad de cómputo mucho mayor. Para ello normalmente se utilizan GPUs y TPUs.
Así, cuando hablamos de entrenar un modelo, estamos hablando de entrenar una red neuronal con una arquitectura concreta (número de capas, etc) con unos datos y unos parámetros de entrenamiento.
EED: Has comentado que has realizado un master en visión por computación, ese campo veo que tiene muchas aplicaciones prácticas,como ; reconocimiento facial, e imágenes, también en los coches para evitar colisiones y otras casos prácticos. Desde mi desconocimiento, se ve que ese campo está evolucionando mucho , pero si lo comparamos con su modelo original, la visión humana.
¿Cuánta diferencia hay entre la visión por computación y visión humana?
LP: Sin duda, la visión por computador (CV) es un área muy interesante y con muchas aplicaciones prácticas, ¡y avanza a una velocidad asombrosa!
En muchas aplicaciones, CV funciona mejor que la visión humana porque no "se cansa", es decir, un sistema de CV puede procesar imágenes sin descanso 24x7, mientras que una persona no porque necesita dormir, descansar, pierde capacidad de atención, etc. Además, "ve" cosas que el ojo humano no ve. En el procesado de imágenes, por ejemplo, es capaz de modificar imágenes (e.g. añadiendo un elemento) sin que la visión humana pueda detectarlo, y detectar modificaciones que nosotros no vemos.
Por otro lado, la visión humana es inseparable del razonamiento, y en este área es mucho más eficaz que un sistema de CV. Cuando vemos, complementamos lo que vemos con lo que sabemos, y esto nos permite, por ejemplo, identificar una señal de tráfico aunque esté despintada, vandalizada y en un ángulo extraño, mientras que un sistema de CV probablemente tendrá problemas. O al mirar una película, complementamos lo que vemos con nuestro conocimiento del mundo y nuestra experiencia, y esto nos permite inferir mucha información que un sistema de CV no tiene, nos permite "entender" a un nivel mucho más profundo.
Sin embargo, me gustaría destacar que como toda la IA, la CV plantea muchos dilemas éticos con diversidad de opiniones. Por nombrar sólo unas pocas aplicaciones cuestionables: el uso de sistemas de identificación por reconocimiento facial facilitan sociedades hipervigiladas, el uso de armas inteligentes que buscan objetivos de forma autónoma (¿cómo se determinan? ¿y si se equivocan?), los videos deep fake generados por ordenador y que aparentan ser reales, etc. El debate está servido, y va para largo.
EED: Esta pregunta es diferente al resto, porque primero voy a escribir mi respuesta y después escribiré la pregunta.
Tengo mucho desconocimiento sobre el campo de la IA y aprovechando tu conocimiento en este campo, con tu respuesta puedo comprobar si mi respuesta es correcta o no, si es algo razonable o un desvarió. Así que empezamos.
Siempre he pensado que la principal diferencia de una IA respecto a la inteligencia humana, es la poca creatividad de la primera.Tienen una capacidad enorme para almacenar, analizar y procesar datos para aprender determinadas tareas , esos algoritmos que permiten ese aprendizaje son cada vez mas eficiente, como consecuencia son mucho mejores en realizar determinadas tareas. Pero cuando esa tareas no implican tanto procesamiento de datos y donde la creatividad juega un papel tan importante, una IA no es tan buena, aunque hay avances, no son capaces de escribir como Borges, pintar como Picaso y diseñar un edificio como Gehry.
Creo que esto es debido , a que el ser humano todavía no entiende como surge, o funciona, la creatividad y si no se comprende,totalmente, no puede implementarse en una IA. Y realmente creo que falta tiempo para conocer como se "crea la creatividad".
Después de mi respuesta , la pregunta y tu respuesta.
¿Cuál es la principal diferencia entre una IA y la inteligencia humana?
LP: ¡Buena pregunta! Hablemos de creatividad. Según la Wikipedia, "La creatividad es la capacidad de generar nuevas ideas o conceptos, de nuevas asociaciones entre ideas y conceptos conocidos, que habitualmente producen soluciones originales".
Si bien es cierto que hasta hace relativamente poco la creatividad de la IA no era comparable a la creatividad humana, es un campo que ha despertado un interés enorme y, en consecuencia, presenta avances sorprendentes. Mirad por ejemplo DALL-E, un sistema de IA que crea imágenes a partir de texto: https://towardsdatascience.com/have-you-seen-this-ai-avocado-chair-b8ee36b8aea. ¡Es impresionante! Es capaz de dibujar cosas como "un elefante hecho de pepino", o "una butaca en forma de aguacate".
