Carta a los Reyes de un Data Scientist.

Queridos Reyes Magos,

Como todos los años, los Data Scientist tenemos una carta preparada con el listado de regalos que queremos para nuestros proyectos para este 2022. Como sabemos que no es posible tener todos los regalos que queremos, sólo pediremos cuatro.

1 Resolver problemas con datos, no sólo desarrollar modelos

Es muy distinto desarrollar un modelo que resolver un problema de negocio. Al plantear un desarrollo como una necesidad de un modelo, no se está atacando las bases de por qué se necesita en un principio, y más aún, es perfectamente posible que en vez de un modelo de ML, un algoritmo de búsqueda pueda ser más preciso y eficiente resolviendo los problemas. Una de las principales tareas de un Data Scientist es entender el contexto en el que existe el negocio y su relación con los datos, al incluir al Data Scientist en el planteamiento del problema necesariamente se fuerza ese traspaso de conocimientos desde negocio.

Ante este planteamiento es lógico pensar que las horas de los Data Scientist son limitadas e igual es mejor que se enfoquen únicamente al desarrollo e implementación del modelo, pero sólo basta pensar en las semanas que se pueden perder ante un error en el planteamiento para que dedicarle un tiempo a plantear los problemas con los Data Scientist empiece a tener sentido.

2 Libertad de experimentar

Ser Data Scientist en estos tiempos es ser un niño en una tienda de juguetes, hay opciones para jugar hasta hartarse, pero el jugar es absolutamente necesario y no siempre ocurre. Por ejemplo, para un problema de Clasificación podríamos con los ojos cerrados elegir un XGBoost y quedarnos contentos (y tener el modelo listo en tiempo record, con lo que el Product Owner también lo estaría), pero es importante que exista un espacio para experimentar con distintas soluciones y enfoques por dos razones:

• Muchas veces nos podemos quedar con un modelo baseline cuando existen opciones que pueden ser más eficientes y simplemente si no las buscamos por ir más rápido podemos estar con una solución subóptima. Adicionalmente, distintos modelos nos pueden ayudar a encontrar ciertos problemas que no habíamos visto en los datos, como por ejemplo que no funcione bien en un segmento específico de la población objetivo.
• La razón más importante es la más superflua: realizar distintas pruebas, hacer distintos planteamientos y probar los últimos modelos es divertido. Mantener interesante el trabajo del data scientist hace que se desarrolle a gusto y lleva a adquirir técnicas que pueden ser muy útiles a futuro.

3 Entornos de desarrollo iguales a los de producción

A quién no le haya pasado que levante la mano: llega el momento de hacer los pases a producción y los resultados que se obtienen son distintos a los que se tenían en desarrollo o simplemente da fallos por todas partes. Para evitar los dolores de cabeza más grandes es esencial partir los proyectos con el paso a producción en mente. Para esto viene bien:

• Tener muchos (y muchísimos) ejemplos reales de cómo serán las peticiones que se le harán a la API, tanto para individuales como batch requests.
• Comprobar que tenemos la misma versión de Python en dev que en pro (el autor de este artículo ha sido culpable de esto). En esta línea tener un requirements.txt actualizado que se pueda pasar a pro está siempre bien para que las librerías se mantengan constantes a futuro y una actualización no nos tire el código.
• Tener definidas y documentadas las variables de entorno y saber cuáles cambiarán al hacer el paso a Producción.

4 Formación y tiempo de formación

Este regalo es el de la caja más grande y más colorida de todas. Queremos dedicar una pequeña parte de todos nuestros días a la formación. Data Science es un área que está avanzando diariamente y quien no estudia se está quedando atrás. El gran problema que tiene este regalo es que es difícil encontrar tiempo cada día con el frenesí que puede haber en períodos de más carga de trabajo y a veces éstos se encadenan uno tras otro, por lo que es fácil que pase el tiempo sin haber hecho ninguna formación de verdad.

La solución a esto va por dos partes, Data Scientist y el equipo.

• Por parte del Data Scientist es la poderosa estrategia para bloquear un hueco pequeño en la agenda y tener un listado de cursos, vídeos y artículos listos para empezar a ver rápidamente. De esta manera se hace la formación de manera eficiente y automática, lo que ayuda para ser constante.
• Por parte del equipo de desarrollo, es importante normalizar y priorizar la formación, a corto plazo es entendible que hay presiones más grandes, pero a largo plazo la formación continua es esencial para alcanzar mejores resultados en todo el equipo.

Sabemos que son bastantes regalos y será difícil conseguirlos, pero hemos sido buenos este año y con ellos el 2022 lo haremos aún mejor.

Atentamente,

Los Data Scientist