Ingeniería, Data Science e inteligencia artificial: la experiencia de Juan Segundo Hevia en Rice University

Juan Segundo Hevia tiene 30 años y se graduó en 2025 de la maestría en Data Science de Rice University, en Houston. Antes de empezar el posgrado ya había trabajado varios años en ciencia de datos y machine learning, tanto en empresas como en proyectos vinculados con inteligencia artificial y políticas públicas, y había participado en investigaciones académicas dentro de su área.

De Ingeniería Industrial a ciencia de datos

Cuando terminó el secundario, la elección de Ingeniería Industrial estuvo inicialmente vinculada con las materias que más le interesaban y con las que se sentía más cómodo.

"Sabía que me gustaba mucho la matemática, me iba muy bien, y me gustaba jugar con los números y la física también. Eso me llevó a ingeniería industrial."

Cursó la carrera con beca y, a medida que avanzaba, empezó a interesarse especialmente por estadística, programación y análisis de datos, un área que en ese momento todavía tenía menos presencia dentro de los planes tradicionales de ingeniería.

"Vi que toda la parte de data y estadística tenía mucho potencial por delante. Hice mi primera pasantía y ahí llegué a mi carrera en Data Science."

La formación de Ingeniería Industrial le dio una base cuantitativa en matemática, estadística y optimización que después pudo trasladar directamente a ciencia de datos. A partir de sus primeras experiencias laborales, esa orientación empezó a ocupar cada vez más espacio en su carrera profesional.

Experiencia profesional antes de la maestría

Su primera pasantía fue en Clarín, donde trabajó como data scientist. Más adelante empezó a coordinar en la Universidad Austral programas que vinculaban fundamentos de inteligencia artificial con gobernanza y políticas públicas, dirigidos principalmente a profesionales interesados en entender cómo aplicar estas tecnologías en el sector público.

En 2020 se incorporó a Memorable AI, donde ocupó los roles de machine learning engineer y, más adelante, responsable de gestión de datos. La empresa desarrollaba tecnología para publicidad digital utilizando modelos capaces de analizar y predecir distintas características de las piezas creativas, y Juan trabajó allí en sistemas de visión por computadora y en la infraestructura necesaria para gestionar un volumen creciente de información. Permaneció en la compañía hasta 2023, cuando se fue a estudiar a Rice University con la beca Fulbright, y en 2024 Memorable AI fue adquirida por Reddit.

Para cuando comenzó la maestría, entonces, su interés en Data Science ya estaba respaldado por varios años de trabajo técnico en la industria, más que por una decisión de especialización tomada recién al llegar a Estados Unidos.

El proceso de Fulbright

Juan presentó su postulación a Fulbright el 12 de marzo de 2022 y comenzó las clases en Rice en agosto de 2023. Entre ambas fechas pasaron alrededor de diecisiete meses, porque el proceso de la beca empieza con bastante anticipación respecto del comienzo del año académico en Estados Unidos.

"El 12 de marzo de 2022. Me acuerdo todavía cuando terminé todo el formulario."

Cuando inició la postulación tenía bastante claro el tipo de programa que quería hacer, aunque todavía no había definido una única universidad.

"Sabía que quería hacer una maestría en Data Science. No tenía muy claro qué universidad, aunque obviamente tenía mis preferencias."

El proceso de Fulbright también lo llevó a ampliar la lista de instituciones que estaba considerando y a investigar programas que originalmente no estaban entre sus primeras opciones. Rice fue una de ellas.

"Me ayudó mucho aprender de un montón de otras universidades, como Rice, que no era mi primera opción, pero de la que aprendí que es una de las principales universidades de ingeniería de Estados Unidos."

Para alguien que esté considerando una convocatoria similar, la cronología es relevante porque la preparación suele comenzar más de un año antes del viaje. Además de la beca, después hay que completar las aplicaciones universitarias y esperar las decisiones de admisión y financiamiento de cada institución.

Cómo financió la maestría

En el caso de Juan, el financiamiento combinó el apoyo de Fulbright con una beca otorgada por Rice. La universidad terminó cubriendo el 100 por ciento de su matrícula, mientras que Fulbright aportó otros componentes asociados con la experiencia de estudiar en Estados Unidos.

"Cuando me comentaron que entré, lo que sucede es que Rice también me cubre la matrícula, que es una parte muy importante del costo de vivir acá. Tuve una cobertura del cien por ciento, así que me ayudó mucho."

Es importante separar ambas fuentes porque responden a procesos distintos. Fulbright y la universidad pueden aportar componentes diferentes del presupuesto, y el paquete final depende tanto de la beca externa como de la oferta económica de la institución que admite al estudiante.

En su caso, esa combinación permitió que la matrícula de Rice quedara completamente cubierta. Juan recuerda que recibió la noticia mientras estaba en su casa en Buenos Aires y que su primera reacción fue llamar a familiares y amigos.

La maestría en Data Science de Rice

El programa de Rice funciona dentro de la escuela de ingeniería y está pensado como una maestría profesional, por lo que no exige una tesis tradicional. La estructura incluye entre 31 y 35 créditos, con materias obligatorias de programación, estadística, visualización, machine learning y herramientas para ciencia de datos, además de cursos electivos que permiten orientar el programa hacia distintas áreas.

