Qué es ser un científico de datos full-stack en una startup
¿Qué es un científico de datos full-stack en una startup?
Aceleración constante, altamente colaborativo y siempre aprendiendo
En los últimos ~12 meses he estado trabajando como Científico de Datos en una startup en el espacio de la tecnología de la salud. Me uní como uno de los dos Científicos de Datos en el equipo, lo que básicamente significa que necesitábamos ser ingenieros y científicos completos para hacer el trabajo y construir sistemas escalables que prepararan a la empresa para el éxito en el futuro.
En este tiempo, he aprendido más que en cualquier otro puesto que haya tenido y esta pieza muestra tres ideologías principales que resumen mi experiencia hasta ahora.
Esencialmente, necesitas ser un paradigma. Tienes que caminar por la delgada línea entre mundos que a menudo están en desacuerdo entre sí. Este aspecto del trabajo puede ser realmente difícil de destacar, ya que a menudo implica que hagas mucho más de lo que la mayoría de los otros roles te piden. Pero para aquellos que tienen hambre de una experiencia de aprendizaje intensamente gratificante, es inigualable.
Ser un Constructor y un Estratega
Cuánto tienes que construir realmente depende de qué tan temprana sea la startup y cuántas personas haya en los equipos de Ciencia de Datos/ML, Ingeniería de Datos y Análisis de Datos. En cualquier caso, probablemente recaerá sobre ti no solo operar la pila completa de ML (desde la ingestión de datos hasta la implementación), sino también construir una plataforma para mejorar futuros proyectos.
En muchas ocasiones, esto implica estar en reuniones con los principales interesados del negocio y crear modelos que impacten directamente en la línea de fondo. Esto se hace comúnmente con la mayoría de los proyectos de datos, pero a menudo puede haber mucho más ruido en este tipo de escenario. Por definición, estás trabajando en un espacio que intenta hacer algo novedoso o resolver un problema de una manera que brinde un mayor valor a tus clientes que tus competidores. Esto significa que es probable que no trabajes en proyectos de ML tradicionales haciendo lo que todos ya están haciendo y definitivamente no te van a entregar el proyecto; serás responsable de intentar construir algo nuevo. Ya sea un enfoque novedoso para la curación de conjuntos de datos, ingeniería de características, modelado, aplicación de modelos o todo lo anterior, deberías intentar innovar (siempre manteniéndote ético y dentro de los límites legales, obviamente).
