Haga clic aquí para ver la serie completa de la Semana de la Analítica.

Daniel Moore es un científico de datos líder en Liberty IT con una década de experiencia en el campo de la analítica y la ciencia de datos.

Tiene formación en biofísica y ha trabajado en diversos campos como la investigación del cáncer, el diseño de medicamentos, el sector de la movilidad y los seguros.

Moore contó a SiliconRepublic.com que su amor por las matemáticas y la física fue lo que le inició en su carrera STEM. A la hora de elegir qué estudiar en la universidad, se debatía entre la informática y la biología humana. Pero esta última ganó.

«Sé que hubo un punto de inflexión en mi educación y una persona que determinó cómo llegué hasta aquí. En el último año de la mayoría de las carreras universitarias se realiza un proyecto de investigación. Básicamente, trabajas con un profesor para explorar tus ideas sobre cómo resolver un problema novedoso. El mío fue Frank», dijo.

«Como parte de esto, trabajé con un nuevo grupo de personas que fueron todas muy amables y dedicaron tiempo a ayudarme a aprender. Ninguna pregunta era demasiado estúpida. Era la primera vez que programaba. Recuerdo lo increíble que era resolver problemas matemáticos de forma automática y con una velocidad increíble. No sabía que existía un campo así en el que podía trabajar en biología y explorar mi amor por la tecnología y los ordenadores».

Esta experiencia le hizo cambiar sus planes profesionales. Hizo un máster en biología computacional, lo que ahora se conoce como bioinformática, y pasó a completar un doctorado en biofísica y diseño de fármacos.

«He visto el impacto real y tangible de la ciencia de los datos en los seres humanos», dijo. «Cómo podemos aprovechar los datos para detectar el cáncer de forma automática, para diseñar y desarrollar nuevos fármacos en un avance hacia un mundo libre de enfermedades que evite el sufrimiento y la muerte innecesarios. Puede que llegara aquí por casualidad, pero me quedé porque el impacto y los casos de uso eran simplemente increíbles».

‘Los modelos que produces como científico de datos son inútiles si no puedes explicar cómo funcionan’
– DANIEL MOORE

¿Qué le llevó a su actual puesto en Liberty IT?

Cuando terminas el doctorado o la carrera, siempre se plantea una pregunta: ¿debo seguir en el mundo académico o pasar a la industria? Sin embargo, para mí era importante un buen equilibrio entre la vida laboral y la personal, así que decidí no estudiar medicina y opté por explorar una carrera en la industria.

No fue una elección obvia. Solicité ser profesor antes de enviar mi currículum a una pequeña empresa local de nueva creación para trabajar como algo llamado «científico de datos». Era la primera vez que oía ese término y, como tenía miedo a las entrevistas, estuve a punto de no ir. Mirando atrás, me alegro mucho de haber aprovechado esa oportunidad por múltiples razones para experimentar una carrera en la industria, dentro de una start-up y como científico de datos.

Durante dos años tuve la suerte de trabajar en el sector de la movilidad en tecnologías de vanguardia como los coches autoconducidos, los dispositivos biométricos para llevar puestos y cómo podemos utilizar estos sensores para mejorar la seguridad de los conductores. Tuve la oportunidad de trabajar con algunas marcas increíbles de tecnología y de automóviles OEM, como Bentley y Volvo, y de experimentar la cultura de las start-ups, incluso trabajando en Silicon Valley durante un breve período. Sin embargo, la vida de una start-up es difícil, tu aportación determina directamente el futuro de la empresa y sientes una enorme responsabilidad.

Decidí hacer un cambio y me incorporé a Liberty IT como científico de datos senior. Lo que me atrajo de este trabajo fue la diversidad de proyectos y el impacto que podían tener. Como muchos, escuchaba la palabra «seguro» y prácticamente me dormía de aburrimiento. Sin embargo, este no es el caso aquí y los proyectos en los que tengo que trabajar pondrían este estereotipo en vergüenza.

Nunca me había dado cuenta de la repercusión que tienen los seguros en nuestra vida cotidiana, haciendo las cosas bien cuando ocurre algo desafortunado. Los proyectos en los que trabajo tienen un impacto en el día a día de las personas. Además, siempre me ha gustado aprender. La gran diversidad de proyectos en el ámbito de la visión por ordenador, el procesamiento del lenguaje natural, la elaboración de modelos predictivos y los MLOP proporcionan suficiente aprendizaje para toda la vida.

Nadie quiere hacer lo mismo día tras día, y eso es lo bueno de la ciencia de los datos en general: es una disciplina emergente y eso significa que hay que aprender y adaptarse constantemente. Es uno de los grandes aspectos de la investigación y ahora forma parte de mi carrera como científico de datos. Me encanta.

¿Cuáles fueron los mayores retos que encontró en su trayectoria profesional en el campo de la analítica?

Como científico de datos, tiendes a trabajar en la resolución de diversos problemas mediante el desarrollo de modelos estadísticos y el aprendizaje a partir de datos históricos. Sin embargo, a menudo tienes que explicar algunas ideas y tu metodología para resolver un determinado problema de la forma en que lo hiciste.

La dificultad estriba en que hay que explicárselo a una persona no técnica, la «parte interesada». Es demasiado fácil engañar a alguien y deslumbrarlo con terminología elegante y palabras de moda. La ciencia de los datos es una disciplina en la que hay que ser honesto, mostrar de forma imparcial los conocimientos que se tienen y reconocer que hay una plétora de métodos para resolver cualquier problema.

