Un vistazo a algunas de las habilidades clave que los líderes de TI deben considerar al buscar nuevos empleados.
La ciencia de datos es la comidilla de la sala de juntas. Los ejecutivos de organizaciones de todos los sectores están buscando formas de encontrar un caso de negocio para la aplicación práctica de la ciencia de datos a través de tecnologías emergentes, como la inteligencia artificial (IA) y el aprendizaje automático (ML) .
Tomemos como ejemplo a Julie Dodd, directora de transformación digital y comunicaciones de Parkinson en el Reino Unido, que está utilizando una asociación con el especialista en tecnología BenevolentAI para buscar medicamentos que puedan ofrecer una cura potencial para la afección.
La plataforma BenevolentAI rastrea datos de investigación clínica y busca tendencias que los humanos podrían no ser capaces de detectar. Los resultados se presentan en forma de fármacos, moléculas y vías sugeridas que podrían ser beneficiosas en el futuro.
Dodd dice que la IA reduce el tiempo dedicado a la investigación de años a semanas, con impactos potencialmente transformadores en la vida de las personas con Parkinson. «La IA es revolucionaria y el impacto seguirá creciendo», dice.
Los ejecutivos de otras industrias también están interesados en explorar los beneficios potenciales de la ciencia de datos y la tecnología emergente. El número de empresas que implementan IA creció un 270% en los últimos cuatro años, según la Encuesta CIO de 2019 del analista Gartner.
Pero reconocer la importancia de la IA y el aprendizaje automático es solo una parte del desafío. Hasta el 47% de las organizaciones europeas están luchando por cumplir con sus roles de ciencia de datos , según O’Reilly Media. Entonces, ¿qué habilidades deben desarrollar los profesionales de TI para cumplir con los requisitos del mercado y cómo pueden los líderes digitales obtener el talento que necesitan?
Lenguaje vs pensamiento
Mohammad Shokoohi-Yekta, que hasta hace poco era un científico de datos sénior en Apple, y que ahora imparte un curso en la Universidad de Stanford llamado ‘Introducción a la ciencia de datos’, dice que su experiencia sugiere que los candidatos están ansiosos por mejorar en varios idiomas clave.
«Python y R: tengo clases en ambos», dice. «R es el más poderoso para la visualización de datos, el análisis de datos y el entrenamiento de modelos de aprendizaje automático; Python es más general, es bueno para muchas tareas y es bueno para poner cosas en producción rápidamente».
Claus Bentsen, director ejecutivo del gigante farmacéutico Astra Zeneca, quien se unió a Shokoohi-Yekta en un panel en el reciente evento Big Data World en Londres, dice que su firma está interesada en personas con capacidades en R. Sin embargo, advierte a los CIO y posibles candidatos. Los científicos de datos no deben centrarse únicamente en los idiomas.
«Lo que importa es que aprendas algo y te vuelvas bueno en eso», dice. «Asegúrese de comprender un paradigma orientado a objetos y cómo funciona. Ser capaz de pensar funcionalmente sobre la programación también es importante. De alguna manera, es más importante tener esos paradigmas de pensamiento en torno a la informática en lugar de desarrollar una herramienta favorita . »
Bentsen dice que ha visto a personas que han tenido otros títulos, como estadístico o matemático, que ahora quieren el título de científico de datos para satisfacer la demanda de IA y ML. Eso puede dificultar la contratación, y Bentsen dice que Astra Zeneca filtra a los candidatos para centrarse en la calidad.
«Cuando buscamos habilidades específicas en equipos, ejecuto varias pruebas. En lugar de programar, me concentro en las capacidades matemáticas y estadísticas. Algunas personas pueden hablar muy bien y la única forma de ver si son buenas es probarlas ,» él dice.
Ese es un sentimiento que coincide con Richard Freeman, quien es ingeniero líder en datos y aprendizaje automático en el especialista en recaudación de fondos JustGiving. Teme que el término científico de datos se «utilice en exceso» y que el mercado se inunde de talentos mal identificados. Freeman dice que su empresa se centra en la aptitud y la pasión, y aconseja a otros líderes digitales que adopten un enfoque similar.
«Miro la historia y lo que alguien ha hecho. ¿Es un desarrollador fuerte que quiere pasar a la ciencia de datos o al aprendizaje automático? Mire la historia de sus candidatos», dice, sugiriendo que la experiencia en codificación no es necesariamente la única ruta hacia éxito de la ciencia de datos.
«Tenemos personas con experiencia en psicología en nuestro equipo de ciencia de datos. La razón por la que son buenas es que les apasiona el aprendizaje. Siempre busque pasión: necesita ver ese fuego y ellos necesitan amar la ciencia de datos. Es es bueno tener una mezcla, pero alguien que es más joven y que aprenderá a menudo es mejor que alguien que tiene experiencia y es caro «.
Fomentar el talento
La búsqueda de talento en ciencia de datos es algo que pronto podría ser un problema para Kieran Delaney, director de TI de Innserve, especialista en elaboración de cerveza. Su firma está comenzando a dar sus primeros pasos tentativos para involucrarse con ML e IA.
Delaney dice que la empresa tiene suerte de beneficiarse de tener algunos «desarrolladores inteligentes», aunque estos expertos centrados en problemas no son científicos de datos. Él cree que la forma de obtener talento está relacionada con la accesibilidad de los conjuntos de herramientas que utiliza la empresa, y los CIO ahora tienen más opciones que nunca.
«Una de las cosas que hemos visto con Azure es que Microsoft está tratando de hacer que la IA y el ML sean lo más fáciles posible», dice. «No es necesario ser un experto: un desarrollador con un nivel bajo de experiencia puede comenzar a usar la tecnología y obtener algo viable».
Gary Foote, CIO de Rich Energy Haas F1, es otro líder digital que apenas está comenzando a investigar cómo su equipo de carreras de Fórmula 1 podría aprovechar al máximo las tecnologías emergentes, como AI y ML. Su impresión es que ML se ve mejor como una forma de permitir que las personas se concentren más en lo que hacen mejor.
«Tomemos a un ingeniero de carreras genérico: parte de su trabajo será algo que el aprendizaje automático pueda hacer. Si puedo implementar la tecnología de aprendizaje automático, entonces puedo permitir que ese ingeniero se concentre en algunas de las áreas en las que puede agregar valor donde la máquina el aprendizaje no puede «, dice Foote.
Como ejemplo, se refiere a la gran cantidad de imágenes generadas por los procesos en el negocio, particularmente durante los fines de semana de pruebas y carreras. Estas imágenes deben analizarse, y eso puede ser un proceso que requiere mucho tiempo.
Foote dice que el poder del aprendizaje automático podría permitir a su equipo rastrear miles de imágenes rápidamente. Los ingenieros pueden usar estos resultados para encontrar puntos de datos clave que ayuden al equipo a tomar decisiones comerciales cruciales. «Entonces, de repente, tal vez un trabajo de una hora se convierta en un trabajo de diez minutos», dice.