Sin embargo, en áreas como el lenguaje, el resultado de esta creatividad es mucho menos realista. Los textos generados con IA distan aún mucho de los creados por las personas, no tanto en creatividad como en forma y calidad literaria. Estamos aún muy lejos de tener un Tolkien-IA ;)
Contestando a la pregunta, tal vez la principal diferencia es que la IA carece de sentimientos y emociones. ¡DALL-E es incapaz de entender por qué me emocioné tanto al ver la butaca-aguacate! Él la creó, pero no entiende qué repercusión tiene esa creación para el mundo, no es consciente de que existe el mundo. La inteligencia humana es capaz no solo de entender y aprender, como la IA, sino también de sentir y razonar sobre aquello que percibe, y correlacionarlo con aquello que conoce, incorporando experiencias y sentimientos. ¡Somos seres complejos...!
EED: La Ingeniería de Informática es un campo con una alta importancia en la sociedad y con mucho empleo,ademas es un campo muy variado con muchas ramas donde poder escoger. Tienes desarrollo, administración de sistemas, seguridad, base de datos, redes, IA , datos y mas ramas, donde seguro puedes escoger algo que te guste. Con todo esto , siempre me surge una duda y una pregunta que he hecho alguna vez y que seguro tienes una respuesta .
¿Porqué hay tan pocas mujeres en informática?
LP: Voy a dar una respuesta muy concreta, y luego voy a motivarla: FALTA DE REFERENTES.
Aunque creamos que no, y haya muchos defensores de la libertad de elección, lo cierto es que las personas nos interesamos por aquello que se nos presenta como alcanzable o posible, y desistimos de perseguir aquello que se nos plantea como inalcanzable, inapropiado o perjudicial. Vemos un ejemplo: ¿Por qué hay tantos niños/chicos/hombres jugando al fútbol? Porque se les ha presentado como algo que prácticamente deben hacer (preguntad qué tal pasó la etapa escolar el niño a quien no gustaba el fútbol... ). ¿Por qué hay tantas niñas jugando a las princesas, si como juego es de lo más aburrido del mundo? Porque reciben un sinfín de estímulos que las empujan a ello. ¿Por qué hay tan pocas personas que bucean, si es una de las sensaciones más maravillosas que podemos experimentar? Sencillamente porque la gran mayoría de las personas no se lo han planteado como algo que ellas puedan hacer.
Así, crecemos viendo que hay "cosas de mujeres" y "cosas de hombres", y somos recompensados cuando acatamos esta norma social. "¡Qué guapa estás con ese vestidito de princesa!", "¡Qué fuerte chutas, machote!". Sin embargo, cuando quebrantamos esta ley recibimos estímulos negativos: desaprobación social, marginalización, sensación de no pertenecer... "Cómo vas a pedir eso a los papá noel, ¡si es de niño! ¿No prefieres una muñeca?". Si nunca han puesto en tus manos un robot, un lego, un banco de trabajo de juguete... Si no encuentras referentes en las series, en las películas, en tu entorno... ¿por qué va a interesarte la ingeniería? ¿Cómo va a despertarse en ti la curiosidad?
Y ¿qué pasa cuando un ámbito está lleno de hombres? Que las pocas mujeres que llegan se sienten muchas veces fuera de lugar, en un ambiente hostil. Y no sin razón. Lo entornos muy homogeneos (con personas del mismo sexo, de edades similares, de situación socio-económica similar, etc) tienden a hermetizarse, y cuando se incorporan personas que perturban esa homogeneidad se producen reacciones de rechazo. No quiero extenderme hablando de machismo en el ambiente laboral, pero si alguien está interesado encontrará mucha información al respecto con una sencilla búsqueda en internet.