Los estudiantes pueden profundizar, entre otras opciones, en inteligencia artificial, analítica de negocios, transición energética, procesamiento de imágenes o analítica deportiva. El programa termina con un proyecto aplicado en el que se trabaja sobre un problema concreto junto con una organización externa.

Para Juan, una de las ventajas de esa estructura fue poder ajustar las materias a sus intereses técnicos y combinar contenidos más generales con temas avanzados de inteligencia artificial.

"Me deja elegir mucho el perfil que quiero encarar, desde lo más básico de programación hasta lo más complejo de inteligencia artificial generativa. Puedo formar el perfil que quiero, y eso lo disfruto mucho."

Su proyecto final fue realizado con la NASA y estuvo enfocado en detección de cráteres lunares para la misión de Artemis II, una aplicación de visión computacional que le permitió trabajar sobre un problema distinto de los que había encontrado previamente en publicidad o políticas públicas.

De una materia a una publicación

Una de las materias que más le interesó durante el programa fue Advanced Machine Learning, donde trabajó sobre aplicaciones de modelos de lenguaje en educación. El proyecto inicial del curso después continuó fuera del aula y terminó convertido en un trabajo académico.

"Eso me ayudó después a expandir el trabajo de esa materia hacia un paper que estoy presentando en la conferencia Association of the Advancements in Artificial Intelligence."

El artículo, Towards an Efficient, Customizable, and Accessible AI Tutor, fue escrito junto a Facundo Arredondo y Vishesh Kumar y presentado en marzo de 2025 en un workshop sobre inteligencia artificial y educación en Filadelfia. El trabajo también quedó publicado en las actas de Proceedings of Machine Learning Research.

El caso muestra una de las formas en que una maestría profesional puede conectarse con la investigación: un proyecto desarrollado inicialmente para una materia puede continuar después del semestre si existe una pregunta que vale la pena explorar con más profundidad.

Durante esos años Juan también participó en otro trabajo publicado junto a Santiago Segarra, Lisa O'Bryan y Madeline Navarro en el Journal of Personality and Social Psychology, en el que se utilizaron herramientas de machine learning para analizar y predecir patrones de turnos de habla dentro de equipos de trabajo. De esa manera, su producción académica durante la maestría terminó cubriendo problemas bastante diferentes, desde visión por computadora hasta educación y comportamiento organizacional.

Vivir en Houston

La experiencia fuera de la universidad también estuvo marcada por la comunidad de argentinos que encontró en Houston, un grupo que se fue formando alrededor de actividades cotidianas como jugar al fútbol y que terminó funcionando como una red para compartir la adaptación a vivir en otro país.

"Mi vida en Houston involucra mucho calor. Es una ciudad muy calurosa, pero también es muy cálida la gente. Somos muchos argentinos y eso me hace sentir que hay un poco de casa en esta nueva casa."

Para Juan, tener esa comunidad fue importante especialmente durante los primeros meses, cuando muchas de las dificultades no estaban relacionadas con las materias sino con cuestiones más prácticas, desde organizar la vida cotidiana hasta entender cómo funcionaban ciertos aspectos financieros y administrativos en Estados Unidos.

"Creo que la clave es esa: tener un grupo, una comunidad con la cual compartir. Y si uno no la tiene desde el principio, ir construyéndola."

Redes profesionales y qué vino después

Cuando habla de lo que recomendaría a alguien que está pensando en estudiar afuera, Juan pone bastante énfasis en conocer personas que ya estén trabajando en las áreas que interesan y aprovechar la universidad también como un espacio para entender qué proyectos, empresas e investigaciones se están desarrollando alrededor.

"El valor de la gente, el valor de conocer gente, y ser proactivo en eso. Estudiar acá es mi primera prioridad, pero no es lo único que hago, y gran parte de lo otro que hago es buscar qué está haciendo la gente acá: qué hacen los argentinos, qué hacen los latinos, qué hace la gente de Estados Unidos."

Más que pensar el networking como una actividad separada de la formación, lo describe como una forma de exponerse a trabajos y recorridos diferentes, preguntar cómo llegaron otros a determinados roles y entender qué posibilidades existen dentro de un campo que cambia rápidamente.

"Creo que es una regla bastante flexible y muy aplicable a cualquier ámbito: salir a buscar a la gente que está trabajando, preguntar, ser curioso, y buscar conectar y aprender del otro."

Después de graduarse en 2025, Juan fundó HeyBeta a partir de una idea simple: la inteligencia artificial ya puede cambiar cómo trabajamos, pero la mayoría de las personas todavía no sabe cómo usarla. HeyBeta existe para cerrar esa distancia, construyendo herramientas que le permiten a cualquiera, sin necesidad de saber programar, incorporar IA a su trabajo diario. Para Juan, ahí está el verdadero impacto de la tecnología: no reemplazar a las personas, sino devolverles tiempo y multiplicar lo que pueden lograr.