E151 - Mitos y verdades de la ciencia de datos

Resumen

El episodio 151 de enCoders repasa, en formato de mitos y verdades, creencias frecuentes sobre la ciencia de datos, con énfasis en por qué existen y hasta dónde son ciertas. Se discute que el científico de datos no debe saber todo, sino un poco de todo y profundizar en algo (perfil "T"), que no basta con una sola herramienta y que hace mucho más que modelos (limpieza, reportes, comunicación). También se analiza que big data y los algoritmos complejos no siempre son necesarios, que la calidad de los datos pesa tanto como la cantidad y que "los datos nunca mienten" es falso. En resultados y negocio se aclara que el accuracy engaña, que los modelos no son imparciales ni duran para siempre en producción (data drift, concept drift), y que el ROI no es inmediato ni las ideas siempre llevan a acciones claras. Concluyen que la IA no reemplazará todo a corto plazo y que la suerte existe, pero hay que estar preparado.

Capítulos

• 00:00
  IntroPresentan el formato del episodio: tomar mitos y verdades de la ciencia de datos y comentarlos con la audiencia. Aclaran que los mitos suelen ser falsos por absolutos ("siempre", "nunca") y que lo interesante es por qué surgen.
• 01:40
  Ester egg de Unstable Unicorns y presentaciónReconocen un unicornio del juego de mesa Unstable Unicorns, que jugaban en el trabajo, y bromean sobre su parecido con Cris. Anuncian que primero hablarán de mitos sobre trabajo y herramientas; la presentación la hizo Maca.
• 02:47
  Debatiendo la Necesidad de Conocimiento IntegralPrimer mito: el científico de datos debe saber de todo. Es cierto en parte, pero lo importante es saber un poco de cada cosa, en distintas profundidades, y ser capaz de googlear, usar prompts y aprender.
• 05:06
  Requisitos Laborales del Mundo Real - Job Description de ejemploSe lee una guía de preparación para un rol senior de consultoría que pide estadística, teoría de grafos, ML clásico, deep learning, IA generativa, MLOps, AWS, Spark, data catalogs y liderazgo. Relatan una entrevista con preguntas en vivo (la "I" de ARIMA, sistemas de recomendación basados en contenido vs. en usuarios) y critican las preguntas de memoria que GPT responde fácilmente. Concluyen que importa saber buscar, razonar y comunicar.
• 13:53
  Solo programación para ser DS?Segundo mito: solo necesitas saber R. Lo refutan por la palabra "solo": faltan conocimiento de negocio, evaluación de proyectos y comunicación. Bromean con "solo Excel y Jupyter" y comentan que en gestión se tiende a ser más generalista.
• 15:37
  Edad y Transiciones ProfesionalesResponden si la edad es impedimento para entrar a tecnología a los 40-50 años. Opinan que no es imposible pero sí más difícil, por la cultura de los equipos y la comunicación, y que depende del esfuerzo y la suerte.
• 17:01
  El Papel de la Suerte en el Éxito ProfesionalDebate largo sobre si la suerte existe, con un diagrama de líneas de tiempo alternativas (gerente de una gran empresa, de una pequeña, streamer, etc.). Concluyen que hay un mínimo de esfuerzo y disciplina necesario, que la definición de éxito es relativa y que "la suerte existe, pero hay que estar preparado".
• 27:21
  La Importancia de la Calidad de los DatosTercer mito: los científicos de datos solo hacen modelos de ML. Es falso: limpian datos, hacen estadística, gráficos, reportes rápidos, se comunican y entienden el problema de negocio.
• 28:15
  Big Data vs. Small DataEl "siempre" de "siempre necesitas big data" lo invalida. Solo tiene sentido en empresas como Facebook o Google; en la mayoría falta infraestructura y datos. Mencionan que hay bases de datos pensadas para datos pequeños (probablemente DuckDB).
• 30:04
  Complejidad de Algoritmos y EfectividadLos algoritmos complejos no siempre son mejores: pueden no explicarse (en banca a veces no se permiten por regulación) y una regresión lineal puede superar a una red neuronal si la relación es simple. Mencionan SHAP y un caso donde la plataforma solo aceptaba una regresión lineal.
• 32:23
  Automatización en Ciencia de Datos¿Reemplazará el AutoML a los científicos de datos? Algunas tareas se automatizan pero no todo. Limpieza, calidad de datos y lógica de negocio requieren criterio humano.
• 38:03