Bien, y ¿cómo lo solucionamos? Aquí mi lista (no exhaustiva) de propuestas:
eliminar los estímulos binarios tempranos, es decir, ya no hay cosas de niñas ni de niños, sólo cosas. Prueba todo lo que puedas, y decide si te gusta.
visibilizar de manera equitativa en los libros de texto (y demás recursos educativos y divulgativos) a hombres y mujeres: dónde están las gobernadoras, las escritoras, las filósofas, las físicas, las matemáticas...?
visibilizar de manera equitativa en los medios de comunicación: anuncios no sexistas, igualdad de dedicación de tiempo para el deporte femenino, creación de contenidos digitales con perspectiva de género, etc
trabajar activamente para eliminar la masculinidad tóxica de todos los ámbitos de la vida
La capacidad (¿responsabilidad?) de cambiarlo recae, pues, en muchos agentes sociales: en las familias, el profesorado, los editores, la dirección de medios de comunicación, etc. Lamentablemente, muchos de estos agentes no lo contemplan como un problema.
¡Por suerte, hay muchos colectivos trabajando activamente para contrarrestar todo esto! Por nombrar unos cuantos: DigitalFems , Wisibilízalas , Wikidones , PyLadies ; con su grupo en Barcelona, PyLadiesBCN, R-Ladies , y un largo etcétera. Además, cada vez más la administración pública también trabaja activamente en esta línea. El ayuntamiento de Barcelona, por ejemplo, está debatiendo con todas las comunidades de mujeres en tecnología cómo legislar para favorecer la equidad.
No me alargo más, pero si alguien está interesado podemos seguir debatiendo :) #nomorematildas
EED: Has comentado que eres la presidenta de PyBCN y una de las organizadora PyLadiesBCN, habrás organizado y participado en bastante eventos .
¿Qué ha sido los mas gratificante y lo menos gratificante de organizar un evento?
LP: Sí, llevo muchos años organizando eventos desde PyBCN y PyLadiesBCN, y la verdad es que me gusta mucho. Es muy gratificante ver que la gente que viene se lo pasa bien, que aprende y tiene ganas de más. ¡Me gusta ver como la comunidad crece y se hace cada vez más diversa! Una cosa que me encanta, y de hecho me empuja a seguir organizando cosas, es cuando recibes feedback espontáneo de los asistentes. Cuando se acerca alguien y te dice que se ha animado a estudiar programación porque asistió a vuestro taller, cuando un asistente se atreve a dar su primera charla y te da las gracias por haberle animado... Aunque sin duda, lo que más disfruto de organizar un evento, sobre todo si es un evento grande, es la celebración posterior con todos el grupo de organizadores y voluntarios. ¡Cómo hemos echado de menos este año las cervezas post-evento! :P
La parte menos gratificante... El pico de estrés que precede al evento, que suele ser proporcional al tamaño de éste. Quieres que todo salga bien, que sea un evento de calidad y que asistentes, speakers y sponsors queden satisfechos, y esta presión se intensifica en los días previos. Pero al final siempre acaba saliendo bien :D El pico de estrés se olvida, ¡y al año siguiente ya estamos liados otra vez!
EED: Hay diferentes formas de aprender informática, puedes utilizar el camino estudios oficiales y/o no oficiales o de una forma mas autodidacta. Desde tu experiencia como ingeniera y desarrolladora, si alguien te pide consejo porque quiere aprender informática para ser un buen programador.
¿Qué camino le recomendarías?
LP: Creo que hay muchas formas de convertirte en un buen programador, y no siempre se requiere pasar por una ingeniería para ello. Personalmente me gusta la formación (oficial o no) estructurada y en grupo, más que el camino autodidacta, porque te ofrece una visión un poco más global del área, no aprendes única y exclusivamente aquello que estrictamente necesitas, te fuerza a trabajar en equipo, y esto te beneficia a medio y largo plazo.
Si alguien me pidiera consejo, le recomendaría cualquier formación (universitaria o no) larga (mínimo de dos años, por ejemplo), y una vez terminada complementarla con cursos específicos si es necesario ¡y sobretodo con mucha práctica!
Para el área de Data Science, que es la que más tengo controlada ahora mismo, hay muchos programas de formación online de muy buena calidad, normalmente impartidos por universidades, y creo que son una excelente opción si tenemos claro qué queremos hacer.
Por otro lado, estudiar una ingeniería (informática, de datos, etc) te abre más posibilidades, caminos que probablemente no conocías, y sobretodo te enseña a pensar de una forma diferente mucho más estructurada, pero tiene un coste (económico, temporal y mental) mucho más elevado. ¡Elegid bien a qué universidad vais! Como cuando yo estudié no había carrera de data science, la combinación ingeniería + master me ha funcionado muy bien, pero desde luego no es el único camino.
