E111 - Rodrigo Assar: Transición a DS desde otras carreras

Resumen

Rodrigo Assar, ingeniero matemático con doctorado y pasado académico en la Facultad de Medicina, cuenta su transición desde la academia y la bioestadística hacia la ciencia de datos en la industria (hoy en SoftServe). Explica cómo pasó de R y MATLAB a Python, por qué dejó la academia (querer ver el mundo real y una diferencia de sueldo cercana al doble) y qué disfruta de su trabajo actual. Se discuten el valor de saber estadística (test de hipótesis, A/B testing), cómo decirle a un cliente que sus datos no sirven, y hasta dónde salirse del rol de DS. También se tratan magísteres, doctorados, bootcamps y cambios de carrera graduales. Las conclusiones principales son que lo central es mantenerse abierto a aprender, comunicarse bien (incluido el inglés), ser resolutivo y aprovechar el background previo mostrando qué es generalizable a otras áreas.

Capítulos

• 00:00
  IntroPresentación de Rodrigo Assar: ingeniero matemático, ex académico de la Facultad de Medicina, ahora en SoftServe (empresa de origen ucraniano). Hablan de hobbies (viajar, tenis, la retirada de Nadal) y de cómo se conocieron, cuando Rodrigo fue su profesor de estadística computacional.
• 05:00
  Cómo fue tu camino para llegar a Data Science?Entró a ingeniería civil por plan común y descubrió ingeniería matemática a fines de los 90. Su memoria trabajó árboles de clasificación y regresión en un problema biomédico (hacia 2004, antes de la masificación de "Random Forest"), primero en MATLAB y luego en R. Comenta cómo cambió la malla de ingeniería matemática hacia especializaciones.
• 11:24
  Lenguajes de programaciónR es más fuerte en bioestadística y Python es más general y está más presente en la nube (Amazon, Azure). Mencionan Shiny, Julia y Java, y explican que muchas empresas pasan los prototipos a Java para operarlos, aunque las imágenes y las APIs permiten evitar reescribir código.
• 19:33
  Qué hace Softserve?Empresa de tecnología y software con fuerte énfasis en IA, con clientes como Google y Amazon, además de minería. Rodrigo trabaja en un proyecto de IA en salud que extrae información de publicaciones científicas para resúmenes y búsquedas inteligentes.
• 21:20
  En qué momento y por qué decidiste el cambio?Quiso salir de la academia hacia el mundo real. Tras trabajar en Pfizer con estadística más clásica (test de hipótesis, p-valores), descubrió el término ciencia de datos y quiso llevar los resultados a productos útiles, no solo a papers.
• 25:50
  La razón monetariaEl sueldo actual es casi el doble de lo que recibiría si hubiera seguido en la academia. Mantiene docencia vespertina (magíster de informática médica, UDLA, Adolfo Ibáñez) y publicaciones en paralelo.
• 28:30
  Puesto de director científicoSu puesto ideal sería director científico o de I+D, rol que existe en empresas como Meta o Google, con equipos de investigación a largo plazo. Es poco común en empresas pequeñas.
• 30:07
  Transiciones desde matemáticas y estadísticaMatemática/estadística es un buen punto de partida porque permite entender por qué funcionan los modelos, valor creciente con las "cajas negras". Los fundamentos de test de hipótesis son clave, por ejemplo en A/B testing.
• 33:17
  Cómo vender la investigación a los "altos mandos"La investigación a largo plazo no necesariamente la hace la misma empresa: se puede vincular con universidades vía magísteres, convenios, fondos o prácticas y memorias. Rodrigo arma puentes en "SoftServe University" con universidades y centros de investigación.
• 37:03
  La parte de tu trabajo que más disfrutasDisfruta la comunicación con el cliente para descubrir sus problemas reales, el modelamiento y el paso a prototipo. Le ha perdido gusto a programar en sí y se ha interesado por el empaquetado y MLOps.
• 39:33
