¡Bienvenidos a otra entrada en el templo del saber! ¿Te acuerdas que se habló de Startups en entradas anteriores? Hoy vamos a adentrarnos a conocer lo qué es Data Science y la Inteligencia artificial, ¿ya habías escuchado estos términos? ¿sabes cuáles son sus diferencias? ¿podrías tener ejemplos en donde se aplican diariamente?. Si no estás seguro o segura de estos términos, esta entrada es para ti.
¿Sabías qué mientras estás leyendo esto, hay publicadas más de 300,000 vacantes a nivel mundial en LinkedIn y los salarios Junior en LATAM oscilan entre los 1,000 y 1,200 USD mensuales y 4,000 y 4,500 USD mensuales si eres Senior?
¿Ya capturé tu atención?.
¿Porqué aprender Data Science e Inteligencia Artificial?
La industria de la Data Science e inteligencia artificial está en constante crecimiento. Cada vez existen más oportunidades laborales, debido a que las empresas se están adaptando a tomar las decisiones basadas en datos, para incrementar la calidad de las iniciativas y transformar o crear productos que resulten relevantes para sus consumidores.
¿Qué es Data Science?
Se dice que los datos son de lo más valioso que podemos encontrar actualmente en empresas, organizaciones y en general en todo el mundo. Una masiva cantidad es generada todos los días y data science es la tecnología que ha llegado para entenderlos.
Estos datos son los que se generan cuando utilizamos alguna plataforma en línea, cuando se hace investigación, o simplemente cuando se hacen registros de algo y los almacenamos en archivos digitales. Los datos son vitales para las empresas de hoy. Con ellos tomamos decisiones y creamos mejores productos.
La ciencia de datos es el proceso de descubrir información valiosa de los datos y sus objetivos son:
📌 Tomar decisiones.
📌 Crear estrategias de negocio.
📌 Producir software basados en Inteligencia Artificial.
Las distintas actividades que se llevan a cabo en el proceso de Data Science se pueden resumir de la siguiente manera:
- Obtener datos (mediciones directas, encuestas y fuentes de internet).
- Transformar o limpiar datos (dar formato correcto, eliminar o marcar errores y espacios en blanco).
- Explorar, analizar y visualizar datos (buscar, organizar y graficar información).
- Usar modelos de Machine Learning (predecir información).
- Escalar modelos de Machine Learning (poner los modelos a disposición de los usuarios).
El proceso de Data Science dependerá en gran medida del proyecto o empresa en la que se trabaje, pero algo general es que se basa en el método científico para descubrir por qué las cosas pasan como pasan. Por ello, se debe tener muy claro cuál es la pregunta y el objetivo del caso de negocio, ya que este es un ciclo, es decir, que se repetirá constantemente.
Las áreas de aplicación son todo una intersección de varios conocimientos en los que se encuentran:
📌 Matemáticas y estadística.
📌 Ciencias computacionales.
📌 Conocimiento del dominio o sector del negocio.
El nivel de profundidad de cada una de estas áreas se va a determinar de acuerdo al rol que quieras aprender. Sin embargo, algunas habilidades básicas para todos los roles serían: programación, estadística descriptiva, probabilidad y el mantenerse actualizado sobre lo que pasa alrededor de la industria en que uno se encuentra.
En conclusión, Data Science es un campo que se encarga de utilizar múltiples herramientas para encontrar información valiosa, dentro de los datos, tanto del presente, como del posible futuro.
¿Qué es la inteligencia artificial?
Esta es la inteligencia que poseen las máquinas que está inspirada en la inteligencia natural que tenemos los seres humanos.
Para lograrlo, la inteligencia artificial utiliza diferentes tipos de algoritmos para emular nuestro comportamiento. Esto lo hace a través del reconocimiento de patrones a lo largo de grandes cantidades de información, que pueden venir de archivos de texto, imágenes, videos, etc.
Por ejemplo, podemos pensar en algoritmos de inteligencia artificial que reconozcan qué hay dentro de una imagen: si hay un perro o un gato. Esto lo hace gracias que se entrenó analizando cientos o miles de fotos de perros y gatos hasta que aprendió a reconocer esos patrones que nos dicen si la imagen mostrada es un perro o un gato.
Las empresas gigantes en tecnología, como Google, Amazon, Facebook e IBM, han creado equipos de investigación avanzados que se dedican a desarrollar estos algoritmos y a crear demostraciones asombrosas del poder actual de la inteligencia artificial.
Uno de los ejemplos más famosos de esto es AlphaGo. Desarrollado por el equipo de Google DeepMind, cuyo único propósito es jugar el juego de mesa Go y que en 2015 se convirtió en la primera máquina en ganarle a un jugador profesional sin usar alguna clase de ayuda.
Entonces, dentro de la inteligencia artificial encontraremos tecnologías como:
📌 Machine learning.
📌 Deep learning.
📌 Visión artificial.
📌 Procesamiento de lenguaje natural.
📌 Robótica.
📌 Representación del conocimiento.
Es importante resaltar nuevamente que la inteligencia artificial de nuestros días está limitada a realizar solamente las tareas para las que las hemos entrenado y que no tiene ninguna clase de conciencia. Con esto podemos recordar que las actividades de un equipo de data science consisten en un proceso que comprende el extraer, manipular y analizar datos donde se utilizan inteligencia artificial para generar predicciones y clasificaciones sobre esos análisis.
Entonces, para un equipo de data science la inteligencia artificial es una herramienta (de muchas) que se usan en todo su proceso. Una que generalmente se usa hasta el final de dicho proceso y que incluso puede no ser necesaria, ya que su finalidad primordial es apoyar a las empresas y organizaciones a tomar mejores decisiones basadas en los datos disponibles.
En esta clase de equipos te toparás con roles como Data Scientist, Data Analyst y Data Engineer.
Sin embargo, hay organizaciones que dependen mucho de la inteligencia artificial y que invierten fuertemente en ella para crear productos, como lo son los sistemas de recomendación de YouTube, los filtros de Instagram o los asistentes de voz como Siri, Google Assistant o Alexa.
En este post te toparás, además de los roles más tradicionales, con puestos como Machine Learning Engineer, Deep Learning Engineer, NLP Scientist, Machine, Learning Scientist, etc. Muchos de estos roles requieren de herramientas de data science y conocimientos más avanzados en ciencias computacionales para procesar los datos que utilizarán.
¿Qué hace un Data Analyst?
Su función en analizar el presente de una organización. Ejecuta análisis de datos para generar informes en dashboards con tablas y gráficas que ayuden a otras personas de la organización a tomar mejores decisiones o saber si alguna estrategia está funcionando.
¿Qué es un Data Scientist?
Se encarga de tomar datos de las fuentes de información de la organización, de limpiarlos, procesarlos, analizarlos, y utilizar modelos de inteligencia artificial para resolver preguntas interesantes que surjan en su organización para toma de decisiones.
¿Qué hay del Data Engineer?
Crean y mantienen una estructura de software que permita el procesamiento de grandes cantidades de datos que vienen de distintas fuentes de la organización y que serán usados exclusivamente para analítica de datos. Este proceso se conoce como ETL por sus siglas en inglés de extracción, transformación y carga.
Entonces ¿Porqué aprender Data Science e Inteligencia artificial?. No sólo por que son los empleos del futuro o porque estén bien remunerados, también se necesitan profesionistas que quieran crear nuevas soluciones a los retos de hoy y tú puedes convertirte en uno de ellos.
Si quieres conocer más del tema y la ruta de aprendizaje no te pierdas la siguiente entrada. ¡Gracias por aprender con nosotros!.