Lo que hay que tener en cuenta es que es un camino que requiere de formación continua. El área avanza muy rápido, y necesitas estar al día para no descolgarte. ¡Asistir a meetups y conferencias, participar en hackatones y desafíos de Kaggle, etc es una forma fantástica de seguir aprendiendo!
EED: El fin de semana ,cambia el formato de la entrevista y el formato de las preguntas, con dos preguntas algo diferentes.
La primera pregunta sería:
¿Qué te hubiera gustado que te preguntase? Evidentemente , debes responder a tu propia pregunta.
La segunda pregunta
¿Qué le hubieras preguntado a un programador de Python?
LP: ¿Qué te hubiera gustado que te preguntase? Evidentemente , debes responder a tu propia pregunta.
Creo que una pregunta interesante dado mi perfil podría ser hablar de las similitudes y diferencias entre el sector de la industria y el de la academia. He pasado por los dos, ¡y ambos tienen aspectos muy interesantes!
Como he comentado, estuve unos 10 años en el área del desarrollo de aplicaciones web, en diferentes empresas (incluso una propia), y llegado un punto me cansé y decidí dar el salto al mundo académico. Aún no tengo mucha experiencia como investigadora, pero debo admitir que trabajar "para mí misma" es muy gratificante! Lo pongo entre comillas porque realmente como estudiante de PhD trabajo bajo la mirada de mis supervisores, pero poder elegir hacia dónde vas y cómo llegarás hasta allí es fantástico. ¡Viniendo de la industria, hasta me costó trabajar con esta libertad! Una ventaja enorme de la que disfruto mucho es la flexibilidad de horarios, aunque demasiado a menudo esto se traduce en trabajar muchas más horas. ¡Y me encanta viajar a conferencias! Por otro lado, la poca estabilidad emocional del mundo académico, en la que el éxito se mide en forma de publicaciones o financiación obtenida, daría para escribir libros...
De la empresa, echo de menos el trabajar "sólo" 35/40 horas semanales, contar con un equipo de trabajo y algo más de dinero en el banco ;) Además, normalmente en la empresa se trabaja de forma más estructurada y se le da más importancia al código escrito, cosa que he echado de menos en numerosas ocasiones. Aunque he de admitir que disfruto mucho escribiendo scripts que harían llorar a muchos puristas ;) Por otro lado, no echo nada de menos a esos cargos intermedios que hay en muchas empresas cuyo trabajo sólo consiste en preguntarte cómo lo llevas y para cuándo estará. ¡Aún sudo cada vez que veo un excel con celdas de colores!
¿Qué le hubieras preguntado a un programador de Python?
¿Sueles asistir a conferencias o meetups de Python? Si es así, ¿cuáles te gustan y por qué? Si no sueles hacerlo, ¿por qué no?
EED: El Domingo , es el último día de la entrevista, será el momento de la despedida y para decir tus métodos de contacto, también si tienes un blog, podcast, canal de Youtube u cualquier otro proyecto que quieras promocionar, tienes este espacio para hacerlo.
Por último me gustaría que me recomendaras a alguna persona que creas que este dispuesto a participar, es muy importante que tenga cuenta en Telegram.
Gracias por participar en la entrevista , espero que te haya resultado entretenida. Hasta la próxima, un saludo.
LP: ¡Ha sido un placer pasar esta semana con vosotros! Muchas gracias por invitarme y por leerme :D Ha sido muy divertido, y algunas preguntas me han hecho pensar mucho.
Espero que os haya resultado interesante, y estaré encantada de seguir la conversación con quien le apetezca. Podéis ver mis datos de contacto en:
y leer más sobre PyBCN y PyLadiesBCN en
LP: ¡Ha sido un placer pasar esta semana con vosotros! Muchas gracias por invitarme y por leerme :D Ha sido muy divertido, y algunas preguntas me han hecho pensar mucho.
Espero que os haya resultado interesante, y estaré encantada de seguir la conversación con quien le apetezca. Podéis ver mis datos de contacto en:
https://lpmayos.github.io
y leer más sobre PyBCN y PyLadiesBCN en
Antes de irme, os animo a participar en los meetups locales del área técnica que más os interese. ¡Son una forma fantástica de aprender, mantenernos motivados y conocer gente interesante!
Un abrazo, ¡y hasta pronto!
Si quieres seguir la entrevistas ,preguntas o comentar en el canal de Telegram de Entrevista En Diferido.
Si quieres apopyarme tienes los siguientes métodos.