  "Los datos nunca mienten" MENTIRAAntes, debaten si más datos siempre es mejor: la calidad pesa, hay riesgo de envenenamiento, y solo en el límite de tiempo infinito podría ser cierto. Luego sostienen que los datos sí mienten: sesgos, errores de medición, manipulación y confusión entre correlación y causalidad. Alguien cita "dato mata relato".
• 40:46
  MemesPausa de memes: los ingenieros de IA antes entrenaban modelos desde cero y ahora hacen fine-tuning de GPT en una tarde, y hay confusión sobre entender lo que se hace. Comentan la ola de contenido de n8n (prometen un capítulo), la presentación como "experto" en reuniones y la importancia de entender el porqué y seguir estudiando.
• 47:30
  Predicción en la bolsa con DS¿Se puede predecir la bolsa y hacerse millonario? Mencionan Renaissance Technologies, fundada por el matemático James Simons, con 66% de rentabilidad anual promedio en 30 años, contratando solo matemáticos y con modelos secretos. Advierten que es muy difícil y que en Kaggle los modelos suelen estar sobreajustados.
• 52:39
  Accuracy como métrica principalMito: 95% de accuracy significa un modelo excelente. Con clases desbalanceadas (un positivo en un millón) un modelo que dice todo negativo alcanza 99,99% y no sirve. Comentan que se enseña por simple y que en la práctica usan más recall y métricas custom.
• 57:26
  La Métrica F-Beta y su ImportanciaEl F-beta es un promedio armónico ponderado entre precisión y recall; F1 es el caso con beta igual a 1. Sirve para ponderar cuánto cuesta cada tipo de error (falsos positivos vs. falsos negativos).
• 58:28
  Imparcialidad en los Modelos de Machine LearningLos modelos no son imparciales: heredan sesgos de los datos (género, estatus económico). Debaten si son objetivos respecto de los datos de entrenamiento, y tratan el umbral de corte y la curva ROC, que no dice qué tan bueno es un modelo al aplicarlo.
• 01:15
  Desafíos en la Implementación de Modelos en ProducciónMito: buen desempeño en entrenamiento garantiza lo mismo en producción. No es así: hay data drift, concept drift, procesos manuales y falta de CI/CD. Debaten si detectar cambios en los datos es tarea de data science o de ingeniería de datos y concluyen que es comunitario.
• 01:05:17
  El ROI en Proyectos de Ciencia de DatosMito: la ciencia de datos genera ROI inmediato. Implementar toma meses, hay que coordinar áreas y a veces falta involucrar a quien debe implementar. Critican a los vendors que prometen ROI fácil y discuten el cortoplacismo de las empresas, la dificultad de valorizar proyectos estratégicos y los planes de negocio con supuestos débiles.
• 01:15:45
  Acciones claras? - Problemas burocráticos y políticosLos insights no siempre llevan a acciones claras por limitaciones y resistencia al cambio de la organización, o porque no se encuentra nada. Recomiendan definir stakeholders y un entregable claro al inicio. Bromean sobre el "lado oscuro" de confundir con el storytelling y sobre el ruido en las organizaciones grandes.
• 01:19:53
  Reemplazar la intuición de negocioLos datos no reemplazan la intuición de expertos de negocio, que a veces acierta el orden de magnitud. Hay que argumentar bien cuando el resultado contradice su intuición. Debaten si "científico de datos es la profesión más sexy", desaconsejan entrar solo por el dinero y explican cómo manejan proyectos sin resultados: ser honestos, presentar lo probado y "matar" el proyecto si no da.
• 01:26:51
  El Futuro de la Inteligencia Artificial y el Trabajo Humano¿La IA reemplazará todos los trabajos? En el corto plazo no; en el futuro no se sabe. Se necesita experiencia humana.
• 01:27:37
  Limitaciones de los Modelos GenerativosLos modelos generativos no resolverán todos los problemas de datos: pueden alucinar y requerirían muchos agentes especializados.
• 01:28:46
  La Predicción y el Mundo DeterministaMito de que los datos permiten predecirlo todo. Ponen como contraejemplo el movimiento aleatorio o lanzar una moneda, y derivan en la pregunta filosófica de si el universo es determinista.
• 01:29:25
  CierreInvitan a dejar mitos e ideas en Discord, mencionan un debate sobre modelos de forecasting y proponen un próximo formato de "frases polémicas". Anuncian que el capítulo de n8n está planificado para dentro de dos semanas.

Palabras clave