7 Razones por las que no deberías convertirte en un científico de datos

7 Razones por las que no deberías considerar ser un científico de datos

¿Eres un aspirante a científico de datos? Si es así, es probable que hayas visto u oído hablar de muchos que han logrado cambiar hacia una carrera en ciencia de datos. Y esperas hacer el cambio algún día también.

Hay varias cosas emocionantes en trabajar como científico de datos. Puedes:

• Desarrollar habilidades técnicas y blandas transferibles en diversos campos
• Contar historias con datos
• Responder preguntas empresariales con datos
• Crear soluciones impactantes para problemas empresariales

Y mucho más. Tan emocionante como suena todo esto, ser científico de datos es igualmente desafiante, si no más. Pero, ¿cuáles son algunos de esos desafíos?

• 5 Cursos gratuitos para dominar MLOps
• Originalidad en juicio El desafío de la IA a la propiedad creativa
• Más allá de las suposiciones aprovechando las estadísticas bayesianas para una selección efectiva de títulos de artículos

Sumergámonos en ellos.

1. Te Gusta Trabajar en Silos

Cuando estás trabajando en tus habilidades de codificación y técnicas, es probable que te sientas cómodo trabajando por tu cuenta. Pero como científico de datos, debes priorizar la colaboración y la comunicación. Porque la ciencia de datos no se trata solo de manejar datos y procesar números en aislamiento.

Necesitas colaborar con otros profesionales, no solo en el mismo equipo, sino a menudo en múltiples equipos. Por lo tanto, tu capacidad para colaborar con equipos diversos y partes interesadas es tan importante como tus habilidades técnicas.

Además, también debes ser capaz de comunicar tus hallazgos e ideas a las partes interesadas no técnicas, incluidos los líderes empresariales.

Nisha Arya Ahmed, científica de datos y escritora técnica, comparte:

“En un equipo de ciencia de datos, colaborarás con otros profesionales en cada tarea, sus responsabilidades y cómo todo funciona de la mano. Esto es importante, ya que no quieres repetir el trabajo que ya se ha hecho y utilizar más tiempo y recursos. Además, los profesionales de datos no son las únicas personas con las que tendrás que colaborar, serás parte de un equipo multifuncional que incluye producto, marketing y otras partes interesadas”.

– Nisha Arya Ahmed, científica de datos y escritora técnica

2. Quieres Realmente “Terminar” Proyectos

Si eres alguien que disfruta trabajando en proyectos, completándolos y lanzándolos a producción, es posible que no encuentres una carrera en ciencia de datos gratificante.

Aunque comiences un proyecto con un conjunto de objetivos, refinándolos y mejorándolos de forma iterativa, a menudo tendrás que cambiar el alcance de los proyectos a medida que cambien los objetivos empresariales de la organización. Tal vez, los interesados vean una nueva dirección prometedora.

Por lo tanto, tendrás que repriorizar y modificar de manera efectiva el alcance de los proyectos. Y en el peor de los casos, abandonar tu proyecto si es necesario.

También, en una startup en etapa inicial, a menudo tendrás que desempeñar múltiples roles. Por lo que tu trabajo no termina con la construcción del modelo. Incluso si logras implementar un modelo de aprendizaje automático en producción, tendrás que monitorear el rendimiento de tu modelo, estar atento a los cambios, hacer regresiones y volver a capacitar el modelo según sea necesario.

Abid Ali Awan, Escritor, Editor y Científico de Datos en VoAGI, comparte:

“Si trabajas en una empresa, es probable que tengas que cambiar entre múltiples equipos y trabajar en diferentes proyectos simultáneamente. Sin embargo, la mayoría de los proyectos en los que trabajas pueden no llegar a la producción.

Debido a que las prioridades de la empresa pueden cambiar o el impacto de los proyectos puede no haber sido lo suficientemente significativo. Cambiar continuamente entre equipos y proyectos puede ser agotador, y puedes sentirte perdido en cuanto a lo que estás contribuyendo”.

