La ciència de dades com a disciplina, i les habilitats específiques en aprenentatge automàtic, anàlisi i algorismes de formació, tenen una gran demanda.
És un camp que ha augmentat en popularitat durant la darrera dècada i que s’espera que creï 11,5 milions més llocs de treball nous només als EUA el 2026.
Aleshores, com és treballar com a científic de dades i què necessites saber si estàs pensant a començar la teva carrera allà (o a fer una transició més endavant)?
vaig preguntar Naveed Ahmed Janvekarun científic sènior de dades de Seattle que treballa a l’equip de prevenció de fraus i abusos d’Amazon, per compartir el seu recorregut professional.
Fes una ullada a la seva història i als consells que té per a aquells interessats a seguir una carrera en ciències de dades.
Una espurna: utilitzar l’aprenentatge automàtic per resoldre problemes del món real
Què et va portar a una carrera en ciència de dades?
Naveed Janvekar: El meu interès per l’aprenentatge automàtic va créixer quan treballava per a Fidelity Investments com a desenvolupador de programari.
Vaig tenir col·legues que treballaven com a analistes amb dades per identificar tendències, cosa que em va fer tenir curiositat per explorar aquest camp. Així que vaig començar a analitzar les meves transaccions financeres personals per generar tendències i coneixements.
Això va fer passar més temps investigant l’aprenentatge automàtic i com es podria aprofitar per modelar patrons repetitius per predir resultats futurs i utilitzar-lo al nostre avantatge per resoldre problemes crítics a escala.
Per tal d’aconseguir una millor experiència en aquest domini, vaig decidir cursar el meu màster en Ciències de la Informació amb una especialització en aprenentatge automàtic i analítica.
Després de la graduació, vaig treballar a diverses empreses amb seu als Estats Units en diferents rols analítics, com ara analista de Nanigans (una startup AdTech amb seu a Boston), desenvolupador d’intel·ligència empresarial a KPMG i científic sènior de dades a Amazon.
El paper de la IA en la seguretat de les dades
Quin paper juga l’aprenentatge automàtic en el vostre treball com a científic de dades sènior d’Amazon?
Naveed Janvekar: L’aprenentatge automàtic i la ciència de dades tenen un paper vital en la meva feina a Amazon.
A l’equip de prevenció d’abús, utilitzem diversos algorismes de classificació i algorismes d’aprenentatge profund per detectar fraus i abús a la plataforma.
L’aprenentatge automàtic ajuda a aconseguir l’escalabilitat i detecció d’alta precisió en comparació amb la detecció tradicional d’abús basada en regles i/o heurística.
A mesura que els comportaments d’abús es tornen complexos amb el pas del temps, l’aprenentatge automàtic ens ajuda amb aquest repte, ja que tornem a formar models constantment amb els darrers patrons/comportaments d’abús.
He presentat patents d’invents relacionats amb la detecció d’abús emergents a la plataforma mitjançant l’aprenentatge automàtic.
Comunicació d’informació basada en dades
Quina habilitat o experiència inesperada creus que t’ha ajudat com a professional de la ciència de dades?
Naveed Janvekar: Com a professional de la ciència de dades, m’ha ajudat més l’habilitat d’aconseguir experiència en el domini i poder comunicar de manera eficaç i simplista els coneixements als grups d’interès empresarials.
Quan vaig començar el meu viatge a la ciència de dades, vaig posar molt més èmfasi en els detalls tècnics que en ser un narrador eficaç.
Però durant els darrers anys, m’he adonat que poder comunicar narratives i coneixements de la ciència de dades o l’aprenentatge automàtic és tan important com la implementació. estratègies d’aprenentatge automàtic.
Treballar juntament amb algorismes per crear canvis
Com haurien d’adaptar les empreses el seu enfocament en aquest espai per avançar?
Naveed Janvekar: En el passat, la prevenció del frau es feia tradicionalment mitjançant regles heurístiques empresarials.
Si heu observat que un determinat patró apareix amb freqüència al llarg del temps, podeu introduir una regla empresarial per marcar el mateix patró en el futur.
Tanmateix, aquesta és una solució a curt termini. No segueix l’evolució dels patrons de frau.
Aquí és on entren i tenen l’aprenentatge automàtic i la IA va canviar el paisatge.
Ara, els models s’entrenen utilitzant dades històriques a través de múltiples comportaments de frau, fent que aquests models siguin robusts i ajudant als algorismes a aprendre comportaments complexos, que és molt més difícil de fer per als humans.
Les empreses han començat a utilitzar l’aprenentatge automàtic per a la detecció de fraus. Ara s’han de centrar en aspectes com ara el reciclatge automatitzat de models per capturar els últims comportaments en el frau i fer que els models siguin molt precisos.
Això ajuda a automatitzar les accions com a resultat de la sortida del model, en lloc de requerir auditors humans per avaluar les entitats sospitoses que s’han marcat després del fet.
Treballar amb dades i algorismes pot ser un repte
Però què fa que sigui emocionant i divertit?
Naveed Janvekar: M’ha agradat l’enginyeria de funcions a partir de les dades, que treu el meu costat creatiu.
A partir de l’experiència del domini, els científics de dades poden recopilar les dades de diferents maneres per respondre a les preguntes dels grups d’interès empresarials, realitzar anàlisis exploratòries de dades, trobar correlacions entre variables i realitzar enginyeria de característiques per a un millor rendiment del model.
Pel que fa als algorismes, sempre he experimentat amb l’entrenament de diferents tipus en conjunts de dades d’entrenament, realitzant avaluacions i aprofundint en per què determinats algorismes funcionen millor que altres.
Això m’ajuda a obtenir una comprensió més profunda d’aquests algorismes i situacions on funcionen i on no.
Tot això fa que la feina sigui divertida i emocionant per a mi.
Formant part de la comunitat de ciència de dades
Quin és un consell útil que voldríeu compartir amb els principiants en ciències de dades que estiguin interessats en les seves aplicacions en màrqueting i comerç i que vulguin perfeccionar-se en aquest camp?
Naveed Janvekar: Un suggeriment útil seria participar en investigacions i invents dins de l’aprenentatge automàtic i ciència de dades domini.
Forma part de grups de treball que estan intentant resoldre problemes de la teva àrea d’interès mitjançant l’aprenentatge automàtic.
Contribuïu a la seva investigació, obteniu comentaris dels companys, publiqueu articles i presenteu patents.
Mitjançant aquests mecanismes, esteu contribuint activament a la comunitat científica, aprenent constantment dels companys i millorant-se.
També és una bona idea tenir un mentor de ciència de dades.
Mantenir-se al dia amb les tendències de SEO
Com es manté un científic de dades al dia i informat en l’àmbit del SEO?
Naveed Janvekar: En l’àmbit del SEO, l’aprenentatge automàtic ajuda a entendre les consultes, la cerca per veu i la personalització.
Els científics de dades poden explorar l’aplicació de diversos algorismes d’última generació per a casos d’ús de SEO per mesurar l’eficàcia dels algorismes més nous.
En fer-ho, els científics de dades estaran al dia de les últimes tendències del sector, així com actualitzarà la pila d’aprenentatge automàtic a les empreses relacionades amb el SEO.
Hi ha diverses revistes i conferències, com ara el Conferència Internacional IEEEsobre aprenentatge automàtic i aplicacions per ajudar-vos a obtenir més informació sobre les últimes tendències d’aprenentatge automàtic.
No està directament relacionat amb el SEO, però us ajudarà a entendre els avenços tecnològics que pertorbaran el vostre espai a continuació.
Més recursos:
Imatge destacada: cortesia de Naveed Janvekar