  Qué fortalezas te diferencian e influencia de los estudiosLa ingeniería matemática da resiliencia y base estadística; el doctorado (en Francia, en INRIA) le abrió la mirada y lo conectó con investigación aplicada. Comentan además lo difícil de planificar proyectos de ML con sprints ágiles.
• 45:32
  Cómo decirle a un cliente que el proyecto es infactibleHay que "evangelizar" que un modelo no es una ley física fija y que requiere datos. Sin datos ni reglas de negocio se puede decir directamente que no sirve; en empresas grandes lo comunica alguien de negocio. Cuenta un caso de imágenes de autos mezcladas con fotos de pájaros, perros y gatos.
• 49:30
  Hasta qué punto quedarse en el rol de DS versus hacer más cosas para que un proyecto funcioneDepende de la empresa: en startups se puede mover la frontera hacia ingeniería de datos y desarrollo (APIs, endpoints), lo que da visibilidad. Se destaca ser resolutivo: aprender, comunicarse y pensar. Rodrigo agrega que hoy no tomaría el camino largo del doctorado.
• 55:37
  MemesPausa de memes del Discord con comentarios sobre cambiar de carrera, que las carreras duran menos y la IA, y la costumbre de no actualizar el currículum. También se menciona la calidad de vida y el trabajo remoto como motivación de cambio.
• 01:01:21
  Cuándo puede ser bueno hacer un megister?Un magíster sirve si falta el título o ciertos conocimientos, y menos si ya hay mucha experiencia. Los vespertinos en paralelo al trabajo y tener 1-3 años de experiencia previa ayudan; los doctorados industriales son otra vía.
• 01:05:52
  Cambios de carrera progresivosLos cambios suelen ser graduales, aprendiendo en el trabajo, y también verticales (hacia management). Aconsejan demostrar interés dentro de la empresa y estudiar fuera del horario para que piensen en uno cuando surja la oportunidad. Un comentario del chat sugiere tener director de tesis y tema definidos antes de un doctorado.
• 01:09:07
  Cómo usaste tu experiencia anterior para hacer el cambio?Rodrigo argumentó que lo hecho en medicina era generalizable, por ejemplo prevenir la enfermedad de un paciente frente a anticipar fallas en camiones mineros. Aconseja preguntarse qué habilidades propias se aplican en ciencia de datos, y menciona casos desde ingeniería comercial, periodismo y emprendimiento.
• 01:16:05
  Pros y contras de diferentes caminos a ciencia de datosLos caminos formales dan bases robustas y redes de contactos, pero el cartón solo no basta: lo clave es el deseo de aprender, que se refuerza también con bootcamps, cursos y YouTube. El doctorado además permite dejar huella científica.
• 01:20:58
  Importancia de la visión multidisciplinariaInteractuar con físicos, ingenieros y médicos le dio adaptabilidad de lenguaje y comunicación. Destaca la importancia del inglés, que usa gran parte del tiempo en el trabajo.
• 01:24:02
  Cambiarías algo de orden en lo que hiciste?Pospondría el doctorado para entrar antes a la industria, y luego hacerlo con una tesis de interés para la empresa. Aprendió inglés al exponer en el extranjero durante el doctorado.
• 01:26:17
  Más sobre SoftserveMuestra la web de la empresa (IA, cloud, testing, arquitectura, computación cuántica, realidad aumentada, robótica) y un avatar de IA generativa hecho con NVIDIA para orientar a pacientes antes de ir al médico.
• 01:31:18
  Exigencia al postularLos avisos son exigentes (PhD/Master, inglés C1), pero no hay que cumplir todo: Rodrigo no tiene C1 certificado. Con 4-5 años de experiencia se puede ser senior; recomienda preparar las preguntas canónicas de entrevista, aprender a usar la nube y comenta que no hacen entrevistas de programación en vivo.
• 01:35:56
  CierreMensaje final: mantenerse abierto a aprender y atento a las oportunidades. Comentan el problema de los puestos junior y cómo SoftServe University forma juniors, y los anfitriones agradecen e invitan a suscribirse y unirse al Discord.

Palabras clave