– Abid Ali Awan, Escritor, Editor y Científico de Datos en VoAGI

Por lo tanto, trabajar en proyectos de ciencia de datos no es un proceso lineal de principio a fin, donde terminas un proyecto y pasas al siguiente.

3. Te Frustra la Ambigüedad de Roles

Un día en la vida de un científico de datos en dos organizaciones diferentes puede ser completamente diferente. Los roles de un científico de datos, ingeniero de aprendizaje automático e ingeniero de MLOps a menudo tienen mucha funcionalidad superpuesta.

Supongamos que eres un científico de datos muy interesado en construir modelos predictivos. Y has conseguido el puesto de científico de datos en una organización de tu interés.

Sin embargo, no te sorprendas si pasas todo el día trabajando con números en hojas de cálculo y haciendo informes. O extrayendo datos de bases de datos usando SQL. Puede que pienses que trabajar con datos y responder preguntas empresariales encajaría mejor en el papel de analista de datos.

En otros casos, es posible que te encargues de construir e implementar modelos en producción, monitorear cambios y volver a entrenar el modelo según sea necesario. En este caso, eres un científico de datos que también asume el rol de ingeniero de MLOps.

Escuchemos lo que Abid tiene que decir sobre la fluidez de roles en una carrera de datos:

 

“Siempre estoy confundido sobre que me llamen ‘científico de datos’. ¿Qué significa realmente? ¿Soy un analista de datos, ingeniero de inteligencia empresarial, ingeniero de aprendizaje automático, ingeniero de MLOps o todos ellos? Tu rol dentro de una empresa es flexible si trabajas en una empresa más pequeña o una startup. Sin embargo, las organizaciones más grandes pueden tener una distinción más clara entre roles. Pero eso no garantiza que el rol esté completamente definido. Puedes ser un científico de datos, pero gran parte del trabajo que hagas será quizás la creación de informes de análisis que se alinean con los objetivos empresariales.”

– Abid Ali Awan, Escritor, Editor y Científico de Datos en VoAGI

 

4. No te importan los objetivos empresariales

 

Como científico de datos, debes dirigir tus esfuerzos hacia proyectos que tengan un impacto significativo en el negocio, en lugar de perseguir proyectos técnicamente interesantes pero menos relevantes. Para esto, comprender los objetivos empresariales es clave por las siguientes razones:

• Comprender los objetivos empresariales te permite adaptar y repriorizar tus proyectos en función de las necesidades cambiantes de la organización.
• El éxito de un proyecto de ciencia de datos a menudo se mide por su impacto en el negocio. Por lo tanto, comprender los objetivos empresariales proporciona un marco claro para evaluar el éxito de un proyecto, vinculando los aspectos técnicos con resultados empresariales tangibles.

Matthew Mayo, Editor en Jefe y Científico de Datos en VoAGI, comparte el costo de la indiferencia hacia los resultados empresariales:

 

“Como científico de datos, si eres indiferente a los objetivos empresariales, podrías ser como un gato persiguiendo un puntero láser: te encontrarás hiperactivo y sin rumbo, probablemente sin lograr nada de mucho valor. Comprender los objetivos empresariales y poder traducirlos del lenguaje empresarial al lenguaje de los datos son habilidades cruciales, sin las cuales podrías invertir tiempo en construir los modelos más sofisticados pero irrelevantes. ¡Un árbol de decisiones que funcione supera a un fracaso de vanguardia todos los días!”

– Matthew Mayo, Editor en Jefe y Científico de Datos, VoAGI

 

Esto es lo que Nisha tiene que decir al respecto:

 

“Con cualquier cosa que hagas, necesitas una razón detrás. Esta es tu intención, que viene antes de tu acción. En el mundo de los datos, comprender la empresa y sus desafíos es imprescindible. Sin esto, te sentirás confundido en el proceso. Con cada paso que des en un proyecto de ciencia de datos, querrás consultar los objetivos que motivan el proyecto.”

– Nisha Arya Ahmed, Científica de Datos y Escritora Técnica

 

Por lo tanto, la ciencia de datos no se trata solo de trabajar con números y construir modelos complejos. Se trata más de aprovechar los datos para impulsar el éxito empresarial.

