Decodificando el ecosistema de la ciencia de datos con Vikas Agrawal

Descifrando el ecosistema de la ciencia de datos con Vikas Agrawal

Explora el futuro de la inteligencia artificial con el Dr. Vikas Agrawal, científico de datos principal en Oracle Analytics Cloud. En esta sesión Leading with Data, comparte insights sobre resolución de problemas en ciencia de datos, MLops y el impacto de la inteligencia artificial generativa en soluciones empresariales. La discusión abarca desde enfoques prácticos hasta obstáculos en proyectos de ciencia de datos, ofreciendo consejos esenciales para aspirantes a científicos de datos.

Principales ideas de nuestra conversación con Vikas Agrawal

• En ciencia de datos, enfocarse en entender el problema es crucial y representa la mayor parte del esfuerzo.
• Un Proof of Concept (POC) exitoso en ciencia de datos debe considerar no solo aspectos técnicos sino también la practicidad y escalabilidad de la solución.
• La comunicación clara y establecer expectativas realistas con los clientes son vitales para evitar costosos malentendidos impulsados por la exageración de la inteligencia artificial.
• La inteligencia artificial generativa tiene el potencial de revolucionar las soluciones empresariales, especialmente en áreas relacionadas con texto e interfaces de usuario.
• Construir una carrera en ciencia de datos requiere una base sólida en matemáticas y una comprensión profunda de los algoritmos.
• En entornos empresariales, garantizar la confiabilidad y confiabilidad de las salidas de IA requiere nuevas técnicas de validación.
• A medida que las herramientas de IA evolucionan, los científicos de datos necesitan habilidades para mejorar y mejorar estas herramientas, no solo operarlas.

¡Descubre más sesiones informativas con destacados expertos en IA y ciencia de datos en nuestro canal comunitario!

¿Cómo equilibras la profundidad técnica con una perspectiva macro en la ciencia de datos?

En mi trabajo diario, debo mucho a mis mentores de diversas instituciones y empresas reconocidas que me inculcaron la filosofía de que la tecnología es un medio para lograr un fin, no el fin en sí mismo. La clave es dedicar una cantidad significativa de tiempo a comprender el problema, aproximadamente un 90% del esfuerzo se destina a eso. El resto implica buscar soluciones, lo cual a menudo implica examinar cómo otros han abordado problemas similares y qué necesita el cliente en última instancia. Este enfoque ha sido fundamental para conectar la tecnología con el impacto empresarial.

¿Cuál es tu enfoque para resolver el problema de un cliente?

Una vez que hemos identificado un problema que vale la pena resolver, primero nos aseguramos de tener los datos necesarios para abordarlo. Luego evaluamos si la tecnología existe para resolver el problema en un plazo razonable. Si vemos un camino, incluso si está a un par de años de distancia, procederemos con un proof of concept (POC). Este POC es completo, abarcando desde las canalizaciones de datos hasta la funcionalidad de principio a fin, aunque la escalabilidad en esta etapa no es la preocupación principal. El objetivo es tener un camino claro hacia los algoritmos, las fuentes de datos y la naturaleza de la salida que buscamos.

• ¿Qué es el Modelado de Datos Impulsado por Consulta?
• Habilidades blandas que todo científico de datos necesita
• ¿Reemplazará la IA a la humanidad?

¿Cómo manejas la fase de optimización y operaciones de aprendizaje automático?

Después de un POC exitoso, entramos en la fase de optimización, donde reside la mayor parte del trabajo. Esto implica asegurarse de que el modelo se adapte a diferentes procesos comerciales y geografías, y pueda corregirse cuando se salga de la distribución. También se trata de garantizar que el modelo se pueda reentrenar de manera eficiente y escalar adecuadamente. Esta fase es crítica porque es donde el modelo pasa de ser un concepto a una solución práctica y desplegable.

¿Cuáles son los obstáculos más comunes en proyectos de ciencia de datos?

Los errores más costosos suelen estar relacionados con el bombo de la IA y la falta de comunicación. Es crucial establecer expectativas claras y mutuas con el cliente. A menudo, los clientes tienen grandes expectativas debido al entusiasmo de la industria en torno a la IA, sin darse cuenta de que el estado del arte no siempre proporciona las respuestas correctas que buscan. Otro error común es definir incorrectamente el problema, ya sea por no abordar directamente el problema del cliente o por intentar abarcar demasiado.

¿Cómo interactúas con la inteligencia artificial generativa en tus flujos de trabajo?

La inteligencia artificial generativa no se utiliza ampliamente en la mayoría de las empresas debido a preocupaciones sobre derechos de autor y contaminación de propiedad intelectual. Sin embargo, aprovechamos material de código abierto disponible comercialmente. La inteligencia artificial generativa ha avanzado significativamente en áreas como resumen de texto, expansión de texto y provisión de explicaciones. La confiabilidad sigue siendo un desafío y estamos explorando técnicas para filtrar las salidas de los grandes modelos de lenguaje (LLMs) para asegurarnos de que sean confiables para uso empresarial.

¿Qué impacto crees que tendrá la IA generativa en las soluciones empresariales?

Es probable que la IA generativa tenga el impacto más significativo en los flujos de trabajo que involucran texto en ejecución, como la recuperación de información y las interfaces de usuario. Por ejemplo, puede mejorar drásticamente la búsqueda empresarial al recuperar piezas de texto semánticamente similares. También puede revolucionar las interfaces de lenguaje natural para bases de datos, permitiendo a los usuarios hacer preguntas en lenguaje natural y recibir respuestas SQL precisas.

¿Qué consejo le darías a aquellos que ingresan hoy en el campo de la ciencia de datos?

Es un momento emocionante para estar en la ciencia de datos, pero es crucial tener una sólida base en matemáticas y comprender los algoritmos con los que estás trabajando. A medida que las herramientas de IA se vuelven más sofisticadas, la capacidad de mejorarlas y mejorarlas será una habilidad valiosa. Aquellos que puedan crear nuevos algoritmos o comprender las complejidades de los existentes serán muy solicitados.

Resumiendo la conversación con Vikas Agrawal

En esta sesión esclarecedora, el Dr. Vikas Agrawal compartió ideas clave para el éxito en una carrera en ciencia de datos. Desde enfocarse en la comprensión del problema hasta navegar por las dificultades y abrazar la IA generativa, la entrevista proporciona una hoja de ruta. Se aconseja a los aspirantes a científicos de datos que desarrollen una sólida base en matemáticas y algoritmos para un campo en constante evolución. Esta entrevista marca el comienzo de una nueva era de innovación en IA.

Manténgase en sintonía con nosotros en Leading with Data para seguir las trayectorias de más líderes pioneros en IA y ciencia de datos en la industria. ¡Puede consultar nuestras próximas sesiones de Leading with Data aquí mismo!

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