E36 - Cuales pueden ser algunas especializaciones en Data Science

Resumen

En este episodio (36) los conductores discuten qué especializaciones puede desarrollar un Data Scientist a medida que avanza desde un perfil "todista" junior. Distinguen entre especializarse por rubro (banca, minería, retail, salud, etc.) y por tipo de problema o técnica (computer vision, NLP, geoanálisis, series de tiempo, datos tabulares, diseño de experimentos, LLM). Debaten si conviene elegir según el gusto personal o según la demanda: la banca concentra la mayor parte de los empleos y los mejores sueldos, pero con restricciones de herramientas y de modelos. Concluyen que, con la saturación futura del mercado, una especialización permite diferenciarse. También opinan que herramientas como ChatGPT aumentan la productividad sin reemplazar el criterio del analista. Cierran con una encuesta sobre qué especialización elegiría cada uno para toda la vida (ganó computer vision) y un gráfico de habilidades por industria.

Capítulos

• 00:00
  IntroPresentan el tema: un Data Scientist parte haciendo "de todo" y con el tiempo se especializa. Aclaran que hablan de especialidades (lenguaje, técnica, rubro, plataforma) y no de roles como Data Engineer. Mencionan especialidades como R, plataformas como AWS y técnicas distintas, y discuten si especializarse en un lenguaje o plataforma es atractivo.
• 03:16
  Data Scientist Jr, diferencia entre empresa o R&DDistinguen el camino empresarial del académico o de investigación (o un área de R&D dentro de una empresa). Dentro de cada uno se puede especializar por rubro, lenguaje, técnica o plataforma. Ejemplo de un especialista en R: alguien que domina librerías, paralelización y objetos S4, o la diferencia entre Ranger y Random Forest.
• 09:14
  Especializaciones por rubroEnumeran rubros (minería, juegos, telecomunicaciones, salud, deportes, banca) y notan que algunos tienen énfasis en el estudio de clientes (comportamiento, churn, cohortes). Discuten si riesgo es un rubro o un tipo de problema (dentro de la banca), con el ejemplo de una oferta del Banco de Chile para modelos de riesgo.
• 17:56
  Especializaciones por tipo de problemasProponen listar tipos de problema o técnicas: añaden diseño de experimentos y descartan PNL como habilidad. Ejemplifican computer vision en retail, medicina, automotriz, seguridad, agricultura y redes sociales. Debaten si elegir la especialización por gusto o por necesidad del lugar donde se trabaja. Comentan que quien lleva años en banca se vuelve experto en la industria y puede cobrar más.
• 24:20
  Porcentaje de roles de analytics en distintos rubrosMuestran un gráfico (fuente no validada) donde la banca concentra la mayor parte de la demanda de Data Scientists. Problemas típicos de banca: fraude, riesgo, ciclo de vida del cliente, cumplimiento regulatorio, segmentación y predicción de acciones, casi todos modelos supervisados tabulares. Advierten que la banca paga más pero suele tener protocolos estrictos, entornos restringidos y modelos auditados, a veces limitados a regresión logística.
• 30:26
  Detalle de tipos de problemas en los que uno se puede especializarExplican computer vision (OpenCV, CNN, Transformers) y advierten que lo que se ve entretenido por fuera puede decepcionar al hacerlo. Describen NLP (análisis de sentimiento, chatbots, Transformers y attention, vectorización de texto) y geoanálisis (datos geoespaciales, grillas, camino más corto, minería y agricultura). Mencionan series de tiempo (ARIMA, estacionalidad) y que varias áreas se intersectan, por ejemplo espacio más tiempo.
• 41:03
  MemesComentan memes sobre IA que "roba" trabajo de diseñadores y programadores, y concluyen que ChatGPT hace más eficiente al programador sin reemplazarlo. Defienden que la especialización ayuda a aportar conocimiento nuevo a un equipo. Hacen preguntas al público sobre su búsqueda de empleo y debaten si la IA reemplazará al analista; opinan que hace falta criterio y doble verificación. Aclaran que programación neurolingüística (PNL) no es lo mismo que NLP, y hablan de análisis de sentimiento aplicado a experiencia de cliente. Usan una encuesta con puntos de canal de Twitch para conocer la situación laboral de la audiencia.
• 59:00
  Más detalle de tipos de problemas en los que uno se puede especializarDatos tabulares (Titanic, Iris) y la defensa de Random Forest como primer modelo robusto. Diseño de experimentos (grupos de control, test de hipótesis, supuestos que no se cumplen). Text analysis (nubes de palabras, tópicos), la importancia de saber presentar y visualizar (críticas a gráficos de torta y donut), LLM (APIs de GPT, prompting, bases de datos de embeddings) y la pregunta de qué especialidad elegiría cada uno para toda la vida. Mencionan Wolfram Alpha y modelos que aprenden a usar herramientas externas.
• 01:17:34
  Necesidad de conocimientos en función del rubro de especializaciónRevisan un gráfico sobre habilidades requeridas por industria (negocio, tecnología, matemática/estadística) y concluyen que la mayoría de las industrias piden perfiles similares, salvo la academia. Critican el diseño del gráfico y reflexionan sobre la dificultad de visualizar bien.
• 01:25:08
  CierreResultados de la encuesta (computer vision gana), adelantan un futuro tema sobre diseño de experimentos e hipótesis, muestran un video de visualización de una red neuronal y se despiden invitando a Discord.

Palabras clave