Sin una comprensión sólida de los objetivos empresariales, tus proyectos pueden desviarse de los problemas empresariales que están destinados a resolver, disminuyendo tanto su valor como su impacto.

 

5. No te gusta el trabajo “aburrido”

 

Construir modelos es emocionante. Sin embargo, el camino que lleva hasta eso puede no ser tan interesante.

Puedes esperar pasar grandes cantidades de tiempo:

• Recopilando datos 
• Identificando el subconjunto de datos más relevante para utilizar
• Limpiando los datos para que sean adecuados para el análisis 

Ahora, este es un trabajo que no es muy emocionante. A menudo, ni siquiera necesitas construir los modelos de aprendizaje automático. Una vez que tienes los datos en una base de datos, puedes usar SQL para responder preguntas. En ese caso, ni siquiera necesitas construir un modelo de aprendizaje automático.

Aquí Abid comparte sus opiniones sobre cómo el trabajo importante a menudo no es interesante:

 

“Puede ser tedioso hacer lo mismo repetidamente. A menudo, se te puede asignar la tarea de limpiar datos, lo cual puede ser bastante difícil, especialmente cuando se trabaja con conjuntos de datos diversos. Además, tareas como la validación de datos y escribir pruebas unitarias pueden no ser tan emocionantes, pero son necesarias.”

– Abid Ali Awan, Escritor, Editor y Científico de Datos en VoAGI

 

Así que debes disfrutar del proceso de trabajar con datos, incluyendo lo bueno, lo malo y lo feo, para tener una exitosa carrera en ciencia de datos. Porque la ciencia de datos se trata de obtener valor de los datos. Lo cual a menudo no tiene que ver con construir los modelos más sofisticados.

 

6. Quieres dejar de aprender en algún momento

 

Como científico de datos, (probablemente) nunca podrás llegar a un punto en el que puedas decir que lo has aprendido todo. Lo que necesitas aprender y cuánto depende de en qué estás trabajando.

Puede ser una tarea bastante simple como aprender y usar un nuevo marco de trabajo en adelante. O algo más tedioso como migrar el código existente a un lenguaje como Rust para mejorar la seguridad y el rendimiento. Además de tener una sólida base técnica, debes ser capaz de aprender rápidamente sobre marcos de trabajo, herramientas y lenguajes de programación según sea necesario.

Además, debes estar dispuesto a aprender más sobre el dominio y el negocio si es necesario. Es muy probable que no trabajes en un solo dominio a lo largo de tu carrera en ciencia de datos. Por ejemplo, puedes comenzar como científico de datos en el campo de la salud, luego pasar a fintech, logística y más.

Durante la escuela de posgrado, tuve la oportunidad de trabajar en aprendizaje automático en el campo de la salud, en un proyecto de pronóstico de enfermedades. Nunca había leído sobre Biología más allá de la escuela secundaria. Así que las primeras semanas fueron todas sobre explorar las peculiaridades de las señales biomédicas específicas, sus propiedades, características y mucho más. Esto fue muy importante antes de poder proceder a la preprocesamiento de los registros.

Kanwal Mehreen, una escritora técnica, comparte su experiencia con nosotros:

 

“¿Sabes esa sensación cuando finalmente aprendes una habilidad nueva y piensas, ‘Ah, esto es genial’? Bueno, en ciencia de datos, ese momento realmente nunca llega. Este campo está en constante evolución, con nuevas tecnologías, herramientas y metodologías que aparecen frecuentemente. Así que si eres alguien que prefiere llegar a un punto en el que el aprendizaje pase a un segundo plano, entonces una carrera en ciencia de datos puede que no sea la mejor opción.

Además, la ciencia de datos es una hermosa combinación de estadísticas, programación, aprendizaje automático y conocimiento de dominio. Si la idea de explorar diferentes dominios, desde la salud hasta las finanzas y el marketing, no te emociona, es posible que te sientas perdido en tu carrera.”