Por mucha experiencia que tengas, a veces no podrás resolver ese problema, tu enfoque puede ser incorrecto, y a menudo serás el portador de las malas noticias: «Lo siento, Sr. Interesado, no es realista entrenar un modelo para que sea 100pc preciso».

Es un reto increíble ser tan honesto con tus ideas. De hecho, para progresar en tu carrera en la ciencia de los datos a menudo parece que tienes que desarrollar el modelo de mejor rendimiento y utilizar las técnicas más sofisticadas. Ha habido momentos en mi carrera en los que he optado por tener las conversaciones más fáciles, por ser pasivo en lugar de debatir por qué un problema podría no ser posible de resolver con la ciencia de datos.

Mi consejo es que seas siempre honesto, que mantengas siempre esas conversaciones difíciles, que te opongas cuando sea necesario y que tengas la confianza de hablar abiertamente con tus interlocutores, independientemente de su antigüedad. En última instancia, la gente te respetará y confiará más en ti si lo haces.

¿Hubo alguna persona que influyera especialmente en el desarrollo de su carrera?

Diría que hubo una combinación de personas que influyeron en mi carrera. Mi profesor de la universidad, Frank, me ayudó a tener confianza para hacer las preguntas más estúpidas y despertó mi interés inicial por la investigación. Irina, mi supervisora de doctorado, me enseñó lo que supone luchar por la perfección, y mi primer jefe, Gawain, me ayudó a mostrar la realidad del mundo comercial.

Por otro lado, algunos individuos han explicado temas complejos de manera que realmente me han ayudado a entenderlos. Josh Starmer, por ejemplo, la persona que está detrás de StatQuest vídeos en YouTube. Me ayudó a apreciar que todo el mundo puede entender los temas más complejos.

¿Qué aspectos de su personalidad cree que le hacen apto para la analítica?

El rasgo más obvio es que la parte lógica de mí ama la naturaleza metódica de la ciencia de los datos. Si eres nuevo en este campo, puede parecer que hay un millón de maneras de analizar los datos o crear un modelo predictivo. Sin embargo, hay un método para la locura y, a medida que adquieres experiencia, te das cuenta de que la mayoría de los proyectos siguen un ciclo de vida similar.

Creo que hay otras áreas que se adaptan bien a la carrera de analista. Soy el tipo de persona que necesita entender completamente cómo funciona algo. Esta naturaleza inquisitiva me impulsa a hacer preguntas y llegar a la raíz de un problema. Ayuda ser inquisitivo y entender cómo su solución resolverá el problema real.

Por último, la comunicación y la colaboración lo son todo en la ciencia de datos. Puedes ser el individuo más competente técnicamente, sin embargo, los modelos que produces como científico de datos son inútiles si no puedes explicar cómo funcionan y puedes colaborar con tu equipo para llevar tu modelo a la producción, para consumir datos del mundo real y hacer percepciones procesables.

¿Qué se puede esperar de la progresión profesional en el sector de la analítica?

La ciencia de los datos es uno de los campos más diversos que se puedan imaginar. Francamente, es abrumador. La norma para ascender a un puesto más alto es profundizar en uno de los tres grandes campos de la ciencia de datos -visión por ordenador, PNL o modelización predictiva- antes de ramificarse en otra área.

Intenta ignorar la sensación de que tienes que tener conocimientos en todas estas áreas. Si lees la descripción de un puesto de trabajo que pide conocimientos en las tres disciplinas, no necesitan un solo científico de datos, sino un equipo completo de especialistas.

En Liberty IT, una de las preguntas que hacemos a todos los que empiezan es ¿qué área te entusiasma más en la ciencia de datos? En última instancia, si nunca has trabajado en un proyecto de visión por ordenador pero tienes ganas de explorar esta faceta de la ciencia de datos, te emparejarán con una persona experimentada para ayudarte a aprender y progresar en esa área.

Creo que en Liberty IT se hace mucho hincapié en la formación y el desarrollo, lo que hace que sea mucho más fácil progresar en tu carrera. Todo el mundo en nuestro equipo tiene la oportunidad de asumir otras responsabilidades que ayudan a desarrollar su carrera, como entrevistar, supervisar a empleados más jóvenes y enseñar a otros dentro de la comunidad de la ciencia de los datos. Sinceramente, es un lugar muy agradable para trabajar.

Por último, creo que hay una idea equivocada sobre la progresión de la carrera en la industria tecnológica. Muchos piensan que un ascenso significa simplemente más dinero. A medida que avanzas en tu carrera, tu responsabilidad cambia. Creo que merece la pena reflexionar sobre qué tipo de trabajo te gusta más, el aspecto técnico o la parte de gestión y estrategia.

¿Qué consejo daría a los que se plantean hacer una carrera de analista?

En mi opinión, las carreras más interesantes son las que te cuesta describir a tus padres qué es exactamente lo que haces, y en las que defines el lenguaje de tu disciplina.

La ciencia de los datos y el campo general de la analítica han sido exactamente esto para mí. Está cambiando rápidamente y hay mucho que aprender.

Si estás empezando tu carrera en el ámbito de la analítica o la ciencia de los datos, el síndrome del impostor es algo que debes tener en cuenta. No te asustes por no saberlo todo. Haz preguntas y estate abierto a aprender cosas nuevas.

10 cosas que necesitas saber directamente en tu bandeja de entrada cada día de la semana. Inscríbase en el Resumen diario El resumen de Silicon Republic de las noticias esenciales de ciencia y tecnología.