Guillermo Barquero

ML @ Meta. Co-founder de Zrive (

[Guillermo Barquero @guillerbf]

@rikelhood Grande!

[Guillermo Barquero @guillerbf]

Y Boban de pivot titular!

[Enrique García @KikeGarcia41]

Luka Doncic en el Game 7 contra Los Angeles Clippers en 2021, con Tim Hardaway Jr. y Dorian Finney-Smith como segunda y tercera espada:

46 puntos, 7 rebotes, 14 asistencias, 17/30 FG.

[Guillermo Barquero @guillerbf]

@patrickc Quite a weird X axis, it's so strange for London to show up as more dense than Madrid or Barcelona. I think it's just that the 75km disk is crazy large for super high-dense European cities like those.

[Guillermo Barquero @guillerbf]

@Nuopb @venturetwins 😅😂

[Guillermo Barquero @guillerbf]

El problema de IA será un problema de datos. Otra vez. La capacidad de agentes de resolver tareas es directamente proporcional a la calidad del contexto al que tienen acceso.

Poder exponer los datos correctos de forma eficiente es la principal palanca.

La gran diferencia vs la "digitalización previa" es que con IA, los datos no necesitan estar (tan) estructurados. Esto tiene parte buena y mala.

La buena es que son sistemas mucho mas inteligentes, capaces de consumir info desestructurada, contextualizarla, y tomar decisiones a partir de ella.

Lo malo, que es fácil volcar toda la información. Inyectar en contexto información outdated, contradictoria y errónea hace que los agentes entren en loops, no logren encontrar la info que necesiten y aumente la cantidad de veces qu toman decisiones erróneas.

Por eso es importante descomponer y analizar de forma sistemática las trayectorias. No es lo mismo un fallo de razonamiento (falta de IA del modelo, el menos frecuente), que una fallo de retrieval (no logró encontrar el contexto necesario), que un fallo por información errónea (garbage in, garbage out). El proceso de optimización y mejora será totalmente distinto en cada caso. Y al final, cuando haces el análisis, casi siempre acaba siendo un problema de datos.

[Guillermo Barquero @guillerbf]

El problema de IA será un problema de datos. Otra vez. La capacidad de agentes de resolver tareas es directamente proporcional a la calidad del contexto al que tienen acceso.

Poder exponer los datos correctos de forma eficiente es la principal palanca.

La gran diferencia vs la "digitalización previa" es que con IA, los datos no necesitan estar (tan) estructurados. Esto tiene parte buena y mala.

La buena es que son sistemas mucho mas inteligentes, capaces de consumir info desestructurada, contextualizarla, y tomar decisiones a partir de ella.

Lo malo, que es fácil volcar toda la información. Inyectar en contexto información outdated, contradictoria y errónea hace que los agentes entren en loops, no logren encontrar la info que necesiten y aumente la cantidad de veces qu toman decisiones erróneas.

Por eso es importante descomponer y analizar de forma sistemática las trayectorias. No es lo mismo un fallo de razonamiento (falta de IA del modelo, el menos frecuente), que una fallo de retrieval (no logró encontrar el contexto necesario), que un fallo por información errónea (garbage in, garbage out). El proceso de optimización y mejora será totalmente distinto en cada caso. Y al final, cuando haces el análisis, casi siempre acaba siendo un problema de datos.

[Guillermo Barquero @guillerbf]

Hay un problema interesantísimo de routing aquí: Dada una tarea, cual es el modelo más eficiente (velocidad y $$) para resolverla.

[Aaron Levie @levie]

Token costs will become a dominant topic in enterprises going forward with AI. Just got out of a dinner with many Fortune 500 enterprise CIOs and this was the most heated topic.

A mix of strategies are being employed, but basically no one feels like they have the right solution. A mix of: figuring out how to prioritize workloads to different models, giving out access to better or worse agents by user type, setting different spend caps by team, having teams justify AI by their use-case, and some just having unfettered access.

Everyone is trying to figure out a semi/predictable model right now in a world where the underlying tech and cost models are constantly evolving.

[Aaron Levie @levie]

This is true of all agents, not just coding agents. Probably the biggest challenge that most companies run into in their agent strategy is getting agents the right constrained context to work with for a task.

Too much information or conflicting sources, and the agent can easily draw from the data and produce the wrong result. Conflicting sources of truth for documents, data sources that haven’t been kept up to date, knowledge management systems that rely on tribal knowledge to navigate, and so on.

On the other end, of course, too little information and the upside is highly limited of agents in the first place. Thus, a lot of challenges with AI strategies are actually data strategy challenges in disguise.

This is why there’s such a significant premium on getting structured and unstructured data environments setup properly so agents can work with information effectively. Critical for any large enterprise adopting agents, and also a clear benefit in some cases to startups that can be designed this way from scratch.

[Guillermo Barquero @guillerbf]

Suponiendo que:
- Los desarroladores de software programan el 33% del tiempo.
- La IA ha mejorado 2.5x el output de código.

Entonces, por Amdahl's law:
- El incremento de output total es de +25%
- Y incluso si el coding se volviese totalmente gratis, "solo" sería +50%.

Y si, obviamente la realidad es mucho más compleja. Por un lado la IA ayuda con tareas que no son coding, por otro que el output de código se multiplique dificulta (mucho) otras tareas.

[Guillermo Barquero @guillerbf]

@DiegoARRG @xoelipedes Grande! Muy top esto que has montado, sin nada que envidiar a otros sistemas similares que he visto.

Y bueno, eso da igual, lo importante es que os funcione!

[Guillermo Barquero @guillerbf]

@AndreuOrell Si, si, a esto le bastante aún.

[Guillermo Barquero @guillerbf]

Forcing decisions onto people << inspiring and convincing them. Every-single-time.

Decisions have to be made, sometimes very quickly. However, the absolute disregard for subordinates that you sometimes see is obscene and a clear sign of very poor leadership.

[Guillermo Barquero @guillerbf]

@volatilitysfray @AlexMesquida @UnivHesperides La única forma de aprender es pegándose con ello, lo demás es ir a fichar a cambio de un diploma!

[Guillermo Barquero @guillerbf]

@elwatto Que guapas estas cosas!

[Guillermo Barquero @guillerbf]

@javisantana El post está genial por todo: tono, contenido, transparencia...

Ahora bien, a mi me sorprende bastante que Mercadona no lo haya internalizado hasta ahora. Lo que describen es un motor de búsqueda como en el que trabajé en Tesco hace 8 años!

[Guillermo Barquero @guillerbf]

@GuliMoreno @XMihura Also, am i the only one who finds the new ones quite difficult to navigate?

[Guillermo Barquero @guillerbf]

@volatilitysfray Random take. Easy farming

[Guillermo Barquero @guillerbf]

@elwatto @DanielBlancoSWE En mi experiencia la IA genera buen código, simplemente optimiza de forma mucho más local, por defecto.

Esto genera caos y errores si se deja "unchecked", pero ahí es donde el gusto y el criterio del ingeniero toma relevancia hoy en día, en mantener el sentido y la estructura.

[Guillermo Barquero @guillerbf]

Para mi Twitter está llegando al ratio de señal/ruido en el que empieza a dejar de tener sentido. Me pregunto cual será la siguiente iteración

Foros -> Redes sociales de amigos -> Redes sociales de "creadores" y bots -> ??