– Kanwal Mehreen, Escritora Técnica

 

Así que como científico de datos nunca debes evitar el aprendizaje constante y la mejora de habilidades.

 

7. No disfrutas de los desafíos

 

Ya hemos descrito varios desafíos de ser un científico de datos, que incluyen:

• Ir más allá de las habilidades técnicas de codificación y construcción de modelos
• Comprender el dominio y los objetivos empresariales 
• Aprender y mejorar constantemente para mantenerse relevante 
• Ser proactivo sin preocuparse por terminar proyectos en sentido literal 
• Estar preparado para repriorizar, retroceder y hacer cambios
• Hacer el trabajo aburrido pero necesario 

Al igual que cualquier otro rol tecnológico, la parte difícil no es conseguir un trabajo como científico de datos. Es construir una exitosa carrera en ciencia de datos.

Mathew Mayo resume acertadamente cómo debes enfrentar estos desafíos como científico de datos:

“¿Buscas una carrera relajada, donde puedas dejar de aprender en el momento en que empieces tu trabajo y nunca preocuparte por las últimas herramientas, trucos y técnicas? ¡Bueno, olvídate de la ciencia de datos! Esperar una carrera tranquila como profesional de datos es como esperar un paseo seco durante un monzón, armado solo con un paraguas de cóctel y una actitud optimista.

Este campo es una montaña rusa sin parar de rompecabezas técnicos y enigmas no técnicos: un día estás sumergiéndote en algoritmos y al día siguiente intentas explicar tus hallazgos a alguien que piensa que la regresión es un retroceso a un estado de comportamiento infantil. Pero la emoción radica en estos desafíos y es lo que mantiene entretenidos nuestros cerebros adictos a la cafeína.

Si eres alérgico a los desafíos, es posible que encuentres más consuelo en tejer. Pero si aún no te has alejado de un enfrentamiento con un diluvio de datos, es posible que la ciencia de datos sea tu taza de… café.”

– Matthew Mayo, Editor en Jefe y Científico de Datos, VoAGI

Vamos a escuchar los pensamientos de Kanwal sobre esto:

“Afrontemos este hecho: la ciencia de datos no siempre es un camino fácil. Los datos no siempre vienen en paquetes ordenados y organizados. Es posible que tus datos parezcan haber pasado por una tormenta, que pueden estar incompletos, inconsistentes o incluso inexactos. Limpiar y preprocesar estos datos para garantizar su relevancia para el análisis puede ser un desafío.

Mientras trabajas en un campo multidisciplinario, es posible que debas interactuar con partes interesadas no técnicas. Explicarles conceptos técnicos y cómo se alinean con sus objetivos puede ser realmente desafiante.

Por lo tanto, si eres alguien que prefiere un camino profesional claro y directo, una carrera en ciencia de datos puede estar llena de obstáculos para ti.”

– Kanwal Mehreen, Escritora Técnica

Conclusión

Entonces, la ciencia de datos no solo se trata de matemáticas y modelos; se trata de pasar de los datos a las decisiones. Y en el proceso, debes estar siempre dispuesto a aprender y mejorar, comprender los objetivos comerciales y las dinámicas del mercado, y mucho más.

Si estás buscando una carrera desafiante en la que te gustaría navegar con resiliencia, la ciencia de datos es una buena opción de carrera para ti. ¡Feliz exploración!

Agradezco a Matthew, Abid, Nisha y Kanwal por compartir sus ideas sobre varios aspectos de una carrera en ciencia de datos. ¡Y por hacer que este artículo sea mucho más interesante y entretenido de leer!

[Bala Priya C](https://twitter.com/balawc27) es una desarrolladora y escritora técnica de India. Le gusta trabajar en la intersección entre matemáticas, programación, ciencia de datos y creación de contenido. Sus áreas de interés y experiencia incluyen DevOps, ciencia de datos y procesamiento del lenguaje natural. Le gusta leer, escribir, programar y tomar café. Actualmente, está trabajando en aprender y compartir sus conocimientos con la comunidad de desarrolladores mediante la creación de tutoriales, guías prácticas, artículos de opinión y más.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!