¿Es la ciencia de los datos un trabajo agradable?

Ha pasado alrededor de un año desde que empecé a trabajar como científico de datos después de graduarme de la universidad. Vine con muchas expectativas diferentes del campo y aquí están mis pensamientos sobre ello.

La ciencia de los datos es de hecho un campo gratificante y tiene sus propios pros y contras. Dada mi limitada experiencia y conocimiento, le recomiendo que tome mis puntos de vista con una pizca de sal.

Me gustaría dar una breve información sobre mí antes de ir más lejos para ayudarle a entender de dónde vengo.

Desde mis días escolares disfruté haciendo matemáticas y aprendí a hacer programación básica. Más tarde, estudié Ingeniería Eléctrica en el IIT Bombay. Después de graduarme, me uní a una firma de consultoría especializada en IA, donde trabajé en proyectos de ciencia de datos para clientes en India y Europa.

Debo decir que todavía estoy en una etapa temprana de aprendizaje. A veces cometo errores y me pregunto: ¿qué he aprendido durante todos estos años?

Cuanto más aprendo, menos me doy cuenta de que sé. -Sócrates.

Como científico de datos, usted no controla los datos, le da una forma para que pueda expresarse mejor.

1. Data Science puede ser muy divertido si...

La ciencia de los datos es un trabajo raro en el que puedes hacer todas las cosas geniales juntos: matemáticas, codificación e investigación. Un trabajo en el que puedes leer un artículo de investigación por la mañana, escribir el algoritmo por la tarde, y codificarlo por la noche. ¡Es muy divertido! Hace unos días, cuando visité mi alma mater, un junior me preguntó: ¿cómo describiría mi experiencia laboral?, a la que la respuesta instantánea salió de la boca:

¡Es como recibir un pago por hacer tareas!

Pero aquí está la trampa: tienes que hacer “sólo algunos” de matemáticas, codificación e investigación. No puedes dejar nada de eso ni permitirte profundizar en nada de eso. En algunos casos, es posible que no tenga que leer ningún documento de investigación y puede utilizar directamente bibliotecas de código y empezar a implementar. Y dada la restricción de tiempo, la única parte en la que tendrás la oportunidad de profundizar es la preparación de datos (y las presentaciones que se harán, si las hay).

Si eres una persona a la que le encanta codificar y quiere hacerlo tanto como sea posible, las matemáticas te morderán la cabeza. No tendrás la oportunidad de mostrar tus habilidades de codificación Ninja. Como un amante del código convertido Data Scientist tienes sólo dos opciones: o las matemáticas te conquistarán o lo conquistarás. Si eres un amante de las matemáticas a quien le gusta resolver problemas complejos, la preparación de datos y la programación monótona te aburrirán hasta la muerte. La analogía que me gusta es:

Imagina cómo se sentirá si alguien te da una grapadora y te envía a una habitación llena de papeles para pedir y grapar. Así es como se siente el proceso de limpieza de datos.

A veces se puede sentir que si alguien más podría hacer el trabajo de preparación de datos y sólo se puede construir el modelo a su alrededor, pero desafortunadamente o afortunadamente no funciona de esta manera.

Uno puede argumentar que el tipo de cosas que no te gustan sólo ocupa una pequeña parte del trabajo, pero la cosa es, tiende a tener un efecto desproporcionado en su trabajo (leer el principio Pareto).

La forma de sostener la ciencia de los datos es encontrar el equilibrio adecuado entre la codificación y las matemáticas/investigación. Y lo más importante, apreciar los diferentes aspectos de su trabajo mientras se mantiene el enfoque en obtener los resultados.

Además, la ciencia de los datos es un campo en evolución y sin una guía definitiva para el éxito, requiere mucho trabajo duro, aprendizaje continuo y, lo más importante, desaprender (no se sabe cuándo lo “mejor” se convertirá en lo “bueno”).

En resumen:

Pros: la ciencia de los datos te permite trabajar con un montón de cosas interesantes a la vez: código, matemáticas, investigación y a veces presentaciones también
Contras: la ciencia de los datos puede no permitirle profundizar en ninguno de sus aspectos individuales

2. La ciencia de los datos es más de “negocios” que de “ciencia”

“¿Qué hay en un nombre?” preguntó una persona sabia. Dos respuestas se hicieron eco:

“Nada”, dijo el filósofo
“Todo”, dijeron los marketers

Datos Los científicos de la industria son diferentes a los científicos que trabajan en, digamos, el CERN o el ISRO. Lo que los científicos de datos están “realmente” haciendo es aplicar técnicas científicas para crear valor para el negocio. Data El trabajo de los científicos no es simplemente encontrar la mejor solución, sino encontrar la solución que es fácilmente interpretable y vendible.

En la ciencia de los datos, cuando se encuentran con hipótesis en competencia, la lógica empresarial a menudo supera a la lógica científica.

