Sin duda, la IA está acelerando el trabajo de los científicos de datos, pero también está destruyendo silenciosamente la forma en que se desarrollan las habilidades en ciencia de datos. Dado que el copiloto, los procesos automatizados y los modelos cada vez más capaces requieren más trabajo práctico, el papel del científico de datos está cambiando hacia el diseño de soluciones y la resolución estratégica de problemas.
Si bien esta puede ser una evolución bienvenida para aquellos que se han ganado su prestigio en el campo durante mucho tiempo, introduce un riesgo, uno que muchas organizaciones en general están subestimando: las pérdidas por repetición y práctica que frenan esta habilidad.
Vicepresidente de ciencia de datos y aprendizaje automático en Pluralsight.
Al reducir la experiencia de primera mano y los desafíos de resolución de problemas, la automatización impulsada por la IA socava las habilidades fundamentales necesarias para verdaderas habilidades de ciencia de datos y pensamiento a nivel de sistemas. Según la investigación de Anthropic, los desarrolladores que delegaron tareas completamente a la IA mostraron peores resultados de aprendizaje incluso si las ganancias de productividad fueron pequeñas.
A lo largo de los años, desarrollar habilidades en ciencia de datos ha significado pasar tiempo más cerca del trabajo. Esto incluye tareas como limpiar conjuntos de datos desordenados, analizar datos exploratorios, ingeniería manual de funciones, interpretar los resultados del modelo y diagnosticar por qué un modelo tiene un rendimiento deficiente.
Es posible que este tipo de trabajos no siempre sean eficientes, pero son efectivos. Repetir los pasos, quedarse atascado, descubrir qué salió mal y repetir genera conocimiento y una comprensión más profunda. La interacción iterativa y directa con datos, herramientas y códigos transforma el conocimiento en habilidades y luego en dominio.
Pero hay una tensión: los aspectos de la IA que hacen que los profesionales sean más productivos (automatización, velocidad y esfuerzo manual reducido) también están eliminando muchos de los flujos de trabajo prácticos y repetitivos que históricamente ayudaron a los científicos de datos a desarrollar profundidad técnica y experiencia duradera.
señal de advertencia
El impacto en los científicos de datos es inmediato y algo invisible. Cuando las posibles respuestas están a solo un mensaje de distancia, hay menos incentivos para internalizar patrones o desarrollar modelos mentales que permitan el pensamiento y el juicio críticos independientes.
Con el tiempo, los profesionales pueden completar tareas con la ayuda de la IA, pero tienen dificultades para diagnosticar problemas, adaptar métodos a contextos desconocidos o evaluar si los resultados generados por la IA son realmente precisos. En un caso donde los casos extremos y el desenfoque son la norma, esa brecha es importante.
Sin las adaptaciones necesarias para reconocer y mantener las competencias básicas, las organizaciones comenzarán a notar señales de advertencia al juzgar, solucionar problemas y cuándo cuestionar los resultados de la IA.
La forma en que las organizaciones hagan que sus equipos técnicos y científicos de datos piensen en lugar de trabajar en sistemas y al mismo tiempo fortalezcan esas habilidades técnicas básicas marcará la diferencia para garantizar que estas señales de advertencia no se conviertan en impactos negativos claros y obvios en la organización.
El compromiso práctico fortalece la comprensión
Aquí es donde las organizaciones deben ser intencionales. No todas las tareas necesitan estar completamente automatizadas. El objetivo no es necesariamente frenar la adopción de la IA o forzar el regreso a flujos de trabajo totalmente manuales, sino garantizar que a medida que el trabajo se vuelve más eficiente, no se produzca aprendizaje.
Aquí hay tres marcos que pueden ayudar a los líderes a ser más intencionales sobre dónde y cómo se practican las habilidades, de modo que la IA refuerce el aprendizaje y las habilidades:
A nivel organizacional, dedique tiempo de aprendizaje a cerrar el círculo entre las tareas de apoyo, la retención de conocimientos y la práctica intencional de los fundamentos. Si la degradación de la eficiencia no es visible en las métricas de productividad, los líderes deberían implementar métricas de eficiencia y evaluaciones periódicas.
A nivel de equipo, las revisiones de pares y gerentes son importantes para crear responsabilidad por un juicio independiente. Revisa no sólo el resultado sino también la lógica y crea un entorno en el que los miembros del equipo se desafían entre sí para explicar por qué funcionan las cosas.
1. A nivel organizacional, dedique tiempo de aprendizaje a cerrar el círculo entre las tareas de apoyo, la retención de conocimientos y la práctica intencional de los fundamentos. Si la degradación de la eficiencia no es visible en las métricas de productividad, los líderes deberían implementar métricas de eficiencia y evaluaciones periódicas.
2. A nivel de equipo, las revisiones de pares y gerentes son importantes para crear responsabilidad por un juicio independiente. Revisa no sólo el resultado sino también la lógica y crea un entorno en el que los miembros del equipo se desafían entre sí para explicar por qué funcionan las cosas.
3. A nivel individual, el principio clave es involucrarse con el problema y ser intencional con respecto a los trabajos que abordará y lo que delegará a la IA. En algunos casos, vale la pena tener un espacio dedicado para que los profesionales interactúen más directamente con el trabajo subyacente, como explorar datos sin automatización o validar paso a paso los resultados generados por IA. La investigación de Anthropic anterior respalda una versión específica de esto: usar la IA para comprender, no solo producir.
Fomentar estos momentos de participación más profunda y práctica entre las organizaciones fortalece la comprensión y las capacidades a largo plazo de una manera que el gasto pasivo no puede lograr.
Aprender haciendo hace posible el dominio
La era de la IA está redefiniendo lo que significa ser un científico de datos. A medida que herramientas más rápidas y flujos de trabajo más automatizados abren nuevas posibilidades, los equipos pueden centrarse en problemas más complejos. Pero la eficiencia no se deriva únicamente de la velocidad. A menudo se construye mejor a través de la experiencia y el conocimiento de los conceptos básicos.
A medida que las organizaciones continúan adoptando la IA, el desafío es preservar las condiciones que crean experiencia real. Las prácticas de la “vieja escuela” que alguna vez definieron la ciencia de datos (aprendizaje a través del trabajo práctico, la iteración y la fricción) son los procesos que permiten el dominio. Garantizar que la tecnología haga que el trabajo sea más fácil de adquirir y no más difícil será fundamental en un futuro impulsado por la IA.
Hemos presentado las mejores herramientas de IA.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
