- Resumen de un AMA en el canal DataScience de Reddit realizado por un Staff Data Scientist de una gran empresa tecnológica ubicada en Silicon Valley, EE. UU.
- Tiene un doctorado en estadística, alrededor de 10 años de experiencia y ha pasado por empresas de distintos tamaños: startups, unicornios pre-IPO y FAANG
- Ha trabajado principalmente como IC (Individual Contributor), aunque también tiene algo de experiencia en gestión
- Sus principales fortalezas son machine learning, experimentación/inferencia causal y análisis de datos
Resumen de preguntas y respuestas principales
¿Qué valor tiene un PhD (doctorado)?
- Tener un doctorado ayuda para conseguir el primer empleo o en la etapa inicial de la carrera, pero su impacto disminuye a medida que se acumula experiencia profesional
- La industria, especialmente Silicon Valley, se enfoca en la velocidad y el valor de negocio; la practicidad suele pesar más que el rigor académico
- Si pudiera decidirlo de nuevo, probablemente no invertiría más de 5 años en hacer un doctorado. Las tendencias de la industria y el avance de la IA cambian demasiado rápido
- Para puestos de investigación en IA sí se necesita un PhD, pero para roles de DS/ML enfocados en producto, una maestría o licenciatura también es suficiente
Carrera y desarrollo profesional
- Para ascender desde IC a Senior o más, hay que generar impacto más allá del equipo y contribuir a la estrategia y la organización
- Es clave construir confianza, liderar proyectos cross-functional y desarrollar relaciones con ejecutivos y managers
- Para tener éxito en una startup: se necesita un perfil todoterreno capaz de cubrir varios frentes (ML end-to-end, pipelines de datos, análisis) y pasión por el negocio
- Al inicio de la carrera pesa más la capacidad técnica; en etapas medias y avanzadas, el conocimiento del dominio y la comunicación/liderazgo se vuelven más importantes
El futuro de los data scientists y la IA
- La IA reemplaza rápidamente tareas simples y repetitivas, pero los data scientists con capacidades sólidas terminan destacándose más
- Desde la adopción de la IA generativa, la forma de trabajar (programación, redacción de documentos, etc.) ha cambiado, pero el rol central (análisis, modelado, etc.) sigue siendo válido
- En el futuro la IA podría abarcar más áreas, pero resolver problemas complejos, interpretar el dominio y saber comunicarse seguirán siendo criterios clave del talento
Trabajo práctico y cultura organizacional
- La importancia de la inferencia causal/experimentación (AB Test) varía según el dominio. En entornos donde no se puede experimentar, es indispensable saber hacer inferencia causal con datos observacionales
- Al comunicarse con el negocio o con líderes: conviene enfocarse menos en el detalle técnico y más en explicar el “por qué”, el “qué se va a hacer” y el impacto
- Si la cultura organizacional no valora la inferencia causal o la calidad de los datos, hay límites para la comunicación y el cambio. Puede ser necesario considerar cambiar de equipo o de empresa
- Cuando un manager no reconoce el problema, conviene construir confianza, proponer soluciones y, si hace falta, considerar una movilidad interna o renunciar
Desarrollo de habilidades y consejos para conseguir trabajo
- Al inicio de la carrera, son importantes las pasantías, el portafolio y la experiencia en proyectos. Las habilidades técnicas (programación, ML, etc.) son la expectativa mínima
- El conocimiento del dominio, la comunicación y la capacidad de resolver problemas serán puntos de diferenciación aún mayores en la era de la IA y la automatización
- Más que los títulos o certificaciones, pesan más los proyectos reales y la experiencia práctica
- En la contratación del sector se valora mucho la “experiencia”. Se recomienda acumular prácticas, consultoría y proyectos variados
Otras ideas interesantes
- Señales de que una startup va a fracasar: caída de la moral, salida de personal clave, deterioro de métricas críticas, etc.
- Habilidad política: enfocarse en proyectos alineados con la estrategia de la organización y construir relaciones influyentes
- Salarios altos/beneficios: en cargos altos de big tech como Netflix, una compensación superior a $750k es realista (incluyendo acciones)
- Satisfacción profesional: salvo por la escala de datos, el trabajo en big tech puede ser bastante rutinario; está explorando proyectos paralelos para crecer y divertirse
Aún no hay comentarios.