Una persona con el nombre de hereticpleb ha dedicado una hora y media a construir una máquina que hace una sola cosa: encuentra publicaciones de LinkedIn sobre proyectos inútiles de visión artificial. El resultado, dice, es un detector que demuestra lo fácil que es hacer que algo parezca impresionante en la plataforma. El chiste, admite, es que el detector en sí mismo es el remate.
El proyecto se llama «LinkedIn Larpmaxxing», y su argumento es simple: la plataforma recompensa el ruido por encima de la habilidad, y las personas que sobreviven allí no son las que mejoran. Son las que parecen interesantes.
El Problema del Feed
Hereticpleb comienza describiendo lo que él llama «la cosa más insoportable que verías». Su feed de LinkedIn está lleno de publicaciones de personas cuyos familiares han sido golpeados por camiones, y que utilizan esas tragedias como lecciones sobre gestión empresarial. Las publicaciones llevan un tono de ser «visionarias», «avanzadas» y «profesionales», escribe, añadiendo que es «TAN agotador».
Luego están los proyectos. Cada vez que abre la aplicación, es golpeado por videos de algún tipo de persona agitando la mano mientras una cámara la sigue. Estos son Proyectos de Visión Artificial, dice, y están en todas partes. «Es solo cada otra publicación, algún tipo de persona agitando la mano haciendo TONTERÍAS», escribe.
El Detector de Baches
Un ejemplo destaca. Muestra una imagen de un sistema de detección de baches, un proyecto que promete monitorear las carreteras para detectar daños. Su respuesta es contundente: «¿Cuál es el punto?». Pregunta. «¿Sabes qué más podría detectar baches? Los ojos. Son muy, muy buenos detectando esos».
Él profundiza más. El sistema no está conectado a nada. No envía datos a ninguna parte. Si lo estuviera, eso sería lindo. Pero no lo está. «PERO NO LO ESTÁ», escribe.
La idea más grande detrás del proyecto, reconoce, es que la IA se puede utilizar para el monitoreo inteligente de la infraestructura. Las condiciones de las carreteras podrían evaluarse de manera más eficiente, y los equipos de mantenimiento podrían tomar mejores decisiones basadas en datos. Ese es el argumento. La ejecución, dice, es trivial.
Capacitando al Modelo
Para probar su argumento, hereticpleb decidió construir un detector para el tipo exacto de publicaciones que odia. Lo llama el detector «🚀 Excited to announce I made a YOLO project». El nombre es una referencia al marco de detección de objetos YOLO, que aparece en el código que comparte.
Aprendió todo desde cero. Nunca antes había hecho esto. Compara la experiencia con cocinar ramen después de nunca haber cocinado antes. «No se puede criticar la cocina sin haber cocinado ramen alguna vez», escribe.
El proceso comenzó con datos. Necesitaba entrenar un modelo con imágenes de publicaciones de LinkedIn que presumían de proyectos YOLO. Escribió un script para recopilar las imágenes automáticamente. Recorre su feed, toma capturas de pantalla y las guarda en una carpeta.
El Paso de Anotación
A continuación, creó una cuenta de Roboflow, subió sus capturas de pantalla y las anotó. Dibujó cuadros alrededor de las partes de las publicaciones que quería que el modelo reconociera. Fue mecánico, dice, y tomó unos 20 minutos.
Una vez que las imágenes estaban etiquetadas, las exportó en formato YOLOv8 y descargó el conjunto de datos. Luego entrenó el modelo.
El Código Detrás de Esto
El código de entrenamiento es corto. Utiliza la biblioteca Ultralytics, que proporciona una interfaz sencilla para trabajar con modelos YOLO. Carga un modelo pre-entrenado, configura los parámetros de entrenamiento y ejecuta el experimento.
Aquí está el código que compartió:
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(
data='dataset/data.yaml',
epochs=50,
imgsz=320,
name='slop_detector'
)
Agrega que el entrenamiento tomó 30 minutos en su computadora de gama baja. Una vez que el modelo estuvo listo, escribió un script de Python para ejecutarlo. El script carga los pesos entrenados, procesa una imagen y guarda los resultados.
El Detector Está Completo
Todo tomó una hora y media. Hereticpleb celebra el logro con un solo exclamación: «¡YAYYY conseguí mi propio detector de desechos!!!»
Él bromea diciendo que ahora puede añadir a su currículum experto en visión artificial, sabio de Python y líder de pensamiento en IA y ML. La ironía no se le escapa.
El Problema Real
La conclusión es dura. LinkedIn recompensa a las personas por parecer interesantes, no por mejorar. «Nada en ese sitio te recompensa por mejorar», escribe. «Es una plataforma construida alrededor de la venta de uno mismo para un trabajo, por lo que lo que sobrevive no es la habilidad; es parecer interesante.»
Él señala perfiles donde el mismo tipo detecta baches una y otra vez, sin signos de mejora. El patrón se repite. La habilidad no crece.
Una Máquina en Funcionamiento
El detector de Hereticpleb es una pieza inteligente de sátira. También es un proyecto de aprendizaje automático en funcionamiento, completo con código y una descripción paso a paso. La diferencia entre los dos es el punto.
Los proyectos en LinkedIn son triviales. Son marketing disfrazado de productividad. El detector encuentra publicaciones sobre proyectos YOLO, y lo hace rápidamente.
| Comparación | Proyecto de Detección de Baches | Detector de Basura de LinkedIn |
|---|---|---|
| Tiempo de construir | No especificado | Alrededor de una hora y media. |
| Propósito. | Detectar daños en la carretera. | Detectar publicaciones de LinkedIn sobre proyectos inútiles. |
| Valor real. | Insignificante, según hereticpleb. | Demuestra que la plataforma recompensa el ruido. |
| Habilidad requerida. | Ninguna mostrada. | Mínima, ya que él mismo lo construyó. |
| Resultado. | Repetidamente ridiculizado. | Completado exitosamente. |
La comparación vale la pena. Los proyectos de baches que ridiculizó son triviales. El detector YOLO que construyó tomó una hora y media. La brecha de habilidades no está entre los dos proyectos. Está entre las personas que aparecen en LinkedIn y las personas que se ríen de ellas.
El detector de Hereticpleb es divertido porque es preciso. Es preciso porque es trivial. Y es trivial porque LinkedIn recompensa lo incorrecto.
La plataforma está construida en torno a la venta de uno mismo para un trabajo. La habilidad no es la moneda. Ser interesante sí lo es. El detector lo demuestra.
Vea el video en el que se basa la historia en vercel.app.
Recibe El Cuaderno.
Las mejores historias del día y cada veredicto nuevo, en español claro, en tu correo a las siete. Un correo al día, nada más.