El conocimiento de la Inteligencia Artificial, especialmente su subcampo de aprendizaje automático es suficiente para empezar, pero no lo suficiente para conseguir que adelante.

Para sobresalir en proyectos de ciencia de datos, la “ciencia” no es suficiente, también es necesario entender la economía y el marketing para conseguir su trabajo y crear valor para el negocio.

3. El trabajo de Data Scientist es impactante, pero como cualquier otro trabajo

Como Data Scientist usted tiene “potencial” para hacer “impacto” enorme, pero así que usted tiene como profesor, ingeniero de software, periodista, o vendedor.

La ciencia de los datos está cambiando sin duda nuestro mundo, pero las áreas donde como científico de datos usted puede jugar un papel crucial y la “influencia” son raras.

La ciencia de los datos que circula como un enigma para “cambiar” el mundo en Internet no siempre es cierta.

Además, el término “impacto” es altamente subjetivo y tiene muchos aspectos importantes como:

cuánto valor monetario tiene/crea
¿Quién se beneficiará más?
lo único e importante que es tu papel en ella
¿Hasta qué punto se autoperpetúa?

El tipo de “impacto” que usted quiere tener, uno de los Internet está hablando, y lo que el negocio puede proporcionar la oportunidad para, puede ser muy diferente.

Si usted es una persona inteligente y ambiciosa entrar en la ciencia de los datos para hacer un "impacto", asegúrese de que usted está en lo correcto "ajustado" para el campo y su significado de impacto está alineado con el impacto que el negocio le puede proporcionar.

4. La economía dicta hoy la ciencia de los datos

A partir de hoy, Data Scientist es un trabajo “caliente” y no es raro que múltiples reclutadores se pongan en contacto con usted regularmente para ver si desea cambiar. Datos A los científicos se les da mucho respeto dentro de la organización y se les paga generosamente.

No recomiendo que te conviertas en un científico de datos si el dinero es tu principal motivación.

Si usted está haciendo ciencia de datos sólo por dinero, tenga en cuenta que tarde o temprano la misma economía hará que los altos salarios se desvanecen. Es sólo su interés en el campo que le mantendrá en marcha.

5. La experiencia de Data Scientist como un escalón

Trabajar como científico de datos puede ayudarle a crear una base sólida para el mundo basado en datos y a evaluar de manera más realista las limitaciones y el poder de las tecnologías relacionadas con la IA.

Incluso si elige alejarse del trabajo práctico, la experiencia de Data Scientist podría ser valiosa en sus futuros esfuerzos. Algunos de ellos son:

Investigación académica (Masters/PhD/Post Doc/Independent): La considerable cantidad de tiempo de un científico de datos se dedica a la experimentación, la lectura de documentos científicos y el debate de ideas con sus colegas. Todas estas actividades pueden resultar valiosas para la investigación.
Startups : Por supuesto, usted puede trabajar en un papel tecnológico en una startup de IA o iniciar el suyo propio después de trabajar como Data Scientist. Pero, también puede asumir roles no tecnológicos en una startup de IA como ventas, planificación de negocios o finanzas. Su conocimiento puede ayudarle a entender mejor y vender el producto a los clientes, estimar los costos y requisitos del proyecto, y lo más importante no sentirse como un extraño. Puede haber varias razones por las que usted puede querer trabajar en un papel no tecnológico después de ganar experiencia como Data Scientist, uno podría ser que importa para mirar sobre el número de personas que codifican regularmente en el equipo ejecutivo de cualquier empresa de tecnología de éxito.
Gobierno y organizaciones mundiales : Los gobiernos están cada vez más preocupados por los efectos de los sistemas de IA en la sociedad y la mejor manera de utilizarlos para el desarrollo sostenible. Puede utilizar la experiencia de su Data Scientist para trabajar en roles relacionados con Política de IA , donde se requiere una comprensión sofisticada de la IA para elaborar políticas y regulaciones que sean las mejores para la sociedad.

Nota: Estos son mis puntos de vista personales y usted puede o no estar de acuerdo con ellos. Mi intención no era escribir acerca de cómo se ve un trabajo ideal de Data Scientist, o cómo “debería” la ciencia de los datos se debe hacer, o incluso describir quién es un Data Scientist. Estos eran pocos indicadores importantes, quería compartir, que aprendí mientras trabajaba como “científico de datos” durante un año justo después de la universidad.

Su experiencia puede ser muy diferente de la que había descrito anteriormente. Le animo a compartir su experiencia en comentarios a continuación o escribir por separado sobre ella. Sería de gran ayuda para las personas que quieren profundizar en la ciencia de los datos.

Por si te gustó el artículo, sígueme. Abhishek Parbhakar para más artículos relacionados con la IA, filosofía y economía.